高校专区
文本到图像模型的强化后训练与超线性优势塑造
机构 * Nanyang Technological University（南洋理工大学） ； Baidu Inc.（百度公司） ； Zhejiang University（浙江大学） ； City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） ； Jimei University（集美大学）
AI总结 本文提出超线性优势塑造方法，通过信息几何视角优化文本到图像模型的后训练过程，提升训练效率和生成质量，减少奖励黑客问题。
WildClawBench: 一个用于真实世界、长周期代理评估的基准测试
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出WildClawBench，一个包含60个双语多模态任务的原生运行时基准测试，评估代理在真实工具环境中的长周期任务能力，结果显示当前前沿模型在真实运行时表现仍不理想。
Comments Github link: https://github.com/internlm/WildClawBench
在Clifford量子电路合成中的等变强化学习
机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Quantinuum（Quantinuum公司） ； College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算科学与数据科学学院）
AI总结 本文提出了一种等变神经网络架构，用于在所有到所有量子比特连接设备上合成Clifford量子电路，通过强化学习发现最优门序列，实现高效电路合成。
从少量数据中学习更多：利用反事实以提高图表理解的数据效率
机构 * Nanyang Technological University（南洋理工大学） ； Aumovio Singapore Pte. Ltd.（Aumovio新加坡私人有限公司）
AI总结 本文提出ChartCF框架，通过反事实数据合成和多模态偏好优化，提升图表理解的反事实敏感性，实验表明其在少数据下表现优异。
Comments Accepted to ACL 2026 Main Conference
非马尔可夫强化学习中的策略梯度方法
机构 * Department of Computer Science and Automation, Indian Institute of Science（印度科学研究院计算机科学与自动化系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程系） ； CMAP, CNRS, École polytechnique, Institut Polytechnique d́e Paris（巴黎理工学院先进材料与工艺中心、国家科学研究中心、巴黎理工学院）
AI总结 本文研究非马尔可夫决策过程中的策略梯度方法，提出基于奖励的策略优化框架，通过递归更新内部状态提升非马尔可夫任务性能。
Comments 39 pages, 5 figures, 1 table
代理行为的代理使用：代理循证学是基础代理的缺失科学
机构 * Singapore Management University（新加坡管理大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学） ； Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)（信息通信研究院，科技研究局（A*STAR）） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 本文提出代理循证学作为基础代理的理论基础，通过将经典循证学定律映射到代理设计原则，提出可靠性、持续运行和自我改进三大工程需求，以指导复杂任务中的代理设计与部署。
Comments Preliminary Work
LVLMs中的词汇劫持：通过排除惰性标记来揭示关键注意力头以缓解幻觉
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文通过分析LVLMs的注意力机制，揭示了词汇劫持现象，提出HABI方法定位惰性标记，并引入NHAR指标评估其影响，最终提出HAVAE方法增强关键注意力头以减少幻觉。
Comments Accepted by ACL 2026 Main
DeepSight: 通过潜在状态预测实现长视距世界建模的端到端自动驾驶
机构 * Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团Amap） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出通过鸟瞰图空间预测连续未来帧的潜在语义特征，实现长视距世界建模，并引入高效适应性文本推理机制提升复杂场景下的驾驶性能。
Comments ICML 2026
弥合序列与图结构以进行表观遗传年龄预测
机构 * School of Computing and Information Systems（计算与信息系） ； The University of Melbourne（墨尔本大学） ； School of Computing Technologies（计算技术系） ； RMIT University（皇家墨尔本理工学院） ； Lee Kong Chian School of Medicine（李科金医学院） ； Nanyang Technological University（南洋理工大学） ； Department of Data Science and Artificial Intelligence（数据科学与人工智能系） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出统一的序列-图整合框架，通过轻量级门控调节机制整合DNA序列统计特征，提升表观遗传年龄预测的准确性与解释性。
CMKL：面向演变生物医学知识图谱的模态感知持续学习
机构 * Technology, Innovation, Entrepreneurship Department（技术、创新与创业部门） ； King Abdullah University of Science and Technology（卡塔尔科技大学） ； School of Computing and Information Systems（计算与信息系统学院） ； The University of Melbourne（墨尔本大学） ； College of Computer Science and Technology（计算机科学与技术学院） ； Jilin University（吉林大学） ； School of Computing Technologies（计算技术学院） ； RMIT University（皇家墨尔本理工大学） ； College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学）
AI总结 CMKL通过混合专家路由融合结构、文本和分子信息，利用EWC和K-means多样化重放缓冲区保护已有知识，在生物医学持续学习任务中取得显著提升。
WorldReasonBench: 视频生成器作为未来世界状态预测器的人类对齐压力测试
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of Waterloo（滑铁卢大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
AI总结 WorldReasonBench通过结构化地面真实QA注释，测试视频生成器能否在物理、社会、逻辑和信息层面保持一致性。该基准包含436个测试案例和22个子类别，结合人类对齐的两阶段方法评估生成视频的质量。
Comments Project Page: https://unix-ai-lab.github.io/WorldReasonBench/
AnomalyClaw：通过工具引导的反驳实现通用视觉异常检测代理
机构 * Department of Computer Science and Engineering, Southern University of Science and Technology (SUSTech), Shenzhen, China（南方科技大学计算机科学与工程系，深圳，中国） ； School of EEE, Nanyang Technological University (NTU), Singapore（南洋理工大学电子工程学院，新加坡） ； CFAR, Agency for Science, Technology and Research (A*STAR), Singapore（科技研究局（A*STAR）的CFAR，新加坡）
AI总结 本文提出AnomalyClaw，一种无需训练的视觉异常检测代理，通过多轮反驳过程提升异常判断。在CrossDomainVAD-12基准上，AnomalyClaw在多个模型上均取得显著提升，且引入自演化扩展提升模型性能。
Comments We release the agent, the benchmark, and the analysis artifacts at https://github.com/jam-cc/AnomalyClaw
便携式主动学习用于目标检测
机构 * Panasonic R&D Center Singapore（松下研发中心新加坡） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出便携式主动学习框架，通过结合类别实例不确定性和图像级多样性，提升目标检测的标注效率和准确性，适用于实际应用场景。
Comments CVPR 2026(highlight)
ProteinOPD：迈向蛋白质设计的有效和高效偏好对齐
机构 * Tsinghua University（清华大学） ； International Digital Economy Academy（国际数字经济学院） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出ProteinOPD框架，通过结合On-Policy Distillation方法，有效平衡多目标偏好，提升蛋白质设计效率与稳定性，实验显示在目标偏好上表现优异且训练速度更快。
通过约束感知解码提升时序动作分割
机构 * Institute of High-Performance Computing, Agency for Science, Technology and Research, Singapore（高性能计算研究所，科学、技术与研究局，新加坡） ； Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（前沿人工智能研究中心，科学、技术与研究局，新加坡） ； Indian Institute of Technology Kharagpur, India（印度克哈格浦理工学院） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡）
AI总结 本文提出轻量约束优化框架，通过整合统计结构先验提升时序动作分割性能，无需重新训练或增加模型复杂度。
Comments accepted to ICPR 2026
SCOPE：结构化原型引导适应EEG基础模型以有限标签
机构 * Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学 Saw Swee Hock 公共卫生学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Guangzhou Research Translation and Innovation Institute, National University of Singapore（新加坡国立大学广州研究翻译与创新研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Beijing Key Laboratory of Brainnetome and Brain-Computer Interface, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络与脑机接口重点实验室） ； Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络中心）
AI总结 针对有限标签下EEG基础模型适应难题，提出SCOPE框架，通过外部监督和原型引导提升模型鲁棒性与效率，实验显示在多种任务和比例下均表现优异。
CodeBrain: 桥接解耦分词器与多尺度架构的EEG基础模型
机构 * Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学 Saw Swee Hock 公共卫生学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Guangzhou Research Translation and Innovation Institute, National University of Singapore（新加坡国立大学广州研究翻译与创新研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Beijing Key Laboratory of Brainnetome and Brain-Computer Interface, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络与脑机接口重点实验室） ； Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网络中心）
AI总结 CodeBrain通过解耦分词器和多尺度架构提升EEG基础模型的表示能力，实现对大脑活动的高效捕捉与可解释性。
Comments Published as a conference paper at the International Conference on Learning Representations (ICLR 2026)
通过二元反馈个性化大语言模型：一种偏好校正的优化框架
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出C-BPO框架，通过偏好校正的二元信号实现LLM个性化，解决用户间差异问题，实验表明其在多种任务中优于基线方法。
Comments Accepted by ACL 2026 Main
前瞻性压缩在人类抽象学习中的作用
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Dalhousie University（达尔豪斯大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文研究了非平稳环境下人类如何前瞻性压缩未来任务，通过模式构建任务发现人类抽象学习与现有回顾性压缩算法存在差异。
Comments under review at neurips 2026
学习感知'在哪里'：用于鲁棒自监督学习的空间预训练任务
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Warsaw University of Technology, Poland（华沙理工大学，波兰）
AI总结 本文提出空间预测任务，通过建模部分间关系提升自监督学习中的空间感知能力，改进了图像识别、细粒度分类等任务的性能。
通过渐进分辨率处理和自适应特征对齐对多模态大语言模型进行对抗攻击
机构 * Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学）
AI总结 本文提出PRAF-Attack框架，通过多尺度语义指导和中间层局部对齐提升多模态大语言模型的对抗攻击转移性，实验表明其在多种黑盒MLLM上表现更优。
DriveFuture: 用于自动驾驶的面向未来的潜在世界模型
机构 * Beijing Institute of Technology（北京理工大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北航） ； Beijing Jiaotong University（北京交通大学） ； The University of Queensland（昆士兰大学） ； University of Macau（澳门大学） ； Nanyang Technological University（南洋理工大学） ； School of Artificial Intelligence ( School of Software), Yanshan University（燕山大学人工智能学院（软件学院））
AI总结 本文提出DriveFuture，一种面向未来的潜在世界建模框架，通过将未来世界状态条件化于当前潜在状态建模过程，提升自动驾驶轨迹规划性能。
Comments 24pages, 7 figures
CLR-voyance：通过结果感知的评分表强化住院患者临床决策支持中的开放性推理
机构 * ASUS Intelligent Cloud Services (AICS)（ASUS智能云服务（AICS）） ； Rehabilitation Research Institute of Singapore, Nanyang Technological University（新加坡康复研究院，南洋理工大学） ； Department of Family Medicine, Taipei Veterans General Hospital（台北荣民总医院家庭医学部） ； School of Medicine, National Yang Ming Chiao Tung University（国家阳明交通大学医学院） ； Yong Loo Lin School of Medicine, National University of Singapore（新加坡国立大学 Yong Loo Lin 医学院）
AI总结 CLR-voyance将住院患者推理建模为POMDP，通过结果感知和临床验证的奖励机制提升决策支持，实现住院患者临床推理的最新进展。
EduStory: 一个统一框架，用于教学一致的多镜头STEM教学视频生成
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出EduStory框架，通过整合教学状态建模、脚本引导的结构控制和学习导向评估指标，解决多镜头STEM教学视频中知识一致性与教学叙事连贯性的问题，并引入EduVideoBench基准测试以评估生成视频的质量。
你的模拟运行但解错了物理：基于PDE的意图验证用于LLM生成的多物理场模拟代码
机构 * Cornell University（康奈尔大学） ； Columbia University（哥伦比亚大学） ； Harvard University（哈佛大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出基于PDE的意图验证方法，用于检查LLM生成的多物理场模拟代码是否符合预期物理，通过确定性重构和比较PDE结构提升代码的意图保真度。
Comments Preprint
SDFlow：基于相似度的流匹配用于时间序列生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai University（上海大学） ； Nanyang Technological University（南洋理工大学） ； Chinese Academy of Sciences（中国科学院） ； Institute for Infocomm Research, A*STAR（信息通信研究院，A*STAR）
AI总结 SDFlow通过非自回归框架在冻结的VQ潜在空间中实现并行序列生成，解决曝光偏差问题，降低高维性，引入离散监督，提升生成质量与效率。
迈向跨语言价值判断：一种共识多元主义视角
机构 * State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高科技园区（滨江）区块链与数据安全研究院） ； Tongyi Lab, Alibaba Group（阿里集团通义实验室） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出X-Value基准，用于评估LLM跨语言判断内容深层价值的能力，通过两阶段人机协作标注框架解决文化多样性和学科复杂性挑战，涵盖14种语言7大全球议题类别。
通过流匹配实现解耦表示学习
机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； City St George’s, University of London（伦敦大学城市圣乔治学院） ； Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）
AI总结 本文提出基于流匹配的框架，通过在紧凑潜在空间中学习因子条件流来实现解耦表示学习，引入非重叠正则化以增强语义对齐，实验表明在多个数据集上优于基线方法。
自适应多视图图对比学习：通过分数阶神经扩散网络
机构 * School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院） ； University College London, London, U.K.（伦敦大学学院）
AI总结 本文提出一种无增强的多视图图对比学习框架，利用分数阶连续动力学生成连续视图谱，通过调整分数阶导数阶数α实现自适应扩散尺度，提升多尺度结构模式的表征能力。
Comments Machine learning, diffusion neural networks. arXiv admin note: text overlap with arXiv:2504.16748
有意识说话：一种双脑方法用于语音语言模型中的实时推理
机构 * StepFun ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学）
AI总结 本文提出Mind-Paced Speaking方法，通过双脑架构实现语音语言模型的实时推理，显著提升推理性能并降低延迟。
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