Imperial College London（帝国理工学院）

Data for Mathematical Copilots: Better Ways of Presenting Proofs for Machine Learning

用于数学助手的数据：为机器学习呈现证明的更好方式

Simon Frieder, Jonas Bayer, Sam Looi, Jacob Loader, Julius Berner, Katherine M. Collins, András Juhász, Fabian Ruehle, Sean Welleck, Gabriel Poesia, Ryan-Rhys Griffiths, Adrian Weller, Anirudh Goyal, Cameron Freer, Thomas Lukasiewicz, Timothy Gowers

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Caltech（加州理工学院） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； FutureHouse Inc.（未来房屋公司） ； Meta ； Vienna University of Technology（维也纳技术大学） ； MIT（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； Collège de France（法兰西学院） 纠错

AI总结 本文提出改进数学助手数据集的设计，以更真实反映数学研究实践，从而提升大语言模型的证明学习能力。

Comments 59 pages

Adjusting Model Size in Continual Gaussian Processes: How Big is Big Enough?

在持续学习中调整模型大小：有多大才够大？

Guiomar Pescador-Barrios, Sarah Filippi, Mark van der Wilk

机构 * Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系） ； Department of Computer Science, University of Oxford, UK（牛津大学计算机科学系） 纠错

AI总结 本文提出了一种在持续学习中自动调整高斯过程模型大小的方法，以在保持高性能的同时减少超参数调整需求。

Comments 9 pages main, 27 pages total, 13 figures, 9 tables, conference paper, minor correction

Journal ref PMLR 267:48974-49000 (2025)

HGQ: High Granularity Quantization for Real-time Neural Networks on FPGAs

HGQ：面向FPGA上的实时神经网络的高粒度量化

Chang Sun, Zhiqiang Que, Thea K. Årrestad, Vladimir Loncar, Jennifer Ngadiuba, Wayne Luk, Maria Spiropulu

机构 * California Institute of Technology（加利福尼亚理工学院） ； Imperial College London（伦敦帝国理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； Institute of Physics Belgrade（贝尔格莱德物理研究所） ； Fermilab（费米实验室） 纠错

AI总结 HGQ通过高粒度量化方法优化神经网络参数位宽，实现低延迟高精度的实时模型部署，适用于FPGA平台的复杂模型压缩与加速。

An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges

视觉-语言-动作模型的解剖：从模块到里程碑与挑战

Chao Xu, Suyu Zhang, Yang Liu, Baigui Sun, Weihong Chen, Bo Xu, Qi Liu, Juncheng Wang, Shujun Wang, Shan Luo, Jan Peters, Athanasios V. Vasilakos, Stefanos Zafeiriou, Jiankang Deng

机构 * IROOTECH TECHNOLOGY（IROOTECH技术公司） ； Wolf 1069 b Lab, Sany Group（Sany集团沃尔夫1069b实验室） ； Department of Engineering, King’s College London（伦敦国王学院工程系） ； Hong Kong Polytechnic University（香港理工大学） ； Computer Science Department of the Technische Universität Darmstadt（德累斯顿技术大学计算机科学系） ； Department of ICT and Center for AI Research, University of Agder (UiA)（阿格德大学信息与通信技术系及人工智能研究中心） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 本文系统分析了视觉-语言-动作模型的核心挑战，从模块构建到里程碑发展，为研究者提供结构化指南和未来研究方向。

Comments project page: https://suyuz1.github.io/VLA-Survey-Anatomy/

Tracing the Roots: Leveraging Temporal Dynamics in Diffusion Trajectories for Origin Attribution

追溯根源：利用扩散轨迹的时间动态性进行起源归因

Andreas Floros, Seyed-Mohsen Moosavi-Dezfooli, Pier Luigi Dragotti

机构 * Imperial College London（伦敦帝国学院） 纠错

AI总结 本文提出利用扩散轨迹的时间动态性，解决图像起源归因问题，挑战现有成员推断方法，并提出统一的数据来源框架。

Non-Perturbative Trivializing Flows for Lattice Gauge Theories

非扰动的退化流用于格点规范理论

Mathis Gerdes, Pim de Haan, Roberto Bondesan, Miranda C. N. Cheng

机构 * Institute of Physics, University of Amsterdam（阿姆斯特丹大学物理研究所） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） ； Institute for Mathematics, Academia Sinica, Taiwan（台湾“中央研究院”数学研究所） ； Korteweg-de Vries Institute for Mathematics, University of Amsterdam（阿姆斯特丹大学柯尔特韦格-德维尔斯数学研究所） 纠错

AI总结 本文提出了一种适用于矩阵李群的连续归一化流架构，用于二维格点规范理论，展示了其在格点计算中的应用潜力。

Comments 7+7 pages, 5 figures, 4 tables; expanded published version, added 2 appendices with computational cost analysis and numerical evaluations (added 1 table and 2 figures)

Journal ref Phys. Rev. D 112, 094516 (2025)