University of Oxford（牛津大学）

Training AI Co-Scientists Using Rubric Rewards

利用评分奖励训练AI合作者

Shashwat Goel, Rishi Hazra, Dulhan Jayalath, Timon Willi, Parag Jain, William F. Shen, Ilias Leontiadis, Francesco Barbieri, Yoram Bachrach, Jonas Geiping, Chenxi Whitehouse

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） 纠错

AI总结 本文提出利用评分奖励训练AI合作者，通过自动生成研究计划并改进模型性能，实现跨领域泛化和高效训练。

Comments 11 pages in the main paper, total 119 including sample outputs in the Appendix

Single LLM Debate, MoLaCE: Mixture of Latent Concept Experts Against Confirmation Bias

单个LLM辩论，MoLaCE：混合潜在概念专家对抗确认偏见

Hazel Kim, Philip Torr

机构 * Department of Computer Science University of Oxford（牛津大学计算机科学系） 纠错

AI总结 MoLaCE通过混合潜在概念专家减少LLM的确认偏见，提升鲁棒性并高效实现多智能体辩论效果。

Revisiting the Broken Symmetry Phase of Solid Hydrogen: A Neural Network Variational Monte Carlo Study

重新审视固态氢的破缺对称相：一种神经网络变分蒙特卡洛研究

Shengdu Chai, Chen Lin, Xinyang Dong, Yuqiang Li, Wanli Ouyang, Lei Wang, X. C. Xie

机构 * Interdisciplinary Center for Theoretical Physics（理论物理交叉中心） ； Information Sciences (ICTPIS), Fudan University（信息科学（ICTPIS），复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Engineering, University of Oxford（工程系，牛津大学） ； Beijing National Laboratory for Condensed Matter Physics（北京凝聚态物理实验室） ； Institute of Physics, Chinese Academy of Sciences（物理研究所，中国科学院） ； Department of Information Engineering, The Chinese University of Hong Kong（信息工程系，香港中文大学） ； International Center for Quantum Materials, School of Physics, Peking University（国际量子材料中心，物理系，北京大学） ； Hefei National Laboratory（合肥国家实验室） 纠错

AI总结 本文通过神经网络变分蒙特卡洛方法研究固态氢的破缺对称相，发现其基态结构候选者Cmcm空间群对称性，并验证其稳定性及与实验数据的一致性。

Scalable and Privacy-Preserving Synthetic Data Generation on Decentralised Web

去中心化网络上的可扩展且隐私保护的合成数据生成

Vishal Ramesh, Rui Zhao, Naman Goel

机构 * University of Oxford（牛津大学） ； Alan Turing Institute（艾伦·图灵研究所） 纠错

AI总结 本文提出利用安全 enclave 提升 Libertas 系统，实现去中心化网络上可扩展且隐私保护的合成数据生成。

Comments Accepted at 24th IEEE/WIC International Conference on Web Intelligence and Intelligent Agent Technology 2025