Nanyang Technological University（南洋理工大学）

Exploration Matters for Escaping the Blur Trap in 3D Gaussian Splatting

探索对于摆脱3D高斯点渲染中的模糊陷阱至关重要

Chengbo Wang, Guozheng Ma, Jinhong Wu, Tie Ji, Yizhen Lao

机构 * Hunan University（湖南大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究3D高斯点渲染中模糊陷阱问题，通过数学分析确定其两种类型，提出随机播种和随机分割策略减轻模糊陷阱，经实验验证可有效克服该问题，实现高质量渲染。

Comments Project page: https://chengbo-wang.github.io/ExploreGS/

Does Robust VIO Need More Learning? Geometry-Verified Visual Measurements under Distribution Shift

鲁棒视觉惯性里程计需要更多学习吗？分布偏移下的几何验证视觉测量

Yangyang Ning, Shu Liang, Quanbo Ge, Tianchen Deng, Yuhua Qi, Shenghai Yuan

机构 * Tongji University（同济大学） ； Nanjing University of Information Science and Technology（南京信息工程大学） ； Shanghai Jiao Tong University（上海交通大学） ； Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究分布偏移下鲁棒视觉惯性里程计是否需更多学习，提出最小学习立体VIO框架，将学习限于视觉测量生成，结合几何验证等，实验表明该方法在多种场景下准确稳定，精心集成学习视觉测量更有效。

ConceptTree: Bringing Semantic Transparency to Black-Box Decision Making for Robotic Manipulation

ConceptTree：为机器人操作的黑箱决策带来语义透明度

Yongyan Wen, Feifan Liu, Jinyi Chen, Bo An, Peng Liu, Siyuan Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究长期机器人操作中可解释决策问题，提出ConceptTree框架，将高级技能选择重构为基于视觉观察的概念推理。该方法学习归一化概念空间并训练决策树，实验表明其优于现有基线，支持细粒度干预以纠正决策错误。

A2RL V\textsubscript{max}: The A2RL autonomous racing dataset for long-range, high-speed perception and multi-vehicle interaction

A2RL V下标max：用于远程、高速感知和多车辆交互的A2RL自动驾驶数据集

Marvin Klemp, Dominic Ebner, Cornelius Schröder, Davide Malvezzi, László Turányi, Riccardo Donati, Ilia Schminik, Xia Ning, Yanxin Zhou, Matthew Flagg, Christoph Stiller, Markus Lienkamp, Marko Bertogna, Gergely Bári, Andreas Birk, Ren Jin, Chen Lv, Johannes Betz

机构 * Institute of Measurement and Control Systems, Karlsruhe Institute of Technology（测量与控制系统研究所，卡尔斯鲁厄理工学院） ； Institute of Automotive Technology, Technical University of Munich（汽车技术研究所，慕尼黑工业大学） ； Professorship of Autonomous Vehicle Systems, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑工业大学） ； University of Modena and Reggio Emilia（摩德纳大学和雷焦艾米利亚大学） ； Humda Lab, Széchenyi István University（胡姆达实验室，塞切尼·伊什特万大学） ； Politecnico di Milano（米兰理工大学） ； Constructor University（康斯坦丁大学） ； Beijing Institute of Technology（北京理工大学） ； Nanyang Technological University（南洋理工大学） ； Code 19 Racing（代码19赛车） ； Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑机器人与机器智能研究所（MIRMI），慕尼黑工业大学） 纠错

AI总结 介绍A2RL V下标max开源数据集，专为高速自动驾驶和多车辆交互感知任务设计，含多样场景数据及专业标注激光雷达点云，以开发者友好格式提供，还对相关检测和跟踪方法做了实现与评估。

Comments 8 pages

CoCurve: Cross-Module Co-Pruning Curvature for Training-Free Structured LLM Pruning

CoCurve：用于无训练结构化大语言模型剪枝的跨模块协同剪枝曲率

Zhiren Gong, Zihao Zeng, Zijie Wang, Tiantong Wang, Chau Yuen, Wei Yang Bryan Lim

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学跨学科研究生项目） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） 纠错

AI总结 研究针对大语言模型结构化剪枝中独立评分单元不合理的问题，提出CoCurve方法，通过二阶泰勒展开得到Fisher矩阵计算协同剪枝曲率边，联合修剪注意力和FFN单元，仅用M次前向传播求解预算二次规划，无需标签、微调等完成剪枝。

Should Missing Modalities Always Be Necessary to Repair for Multi-modal Sentiment Analysis?

多模态情感分析中缺失模态总是需要修复吗？

Yubo Gao, Haotian Wu, Xiaoyu Xu, Yibo Yan, Hong Chen, Ruoshui Peng, Fei Pan, Puay Siew Tan, Zhuoran Gao, Yonghua Hei, Jie Zhang, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； Nanyang Technological University（南洋理工大学） ； Singapore Institute of Manufacturing Technology, A*STAR（新加坡制造技术研究所，新加坡科技研究局） ； Lingnan University（岭南大学） 纠错

AI总结 研究多模态情感分析中缺失模态是否总需修复，提出SIEVE方法，通过比较直接预测与修复分支，从样本损失差距得经验充分性信号，经证据门路由输入，与修复无关，实验证明其能改进修复主干并接近最优值。

Apple-$π$: Benchmarking Thinking with Video Towards Law-Grounded Physical Intelligence

Apple-$π$：基于视频对基于法律的物理智能进行思维基准测试

Runmao Yao, Kairui Hu, Yukang Cao, Ruisi Wang, Shulin Tian, Ziang Cao, Weichen Fan, Ziqi Huang, Yuhao Dong, Hao Li, Zhaoxi Chen, Zhongang Cai, Lei Yang, Ziwei Liu

机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab） ； The Chinese University of Hong Kong（香港中文大学） 纠错

AI总结 研究针对视频模型评估仅看输出层面的不足，提出Apple-PI基准，含数据集、协议和评估套件三部分，通过对11个模型测试发现其距可靠世界模拟器差距大，并揭示了一些瓶颈与差距，为指导视频模型发展提供诊断基础。

AoA: Theorem Proving Agent over Abstract Syntax Tree of Redesigned Language

AoA：基于重新设计语言抽象语法树的定理证明智能体

Qiyuan Xu, Joshua Ong Jun Leang, Renxi Wang, Wenda Li, Haonan Li, Luke Ong, Conrad Watt

机构 * Nanyang Technological University Singapore（南洋理工大学新加坡分校） ； Imperial College London London, UK（伦敦帝国理工学院伦敦分校） ； University of Edinburgh Edinburgh, UK（爱丁堡大学爱丁堡分校） 纠错

AI总结 研究针对交互式定理证明中人工操作限制可扩展性及基于LLM的证明智能体成本高的问题，提出将智能体从源文本提升到抽象语法树的方法，实现了AoA，在多个方面有显著提升且解决更多难题。

Comments 13 pages

On Hardware-Aware Design and Optimization of Edge Intelligence

论边缘智能的硬件感知设计与优化

Shuo Huai, Hao Kong, Xiangzhong Luo, Di Liu, Ravi Subramaniam, Christian Makaya, Qian Lin, Weichen Liu

机构 * School of Computer Science and Engineering, Nanyang Technological University, Singapore（南洋理工大学计算机科学与工程学院） ； HP-NTU Digital Manufacturing Corporate Lab, Nanyang Technological University, Singapore（南洋理工大学HP-NTU数字制造企业实验室） ； Department of Computer Science, Norwegian University of Science and Technology, Norway（挪威技术大学计算机科学系） ； HP Inc., Palo Alto, California, USA（惠普公司） 纠错

AI总结 研究边缘智能系统设计难题，通过深入探究模型压缩和神经架构搜索等硬件感知技术来实现高效设计，并探讨了该范式面临的挑战。

Comments Author's accepted version. Published in IEEE Design & Test

Journal ref IEEE Design & Test, vol. 40, no. 6, pp. 149-162, December 2023

RobustMAD: Evaluating Real-World Robustness of Multimodal Small Language Models for Deployable Anomaly Detection Assistants

RobustMAD：评估用于可部署异常检测助手的多模态小语言模型的现实世界鲁棒性

Anushiya Arunan, Xin Li, Yan Qin, U-Xuan Tan, Nhu Khue Vuong, Xiaoli Li, Chau Yuen

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局） ； Nanyang Technological University（南洋理工大学） ； Chongqing University（重庆大学） 纠错

AI总结 研究针对多模态小语言模型现场部署的鲁棒性评估问题，开发RobustMAD基准测试，通过多种开放式查询评估模型，发现最佳模型虽有潜力但仍存差距及三种失败模式，为下一代多模态工业检测助手设计提供指导。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR), 2026 at https://openreview.net/forum?id=skrA9UYNIZ

It Takes 8 Tokens: Weak-to-Strong Off-Policy RL via Auxiliary Branches

需要8个令牌：通过辅助分支实现从弱到强的离策略强化学习

Dayu Wang, Jiaye Yang, Weikang Li, Jiahui Liang, Liwei Qian, Xin Pei, Jizhou Huang

机构 * Baidu Inc.（百度公司） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 研究针对可验证奖励强化学习中目标模型样本语义冗余问题，提出从弱到强学习范式，引入W2SPO方法，通过注入短辅助段指导策略探索，实验表明该方法在数学推理基准测试中性能优异，能提升训练速度和准确率。