Nanyang Technological University（南洋理工大学）

MMOE: Modernizing Diffusion Transformers with Efficient Expert Design

MMOE：通过高效专家设计使扩散变压器现代化

Yanhao Jia, Jiepeng Wang, Haibin Huang, Chi Zhang, Erik Cambria, Xuelong Li

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） ； Institute of Artificial Intelligence of China Telecom (TeleAI)（中国电信人工智能研究院） 纠错

AI总结 研究AIGC基础模型中扩散变压器未平衡质量与成本问题，提出MMOE对其现代化改造，将多种专家设计应用于AIGC生成，实验表明MMOE能达更好质量成本平衡，使AIGC基础模型可循大语言模型平衡扩展路径。

Comments 13 pages, 5 figures

Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations

一致证据，稳健识别：几何变换下的忠实归因正则化

Xianghao Jiao, Ruoyu Chen, Wei Wang, Jiazi Hu, Jiawei Liang, Shangquan Sun, Shiming Liu, Qunli Zhang, Xiaochun Cao

机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络科学与技术学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Automation, Nanjing University of Information Science and Technology（南京信息工程大学自动化学院） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

AI总结 研究针对归因方法在几何变换下的不足，提出基于图像区域子模搜索的无注释归因正则化框架，通过子模排序损失正则化归因及证据选择过程，实验表明该方法能提升归因稳定性且性能损失小。

Offline-Online Curriculum RL for Multimodal Reasoning

用于多模态推理的离线-在线课程强化学习

Wendi Deng, Hang Du, Guoshun Nan, Haokun Tian, Jiaqi Yu, Xinlei Cao, Jaile Li, Jingfeng Chen, Ling Deng, Ting Li, Hao Yang, Jun Liu, Xudong Jiang, Sicong Leng

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； BUPT Shenzhen Institute（北京邮电大学深圳研究院） ； Carnegie Mellon University（卡内基梅隆大学） ； Lancaster University（兰卡斯特大学） ； Nanyang Technological University（南洋理工大学） ； China Telecom Corporation Limited Sichuan Branch（中国电信股份有限公司四川分公司） ； Changsha University of Science & Technology（长沙理工大学） 纠错

AI总结 研究多模态推理中模型中间步骤有缺陷的问题，提出$O^2$-CritiCuRL框架，通过离线多步展开分析和在线渐进式强化学习策略，区分关键与冗余步骤，提升模型性能及训练和推理效率。

LEACL: LLM-Enhanced Automatic Curriculum Learning for Reinforcement Learning in Long-Horizon Manipulation Tasks

LEACL：用于长时程操作任务强化学习的大语言模型增强自动课程学习

Faraz Heravi, James Ouyang, Zifan Xu, Arjun Kumar, Yoonchang Sung, Peter Stone

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Nanyang Technological University（南洋理工大学） ； Sony AI（索尼人工智能） 纠错

AI总结 针对长时程操作任务强化学习挑战，提出LEACL框架，结合大语言模型与自动课程学习，用大语言模型分解任务并生成规范，由自动课程学习算法仅依稀疏奖励信号指导学习，在相关任务上取得更好渐近性能。

Comments 8 pages, 4 figures, Published in the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2026

TRE: Training-Free Hallucination Detection for Diffusion Language Models

TRE：用于扩散语言模型的无训练幻觉检测

Pengcheng Weng, Yanyu Qian, Yue Tan, Yixin Liu

机构 * University of Bern（伯尔尼大学） ； Nanyang Technological University（南洋理工大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 针对扩散语言模型的幻觉问题，现有方法有局限。本文提出无训练的TRE指标，通过在模型解码过程中沿时空维度提取熵信号来估计幻觉风险，经实验验证其性能有竞争力，具有泛化性、效率和鲁棒性等优点。

Comments 25 pages

Execution-Grounded Security Testing for Coding Agents in Software Engineering Pipelines

软件工程流水线中编码代理的基于执行的安全测试

Yifei Ge, Weisong Sun, Jinkun Xiao, Yuchen Chen, Yebo Feng, Peizhuo Lv, Xia Feng, Chunrong Fang, Zhihong Zhao, Zhenyu Chen, Yang Liu

机构 * Nanjing University（南京大学） ； Nanyang Technological University（南洋理工大学） ； Hainan University（海南大学） 纠错

AI总结 研究针对软件工程流水线中编码代理的安全问题，提出基于执行的红队测试框架，利用沙盒证据探测安全边界，将不安全操作嵌入工作负载并借助执行预言机优化，通过实验大幅增加不安全执行验证率，凸显编码代理需更强安全测试。

Comments Preprint. 12 pages, 6 figures