3D基础模型时代开启？Meta与牛津大学推出VGGT，一站式Transformer开创高效3D视觉新范式
VGGT 是一种基于纯前馈 Transformer 架构的通用 3D 视觉模型，能在单张或多张图像中直接预测相机参数、深度图和点云等几何信息。其推理速度可达秒级，并在多个任务中超越传统方法。
牛津大学
征稿｜CVPR2025首届ViSCALE研讨会，探寻计算机视觉的推理扩展律
计算机视觉与模式识别会议CVPR将于2025年召开，首届计算机视觉推理扩展研讨会（ViSCALE）将探讨Test-time Scaling在计算机视觉中的应用与发展潜力。
Agent圈的DeepSeek，牛津大学Agentic Reasoning框架显著提升深度研究能力
牛津大学提出Agentic Reasoning框架通过整合外部代理增强LLM推理能力，在复杂研究任务中超越现有模型，显著提高准确性和生产力。
牛津哥大联手破解两千年素数谜题！受陶哲轩启发，意外解法打破千年僵局
牛津大学的本·格林和哥伦比亚大学的梅塔布·索尼解决了素数分布问题的新进展，通过引入粗略素数的概念并利用Gowers范数技术证明了存在无限多个符合特定条件的素数。
剑指专业领域零部件级3D生成！Meta联手牛津推出全新多视图扩散模型
Meta与牛津大学研究人员发布PartGen，能够生成子结构可分离的高质量3D模型，解决现有AI生成3D对象缺乏零部件信息的问题。
素数分布规律又有新发现！赵宇飞学生与牛津教授合作成果
赵宇飞、Mehtaab Sawhney与Ben Green合作证明了高斯素数猜想，使用Gowers范数分析x, y组合分布的均匀性，最终得出目标公式。两人因研究Gowers范数而结缘，格林和索尼的合作始于20年前的共同成果。
无需Transformer，简单滤波器即可提高时间序列预测精度 NeurIPS 2024
研究团队提出FilterNet模型，通过频率滤波器简化时间序列预测架构。该方法已在八个基准数据集上展示出卓越的性能，并且在效率方面表现出色。
科研党狂喜！AI预测神经学研究结论超过人类专家水平 Nature子刊
神经学研究专用基准BrainBench显示，经过训练的LLM预测结果准确率为81.4%，远超人类专家的63%。论文提出了一个新基准测试，评估LLM预测神经科学结果的能力，并发现LLMs学习了广泛的科学模式而不是记忆数据。
智能体零样本解决未见过人类设计环境！全靠这个开放式物理RL环境空间
牛津大学提出Kinetix框架，训练通用RL智能体在2D物理环境中执行多样化任务，涵盖机器人任务、经典RL环境等。通过Jax2D硬件加速引擎模拟数十亿次交互生成多样任务。研究发现微调使通用智能体能显著减少特定任务学习所需样本数，并带来新能力。
