高校专区
AtelierEval: 人类与LLM作为文本到图像提示器的代理评估
机构 * New York University Abu Dhabi（纽约大学阿布扎克校区） ； Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出AtelierEval，首个统一基准，通过360个专家设计的任务量化提示能力，引入技能基于的记忆增强代理评估器，实现与人类专家的高相关性，验证了提示器在图像增强方向的优越性。
Comments Accepted by ICML 2026
在微控制器上实现激活函数的常数时间方法
机构 * Faculty of Informatics and Information Technologies, Slovak University of Technology in Bratislava（信息与信息技术学院，布拉格斯拉夫技术大学） ； State Key Laboratory of Blockchain and Data Security, Zhejiang University（区块链与数据安全国家重点实验室，浙江大学） ； Temasek Laboratories, Nanyang Technological University（淡马锡实验室，南洋理工大学） ； Faculty of Computer Science, Albstadt-Sigmaringen University（计算机科学学院，阿尔布斯塔-西格马林根大学） ； TTControl GmbH
AI总结 本文提出了一种在嵌入式微控制器上实现激活函数的常数时间方法，通过结合无分支选择、固定成本Padé近似、必要的虚拟算术和周期对齐，实现了定时规律的激活函数实现，并验证了其在ReLU、sigmoid、tanh、GELU和Swish函数上的有效性。
IKNO：无限阶核神经算子
机构 * Nanyang Technological University（南洋理工大学） ； Centre for Frontier AI Research(CFAR), Agency for Science, Technology and Research (A*STAR)（前沿人工智能研究中心（CFAR），科技研究局（A*STAR））
AI总结 本文提出IKNO，一种通过无限阶核积分构建的神经算子，解决了传统模型因依赖一阶核积分而限制表达能力的问题，通过两种互补的构造方法实现了高效的全局信息聚合，并在多个基准数据集上取得了SOTA精度。
Maestro：通过强化学习协调分层模型-技能集合
机构 * Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学） ； Tongji University（同济大学）
AI总结 本文提出Maestro框架，通过强化学习协调多模态任务，利用分层模型-技能集合提升多模态任务性能，实现高效且通用的协调策略。
一句话，一出戏剧：通过多智能体系统实现个性化短剧生成
机构 * MedVisAI Lab, Lee Kong Chian School of Medicine, Nanyang Technological University（MedVisAI实验室，李光前医学院，南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Beijing Institute of Technology（北京理工大学） ； Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Guangming Laboratory（光明实验室）
AI总结 本文提出了一种多智能体框架，通过结构化中间模块和迭代优化，将用户的单句想法转化为完整短剧，解决了短剧生成中的叙事节奏、空间一致性及生产质量控制问题。
SPIRAL：通过反思规划代理实现自演化动作条件视频生成
机构 * Zhejiang University（浙江大学） ； KnowledgeXLab at Shanghai AI Lab（上海人工智能实验室知识X实验室） ； National University of Singapore（新加坡国立大学） ； Chinese Academy of Sciences（中国科学院） ； Tencent Youtu Lab（腾讯优设实验室） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学）
AI总结 本文提出SPIRAL框架，通过反思规划代理实现长时域动作条件视频生成，解决传统方法在长时间视频生成中的不足，通过闭环设计和自演化机制提升视频生成的一致性和准确性。
Comments 42 Pages, 21 Figures, Project page at https://yuyang-cloud.github.io/spiral
CentaurEval: 评估人机协同在编程中的价值
机构 * New York University Abu Dhabi（纽约大学阿布扎克校区） ； Nanyang Technological University（南洋理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） ； Zhejiang University（浙江大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing University of Technology（北京理工大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出CentaurEval基准测试，用于评估人机协同在编程中的价值。该基准测试通过协作必要问题模板，结合人类推理和AI效率，展示了人机协作在编程任务中的显著优势。
Comments Accepted by ICML 2026
Faithful-MR1: 通过锚定和强化视觉注意力实现忠实的多模态推理
机构 * AMAP, Alibaba Group（阿里云实验室，阿里巴巴集团） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Faithful-MR1框架，通过锚定和强化视觉注意力解决多模态推理中的忠实性问题，提升模型在多模态基准上的表现。
Comments 20 pages, 7 figures, 3 tables. Preprint
工业双臂箱体搬运 via 在线惯性估计和凸 wrench 优化
机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学）
AI总结 本文提出了一种摩擦感知的双臂箱体搬运框架，用于处理具有未知惯性特性的物体。通过在线估计物体质量和质心，并利用二次锥规划在椭球摩擦限制表面约束下计算摩擦可行的接触力和扭距，从而实现稳定的搬运。
Comments 14 pages, submitted to Robotics and Computer-Integrated Manufacturing (RCIM) Journal
动态潜在记忆混合用于自演化智能体
机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； University of Edinburgh（爱丁堡大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出MoLEM框架，通过动态混合专家机制实现智能体的持续学习，避免灾难性遗忘，提升任务学习和能力保持。
Comments 19 pages, 5 figures, 5 tables
EvoVid: 以时间为中心的自我进化用于视频大语言模型
机构 * School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； ByteDance（字节跳动）
AI总结 本文提出EvoVid，一种以时间为中心的自我进化框架，使视频大语言模型能够直接从未经标注的视频中改进。通过引入两个互补的时间感知奖励，即时间感知的问题生成奖励和时间基础的求解奖励，EvoVid在四个基础模型和六个基准测试中实现了优于基线模型和现有自我进化基线的改进，展示了时间为中心的自我进化在视频理解和推理中的有效性。
Comments Project page: https://huangshiqi128.github.io/EvoVid.io/
SDGBiasBench: 评估和减轻可持续发展目标中视觉-语言模型的偏见
机构 * Nanyang Technological University（南洋理工大学）
AI总结 本文提出SDGBiasBench，一个用于评估和减轻可持续发展目标中视觉-语言模型偏见的大型基准测试集，通过分析模型在决策和估计层面的偏见，提出CADE方法以减少偏见，提高模型的准确性和可靠性。
引导轨迹优化与稀疏缩放用于测试时间扩散
机构 * Guangdong University of Technology（广东工业大学） ； South China University of Technology（华南理工大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出RTS方法，通过奖励引导的噪声优化策略和稀疏测试时间缩放框架，提升扩散模型的生成性能，实验表明在GenEval和ImageReward指标上均优于现有方法。
何时教师标记可靠？用于推理的基于位置加权的在线自我蒸馏
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出了一种基于位置加权的在线自我蒸馏方法，用于改进推理任务中教师标记的可靠性，通过引入分支可行性诊断来识别教师标记的可靠性，并在不同模型上验证了其有效性。
Comments Pre-print. Code is available at https://github.com/SaFo-Lab/PW-OPSD
PhysX-Omni: 为刚体、变形体和关节物体统一的模拟准备物理3D生成
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室）
AI总结 本文提出PhysX-Omni，一种统一的模拟准备物理3D生成框架，通过开发针对视觉-语言模型的高效几何表示和首个通用模拟准备3D数据集PhysXVerse，以及评估生成和理解能力的PhysX-Bench，显著提升了生成和理解性能，推动下游应用如具身AI和物理模拟的发展。
Comments Project page: https://physx-omni.github.io/
超越单一广告位：多广告位保障型显示广告的联合优化
机构 * Nanyang Technological University（南洋理工大学） ； China Agricultural University（中国农业大学）
AI总结 本文提出了一种多广告位保障型显示广告的联合优化框架，解决了广告位冗余、合同不平衡和曝光集中等关键问题，通过离线 bipartite 匹配问题和合同轮盘机制，提升了广告商 ROI、平台收入效率和合同履行的鲁棒性。
Comments Accepted at SIGIR Industry Track 2026
频域正则化对抗对齐用于针对闭源大语言模型的可转移攻击
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出FRA-Attack，通过频域正则化方法解决对抗转移性问题，通过高通DCT目标和频率域梯度正则化提升跨模型的对抗转移能力。
探索代码分析：利用大语言模型进行语法和语义的零样本洞察
机构 * Singapore Management University（新加坡国立大学） ； Blekinge Institute of Technology（布莱金厄学院） ； Beihang University（北航） ； State Key Laboratory of Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室） ； The University of Tokyo（东京大学） ； University of Alberta（阿尔伯塔大学） ； Nanyang Technological University（南洋理工大学） ； Shenzhen Technology University（深圳技术大学）
AI总结 本文研究了大语言模型在代码分析中的应用，通过评估21种最先进的LLM在四种语言中的九项任务，揭示了LLM在语法解析、静态语义推断和动态推理方面的性能，发现其在跨语言泛化方面有优势，但动态推理仍有限，提出了一个经过验证的评估框架。
Comments Accepted at ACM Transactions on Software Engineering and Methodology (TOSEM)
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