高校专区
超越单一物体：用大语言模型学习三维关系
机构 * AIST（日本国立 Advanced Industrial Science and Technology（AIST）） ； University of Tsukuba（筑波大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学）
AI总结 针对现有3D-LLMs难以开展多物体间详细比较的问题，提出含MO3D数据集、Multi-3DLLM模型及Mini-apps基准的框架，该模型在MO3D任务上超越所有基线且对单物体分类有正向迁移
Comments Accepted to CVPR 2026
PathFinder：链接多模态数据集的联合分解方法
机构 * Oxford Centre for Integrative Neuroimaging（牛津整合神经成像中心） ； University of Oxford（牛津大学）
AI总结 PathFinder是一种通用的联合矩阵分解框架，可分析未必共享同一维度的多模态数据集，能发现跨模态等的共同模式并预测缺失数据。
当不确定性还不够时：代码生成中自校正的实证研究
机构 * University of Michigan（密歇根大学） ； New York University（纽约大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Algoverse AI ； University of Aberdeen（阿伯丁大学） ； University of Oxford（牛津大学）
AI总结 本研究通过实证发现，针对代码生成的不确定性估计方法难以可靠提升生成准确率，仅基于验证的自校正策略可显著提升Pass@1指标，廉价不确定性估计器仅适合作为校正循环的门控信号。
DumpsterCluster：从“废品回收”到在60美元级GPU上部署LLaMA-70B
机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Quettaflop AI
AI总结 本文搭建了二手GPU组成的DumpsterCluster，可在60美元级GPU上支撑LLaMA-70B推理，经济优势显著，但需结合低价电力与清洁能源以保障可持续性。
用于求解非线性偏微分方程的DGM和PINN算法的全局收敛性
机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系）
AI总结 研究一类半线性偏微分方程，证明用梯度下降训练来最小化PDE残差目标函数的神经网络可收敛到PDE解，为DGM和PINN算法求解此类方程的数学基础提供了依据。
通过技能级评估与诊断解构多模态语言模型的具身能力
机构 * Northeastern University, Boston, MA, USA ； The Chinese University of Hong Kong, Hong Kong, China ； Peking University, Beijing, China ； Westlake University, Hangzhou, China ； Harvard University, Cambridge, MA, USA ； Purdue University, West Lafayette, IN, USA ； University of Oxford, Oxford, United Kingdom
AI总结 本文提出BEAR基准，通过分解具身任务为14个原子技能进行细粒度评估，发现感知能力是推理失败的主要瓶颈，并提出BEAR-Agent多模态对话代理，显著提升具身技能性能。
Comments Accepted to ICML 2026
通过结构化LTL表示在强化学习中实现零样本指令跟随
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所）
AI总结 本文提出了一种基于结构化LTL表示的强化学习方法，通过分层神经网络和注意力机制提升智能体在未见过任务中的指令跟随能力。
面向病理图像解读的语言空间空间消息传递
机构 * National Taiwan University（台湾大学） ； University of Oxford（牛津大学） ； ZYTCA Limited（ZYTCA有限公司）
AI总结 提出SLMP框架，在语言空间对病理图像执行空间推理，无需微调MLLM，提升肿瘤描述准确率，缩小通用与病理专用MLLM的性能差距。
Comments Accepted at MICCAI 2026 Workshop (Oral)
利用影响函数检测受污染的代码生成提示批次
机构 * The University of Oxford（牛津大学）
AI总结 提出与威胁模型无关的CodeSIFT方法，利用影响函数检测受污染的代码生成提示批次，在3B至7B参数的三个代码LLM上，中高注入率下AUROC达0.98，性能优于静态分析基线。
看到红色，想到负面：视觉语言模型中的颜色偏差
机构 * National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所） ； University of Tsukuba（筑波大学） ； University of Technology Nuremberg（纽伦堡工业大学） ； University of Oxford（牛津大学）
AI总结 本研究发现VLMs存在颜色偏差，通过引入Stealth Visual Prompts控制文本视觉风格，发现颜色、对比度会影响VLMs的情感预测和VQA输出，其行为与视觉编码器潜在表示变化相关。
Comments 15 pages. Accepted to ICPR 2026
Journal ref In: Pattern Recognition. ICPR 2026. Lecture Notes in Computer Science. Springer, Cham, pp. 261-275
TimeSage-EV：面向动态环境下智能体时间序列分析的实时基准测试集
机构 * Eindhoven University of Technology（埃因霍温理工大学） ； University of Oxford（牛津大学） ； VulpiVox Intelligence（VulpiVox智能公司） ； Squirrel Ai Learning（Squirrel AI学习公司） ； Griffith University（格里菲斯大学）
AI总结 针对现有时间序列基准未评估时间有效性等问题，推出动态环境智能体时间序列分析基准TimeSage-EV，含多领域真实场景，实验揭示模型性能差距及失败模式，提供研究资源。
自监督视觉在线策略蒸馏
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； University of Oxford（牛津大学） ； UC San Diego（加利福尼亚大学圣迭戈分校）
AI总结 该研究提出S²VOPD方法，通过从学生模型减信息而非给教师加特权信息，实现无特权信息的视觉在线策略蒸馏，在6个细粒度感知基准上显著提升Qwen3.5-4B性能，表现优于多数模型。
AI研究偏好模型
机构 * FAIR at Meta ； University of Oxford（牛津大学） ； University College London（伦敦大学学院）
AI总结 该研究针对AI研究智能体的候选方案评估成本过高问题，提出AI研究偏好模型，将其集成到AIRA-dojo智能体后提升了基准任务性能，且达到目标性能的时间更短、预算更少。
Comments 34 pages, 17 figures, 6 tables
基于神经网络的劳动力市场基于主体的模型参数估计
机构 * Department of Computer Science（计算机科学系） ； Institute of New Economic Thinking（新经济思想研究所） ； University of Oxford（牛津大学）
AI总结 本文提出利用神经网络改进劳动力市场ABM参数估计方法，通过对比汇总统计量的有效性，验证了NN在参数恢复和效率提升方面的优势。
Comments Paper has been submitted without the consent of all 5 authors and without having its final version. Uploaded on arxiv at 17 Feb 2026 The version with proper review was only available on 19 March 2026
语义标注的自动机用于带有LTL指令的多任务强化学习
机构 * University of Oxford（牛津大学） ； Technical University of Munich（慕尼黑技术大学） ； Masaryk University Brno（布拉格马萨里克大学）
AI总结 本文提出一种基于语义标注自动机的多任务强化学习方法，利用LTL指令实现高效任务嵌入和泛化能力，实验表明其在复杂规范下的优越性能。
Comments IJCAI 2026
OmniScientist：一种全模态全学科的AI科学家
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学）
AI总结 本研究提出全模态AI科学家OmniScientist，通过端到端全模态流水线处理多学科异构原始证据，在36个真实案例中完成从原始数据到手稿的全流程，性能优于仅用预计算特征的系统，为通用AI科学家提供可行方案。
Comments 30 pages, 13 figures, 19 tables. Project page: https://omni-scientist.github.io/
V-RAE：重新思考用于生成的视频隐空间
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学）
AI总结 本研究提出V-RAE视频表示自动编码器，基于冻结视觉基础模型构建生成隐空间，在多项视频任务上优于现有模型，还引入tFVD指标，证明冻结语义表示可支持多种视频建模任务。
Comments 26 pages, 8 tables, 13 figures, project page: https://v-rae.github.io/
基于基础模型潜在空间的临床可操控视网膜图像生成评估
机构 * Nuffield Department of Population Health, University of Oxford（牛津大学纳菲尔德人口健康系） ； University of Oxford（牛津大学）
AI总结 该研究评估了四种视网膜基础模型的可控图像生成能力，发现其在自身框架内生成的视网膜图像优于传统潜在扩散，但与真实图像存在表征差距，需进一步对齐。
Comments MICCAI 2026 Workshop SASHIMI Submission
经验法则：使用部分信息解释人工智能系统
机构 * University of Oxford（牛津大学） ； Hasso Plattner Institute（哈索·普拉特纳研究所） ； Weizenbaum Institute（魏茨曼研究所）
AI总结 该研究提出名为“经验法则”（RoT）的新型XAI方法，可识别特定数据点下与AI系统行为最相关的特征，适用于零样本分类等场景，符合AI法规且效率更高。
Comments Code available at: https://github.com/KaiRawal/Rule-of-Thumb-Explaining-Artificial-Intelligence-Systems-using-Partial-Information
贝克曼运输模型：从自主流到一步映射
机构 * Harvard University（哈佛大学） ； Capital Fund Management (CFM)（凯鹏华盈资产管理公司） ； University of Oxford（牛津大学） ； New York University（纽约大学）
AI总结 该研究提出基于自主流的流匹配实例，构建统一框架实现分布间精确映射，修正现有方法不一致性，在ImageNet 256×256上验证了自主流与一步映射的有效性。
基于随机游走首次返回时间分布的嵌入网络
机构 * The Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Department of Engineering, University of Cambridge（剑桥大学工程系）
AI总结 本文提出基于随机游走首次返回时间分布的节点嵌入方法，通过数学原理和实验验证，展示了其在复杂网络分析中的有效性。
Diagram-MMU：面向科学图表的多模态基准测试
机构 * Nanjing University of Science and Technology（南京理工大学） ； Baidu Inc（百度公司） ； AIML, Adelaide University（阿德莱德大学AIML） ； SUTD（新加坡科技设计大学） ； Southeast University（东南大学） ； East China Normal University（华东师范大学） ； University of Oxford（牛津大学）
AI总结 本文构建了多模态基准测试Diagram-MMU，评估MLLMs的科学图表解析与理解能力，发现图表转代码任务更具挑战，Claude-4.6 Opus在智能体场景下表现最优。
如何使用你的专家预算：蛋白质结构预测模型的实用指南
机构 * InstaDeep Ltd（InstaDeep公司） ； University of Oxford（牛津大学） ； Lancaster University（兰卡斯特大学）
AI总结 本研究针对蛋白质结构预测模型的专家预算约束，通过基准测试FK-steering、DPO、Best K-of-N采样及O3方法，明确不同预算下的最优方法并给出实用选择建议。
Comments Proceedings of the ICML 2026 Workshop on Structured Probabilistic Inference & Generative Modeling (SPIGM)
用于多维随机场条件分布重构的局部Sinkhorn框架
机构 * School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Department of Mathematics, University of Houston（休斯顿大学数学系） ； Nuffield Department of Medicine, University of Oxford（牛津大学纳菲尔德医学院）
AI总结 本文提出用于多维随机场条件分布重构的局部Sinkhorn框架，结合去偏Sinkhorn散度构建可微高效目标，经数值示例验证，该框架在SNN训练中实现了重构精度与计算效率的平衡，且具备良好可扩展性。
具身融合智能体：以人为中心的智能体人工智能新范式
机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。
Comments 38 pages, 6 figures, 10 tables
贝叶斯优化能否在神经丛中高效找到强单专家？
机构 * University College London（伦敦大学学院） ； Institut Polytechnique de Paris（巴黎理工学院） ； University of Oxford（牛津大学）
AI总结 本文探究在适度评估预算下，贝叶斯优化能否在神经丛中高效找到强单专家，提出在权重空间随机线性嵌入中应用贝叶斯优化的无梯度方法，在Qwen2.5-Instruct模型基准测试中，该方法评估成本更低且性能优于随机优化。
测量模拟到现实的差距：为物联网系统中的强化学习设计一个经济实惠的真实世界基准平台
机构 * The University of Sydney（悉尼大学） ； University of Oxford（牛津大学） ； The University of Western Australia（西澳大利亚大学）
AI总结 针对AIoT系统中强化学习模拟到现实的差距问题，开发了成本低于400美元的真实世界平台，通过硬件模拟键盘让边缘设备智能体玩游戏训练，实验显示模拟训练智能体部署后性能大幅下降，直接现实训练有可行性，为强化学习评估提供了基础。
Checkup2Action：面向患者行动的多模态临床检查报告数据集
机构 * Durham University（杜伦大学） ； University of Oxford（牛津大学）
AI总结 本文提出Checkup2Action数据集，用于生成结构化的行动卡，通过多模态检查报告生成患者导向的行动建议，评估行动的准确性、优先级和安全性。
ADIOS：通过对手塑造进行抗体开发
机构 * FLAIR, Foerster Lab for AI Research（FLAIR人工智能研究实验室） ； Department of Engineering, University of Oxford, Oxford, UK（牛津大学工程系） ； Department of Biomedicine, University of Basel, Basel, Switzerland（巴塞尔大学生物医学系） ； Isomorphic Labs, London, UK（Isomorphic实验室） ； Epsilogen Ltd., London, UK（Epsilogen有限公司）
AI总结 ADIOS通过对手塑造方法设计抗体，使抗体不仅抵御未来变异，还能影响其进化方向，提升抗病毒治疗效果。
Comments Accepted at ICML 2025
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML 2025), PMLR 267
LLMs编码其失败：从预生成激活中预测成功
机构 * Oxford Internet Institute, University of Oxford（牛津大学牛津互联网研究所） ； FLAIR, University of Oxford（牛津大学FLAIR） ； Department of Computer Science, University College London（伦敦大学学院计算机科学系）
AI总结 研究通过预生成激活预测LLM在数学和编程任务中的成功率，发现模型内部表示能有效指导更高效的推理，且在MATH任务中通过模型池路由可提升性能并降低70%的推理成本。
Comments Accepted at COLM 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈