University of Oxford（牛津大学）

Categorical Flow Maps

分类流映射

Daan Roos, Oscar Davis, Floor Eijkelboom, Michael Bronstein, Max Welling, İsmail İlkan Ceylan, Luca Ambrogioni, Jan-Willem van de Meent

机构 * UvA-Bosch Delta Lab, University of Amsterdam, Amsterdam, Netherlands（阿姆斯特丹大学） ； Department of Computer Science, University of Oxford, Oxford, UK（牛津大学计算机科学系） ； Donders Institute for Brain, Cognition and Behaviour, Radboud University（拉德堡德大学大脑与行为研究所） 纠错

AI总结 分类流映射通过自我蒸馏实现加速的少步生成，适用于图像、分子图和文本，取得最佳性能。

TreeLoc: 6-DoF LiDAR Global Localization in Forests via Inter-Tree Geometric Matching

TreeLoc: 通过树间几何匹配实现森林中的6自由度LiDAR全局定位

Minwoo Jung, Nived Chebrolu, Lucas Carvalho de Lima, Haedam Oh, Maurice Fallon, Ayoung Kim

机构 * Dept. of Mechanical Engineering, SNU（机械工程系，首尔国立大学） ； Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所） ； CSIRO Robotics, DATA61, CSIRO and the School of Electrical Engineering and Computer Science, The University of Queensland (UQ)（CSIRO机器人、DATA61、CSIRO及昆士兰大学电气工程与计算机科学学院） 纠错

AI总结 TreeLoc通过树间几何匹配实现森林中的6自由度LiDAR全局定位，结合树干和DBH特征进行粗细匹配，并通过两步几何验证实现高精度定位。

Comments An 8-page paper with 7 tables and 8 figures, accepted to ICRA 2026

PLESS: Pseudo-Label Enhancement with Spreading Scribbles for Weakly Supervised Segmentation

PLESS: 基于扩散涂鸦的伪标签增强用于弱监督分割

Yeva Gabrielyan, Varduhi Yeghiazaryan, Irina Voiculescu

机构 * Akian College of Science and Engineering, American University of Armenia（阿塞拜疆美国大学科学与工程学院） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） 纠错

AI总结 PLESS通过扩散涂鸦信息提升伪标签可靠性，改进弱监督分割性能。

Comments This work was supported by the Afeyan Family Foundation Seed Grants and the JACE Foundation Research Innovation Grant Program at AUA

Charting Empirical Laws for LLM Fine-Tuning in Scientific Multi-Discipline Learning

绘制LLM微调的实证定律以用于科学多学科学习

Lintao Wang, Zhuqiang Lu, Yilin Zhu, Kun Hu, Zhenfei Yin, Shixiang Tang, Zhiyong Wang, Wanli Ouyang, Xinzhu Ma

机构 * The University of Sydney（悉尼大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Edith Cowan University（埃德温·考文大学） ； University of Oxford（牛津大学） ； The Chinese University of Hong Kong（香港中文大学） ； Beihang University（北航大学） 纠错

AI总结 本研究通过构建五学科语料库，揭示了多学科LLM微调的四个实证定律，为科学领域通用LLM的发展提供了可操作的指导。

Can Complexity and Uncomputability Explain Intelligence? SuperARC: A Test for Artificial Super Intelligence Based on Recursive Compression

复杂性与不可计算性能否解释智能？SuperARC：基于递归压缩的人工超级智能测试

Alberto Hernández-Espinosa, Luan Ozelim, Felipe S. Abrahão, Hector Zenil

机构 * Oxford Immune Algorithmics（牛津免疫算法公司） ； Oxford University Innovation（牛津大学创新中心） ； London Institute for Healthcare Engineering（伦敦医疗工程研究所） ； Algorithmic Dynamics Lab（算法动力实验室） ； Center of Molecular Medicine, Karolinska Institute（卡罗林斯卡研究所分子医学中心） ； King’s College London（伦敦大学国王学院） ； Centre for Logic, Epistemology and the History of Science, University of Campinas (UNICAMP)（逻辑、知识论和科学史研究中心，坎皮纳斯大学） ； DEXL, National Laboratory for Scientific Computing (LNCC)（DEXL，国家科学计算实验室） ； King’s Institute for Artificial Intelligence, King’s College London（伦敦大学国王学院人工智能研究所） 纠错

AI总结 本文提出SuperARC测试，通过递归压缩评估AI模型的复杂性和不可计算性，揭示LLM在预测能力上的局限性，并强调符号方法对提升AI进展的重要性。

Comments 27 pages + Methods + Supplementary Information, 103 pages total