University of Oxford（牛津大学）

Spatial Message Passing in Language Space for Pathology Image Interpretation

面向病理图像解读的语言空间空间消息传递

Jing-Cheng Yang, Hao-Jung Wang, Jinhao Du, Yang Hu, Ming-shan Tsai, Jens Rittscher, Bin Li

机构 * National Taiwan University（台湾大学） ； University of Oxford（牛津大学） ； ZYTCA Limited（ZYTCA有限公司） 纠错

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)

Detecting Contaminated Code-Generation Prompt Batches via Influence Functions

利用影响函数检测受污染的代码生成提示批次

Francesco Quinzan, Noor Munir, Yishun Lu, Stephen Roberts

机构 * The University of Oxford（牛津大学） 纠错

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。

Seeing Red, Thinking Bad: Color Bias in Vision Language Models

看到红色，想到负面：视觉语言模型中的颜色偏差

Kohsuke Ide, Ryousuke Yamada, Yoshihiro Fukuhara, Hirokatsu Kataoka, Yutaka Satoh

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） 纠错

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: A Live Benchmark for Agentic Time Series Analysis in Evolving Environments

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

Qingren Yao, Yaxuan Kong, Yuqi Nie, Yichen Li, Stefan Zohren, Anna Vettoruzzo, Qingsong Wen, Ming Jin, Joaquin Vanschoren

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） 纠错

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。

Self-Supervised Visual On-Policy Distillation

自监督视觉在线策略蒸馏

Yijiang Li, Yijun Liang, Yunjie Tian, Bingyang Wang, Ke Zhang, Zhenfei Yin, Di Fu, Philip Torr, Nuno Vasconcelos

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） 纠错

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 Research Preference Models

AI研究偏好模型

Thomas Simon Foster, Bassel Al Omari, Tingchen Fu, Thomas Mann, Carl Domond, Lucia Cipolina-Kun, Bhavul Gauri, Muna Aghamelu, Alexander D. Goldie, Eryk Helenowski, Jean-Christophe Gagnon-Audet, Alberto Pepe, Saba Nazir, Daniel Izcovich, Noam Levi, Rishi Hazra, Karen Hambardzumyan, Nicolas Baldwin, Xian Li, Martin Josifoski, Paris Giampouras, Masoud Jalili Sabet, Anya Sims, Hela Momand, Tatiana Shavrina, Despoina Magka, Jason Weston, Yulin Wang, Anirudh Goyal, João Henriques, Yoram Bachrach, Emily McMilin, Jakob Nicolaus Foerster

机构 * FAIR at Meta ； University of Oxford（牛津大学） ； University College London（伦敦大学学院） 纠错

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

Neural Network-Based Parameter Estimation of a Labour Market Agent-Based Model

基于神经网络的劳动力市场基于主体的模型参数估计

M Lopes Alves, Joel Dyer, Doyne Farmer, Michael Wooldridge, Anisoara Calinescu

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） 纠错

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

Semantically Labelled Automata for Multi-Task Reinforcement Learning with LTL Instructions

语义标注的自动机用于带有LTL指令的多任务强化学习

Alessandro Abate, Giuseppe De Giacomo, Mathias Jackermeier, Jan Kretínský, Maximilian Prokop, Christoph Weinhuber

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） 纠错

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