Imperial College London（帝国理工学院）

KnockGS:interaction-Grounded Calibrationof Physical Gaussian Representations

KnockGS：基于交互的物理高斯表示校准

Chenchen Ge, Hanwen Shen, Bowen Jing, Jiyuan Cai, Xiaofeng Wang, Hongsen Lei, Weitao Zhou, Dandan Zhang, Haibao Yu

机构 * Tuojing Intelligence（拓境智能） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Tsinghua University（清华大学） ； Simple AI ； Imperial College London（伦敦帝国学院） ； Shanghai Jiao Tong University（上海交通大学） ； GigaAI ； Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 KnockGS是基于交互-响应的PhysicalGS框架，可从三维高斯物体动力学中校准材料尺度，在参数恢复与响应保真度上优于对比方法，为交互式PhysicalGS系统奠定基础。

Thomson: Continual Learning of Frontier Models for SovereignAI

Thomson：面向主权人工智能的前沿模型持续学习

Shengzhuang Chen, Jerrod Parker, Yejin Bang, Andrew M. Bean, Nabeel Seedat, Stefan Winzeck, Daniil Glazko, Jannik Zgraggen, Fangyi Yu, Scott Arnott, Dietrich Trautmann, Luca Ciuffreda, Guglielmo Bonifazi, Davide Romano, Bradley Bell, Kirsty Fielding, Daniele Giofrè, Tom Zielund, Ipshita Chatterjee, Sneha Murthy Ghantasala, Manpreet Nanreh, John Scoville, Maciej Sakowicz, Wassim Seifeddine, Lukas Thede, Jonathan Richard Schwarz

机构 * Imperial College London（帝国理工学院） ； DatologyAI ； Lambda 纠错

AI总结 该研究提出Thomson，通过对开放权重模型的持续学习，以低预算实现前沿模型性能，可帮助更多机构构建主权人工智能，且在多任务表现优异，几乎消除了遗忘问题。

Comments Open-weight model: this https URL (https://huggingface.co/thomsonreuters/Thomson-1.0-Small)

Decentralized Multitask Learning over Learned Task Graphs

基于学习到的任务图的分散式多任务学习

Zirui Wan, Stefan Vlaski

机构 * Imperial College London（帝国理工学院） 纠错

AI总结 本文针对任务关系未知的网络场景，提出从分布式数据学习任务图的分散式两阶段策略，实现合作式多任务扩散学习，性能优于非合作学习且逼近真实图基线。

Mitigating Strong-Modality Collapse in Multimodal Learning via Inverted Asymmetric Fusion

通过反向非对称融合缓解多模态学习中的强模态坍塌问题

Mary Ogbuka Kenneth, Foaad Khosmood, Abbas Edalat

机构 * Imperial College London（帝国理工学院） ； California Polytechnic State University（加州州立理工大学） 纠错

AI总结 针对多模态学习中强模态坍塌导致模型难超单模态基准的问题，提出反向非对称融合（IAF）方法，在三类基准上验证其可保留主导模态性能且最高提升单模态基准8.25%

DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows

DuMateBench：评估自主智能体在复杂真实工作流程中的表现

Zechun Niu, Yukun Zhao, Jiaxin Zhang, Xu Shen, Jinhua Si, Han Tian, Can Xu, Yunfan Song, Jiaxin Mao, Yansong Gao, Yuchen Li, Jianmin Wu, Lingyong Yan, Shuaiqiang Wang, Dawei Yin

机构 * Renmin University of China（中国人民大学） ； Shandong University（山东大学） ； Michigan State University（密歇根州立大学） ； Nankai University（南开大学） ； East China Normal University（华东师范大学） ； Imperial College London（伦敦帝国学院） ； Baidu, Inc.（百度公司） 纠错

AI总结 DuMateBench是基于真实用户会话构建的自主智能体评估基准，含200个跨8场景的任务，注入三类环境复杂性，搭配五款智能体框架与四款LLM实验，发现严格任务完成存在显著差距。