CLASE: A Hybrid Method for Chinese Legalese Stylistic Evaluation
CLASE：一种中文法律文本风格评估的混合方法
机构 * Nanyang Technological University（南洋理工大学）
AI总结 本文提出CLASE混合方法，通过结合语言特征和经验指导的LLM评估，提升法律文本风格质量，实验表明其比传统方法更符合人类判断。
Comments Accepted at LREC 2026
高校专区
Nanyang Technological University（南洋理工大学）
UniT: Unified Multimodal Chain-of-Thought Test-time Scaling
UniT：统一多模态思维链测试时扩展
机构 * Stanford University（斯坦福大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； Nanyang Technological University（南洋理工大学）
AI总结 提出UniT框架，通过多轮推理、验证和细化实现统一多模态模型的测试时扩展，实验表明短推理轨迹可泛化到长链，顺序思维链比并行采样更高效。
Comments CVPR 2026
TextResNet: Decoupling and Routing Optimization Signals in Compound AI Systems via Deep Residual Tuning
TextResNet：通过深度残差调优解耦和路由复合AI系统中的优化信号
机构 * Nanyang Technological University, Singapore（南洋理工大学） ； Jinan-NTU Green Technology Research Institute, China（济南-NTU绿色技术研究所） ； The University of British Columbia, Canada（不列颠哥伦比亚大学） ； Vector Institute, Canada（向量研究所）
AI总结 针对文本梯度优化器在深度链中因语义纠缠导致归因模糊的问题，提出TextResNet框架，通过前向加性语义增量、后向语义梯度分解、因果路由和密度感知调度实现信号解耦与精准路由，在复合AI系统中性能优于TextGrad且更稳定。
Comments Accepted by ICML2026
A Survey on 3D Skeleton Based Person Re-Identification: Taxonomy, Advances, Challenges, and Interdisciplinary Prospects
基于3D骨架的行人重识别综述：分类、进展、挑战与跨学科前景
机构 * College of Computing and Data Science, Nanyang Technological University (NTU), Singapore（南洋理工大学计算与数据科学学院，新加坡） ； Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly (LILY), NTU, Singapore（老龄化积极生活卓越研究中心（LILY），南洋理工大学，新加坡） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL), NTU, Singapore（阿里巴巴-南洋理工大学全球可持续发展企业实验室（ANGEL），南洋理工大学，新加坡）
AI总结 本文系统综述了基于3D骨架的行人重识别方法，提出了手工、序列和图建模三类分类法，并评估了监督、自监督和无监督学习范式下的最新技术，最后讨论了关键挑战与跨学科应用前景。
Comments Accepted by IJCAI 2026. A curated collection of valuable resources is available at https://github.com/Kali-Hac/3D-SRID-Survey
Power Battery Detection
动力电池检测
机构 * Yale University, USA（耶鲁大学，美国） ； Dalian University of Technology, China（大连理工大学，中国） ； Volkswagen Automotive Co., Ltd（大众汽车有限公司） ； X3000 Inspection Co., Ltd（X3000检测有限公司） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 针对动力电池X射线图像中极板端点定位任务，提出首个大规模基准PBD5K和点级分割模型MDCNeXt，通过多维度结构线索与状态空间模块提升检测精度。
Comments Accepted by International Journal of Computer Vision (IJCV). Code: https://github.com/NTU-AI4X/X-ray-PBD
Random Erasing vs. Model Inversion: A Promising Defense or a False Hope?
随机擦除 vs. 模型反演：有希望的防御还是虚假的希望？
机构 * Temasek Laboratories, Singapore University of Technology and Design（Temasek实验室，新加坡技术与设计大学） ； The Queen’s University Belfast（女王大学贝尔法斯特分校） ； Aarhus University（阿arhus大学） ； Nanyang Technological University (NTU)（南洋理工大学（NTU）；河内 Vin 大学） ； VinUniversity, Hanoi, Vietnam
AI总结 本文探索随机擦除（RE）作为防御模型反演攻击的方法，通过特征空间分析揭示其有效性，并在37种设置下实现隐私-效用权衡的最优性能。
Comments Accepted in Transactions on Machine Learning Research (TMLR). First two authors contributed equally
AC-LIO: Towards Asymptotic Compensation for Distortion in LiDAR-Inertial Odometry via Selective Intra-Frame Smoothing
AC-LIO：通过选择性帧内平滑实现激光雷达-惯性里程计中畸变的渐近补偿
机构 * State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University, China（信息工程测绘遥感国家重点实验室（LIESMARS），武汉大学，中国） ； Department of Mechanical Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校机械工程系） ； Electronic Information School, Wuhan University, China（武汉大学电子信息学院，中国） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子电气工程学院，新加坡）
AI总结 提出AC-LIO框架，通过渐近反向传播更新项并在收敛准则指导下补偿残余运动畸变，以最小计算开销提升离散状态LIO系统精度，在长期大尺度定位中平均RMSE降低30.4%。
Comments 11 pages, 9 figures
Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion
基于具体子空间学习的多任务模型融合干扰消除
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Sun Yat-sen University（中山大学） ； Alibaba Group（阿里巴巴集团） ； School of Information and Electronics, Beijing Institute of Technology（北京理工大学信息与电子学院） ； Nanyang Technological University（南洋理工大学）
AI总结 提出连续松弛离散子空间学习方法，通过元学习框架识别低维共享子空间，解决多任务模型融合中的参数冲突问题，在视觉和语言任务上验证有效性。
Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control
Instruct-Particulate: 基于运动学控制的可扩展前馈式3D物体关节化
机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Instruct-Particulate模型，通过运动学规范（部件描述、连接性、关节类型等）指导3D网格的关节分割和运动参数预测，利用异构数据集（15万+物体）训练，实现跨类别和AI生成网格的泛化。
Comments Project page: https://instruct-particulate.github.io/
PhysVLA: Towards Physically-Grounded VLA for Embodied Robotic Manipulation
PhysVLA：面向物理基础的VLA用于具身机器人操作
机构 * IIT Madras（印度理工学院马德拉斯分校） ； Nanyang Technological University（南洋理工大学）
AI总结 提出PhysVLA，一种即插即用的推理时框架，通过相位有限状态机和选择性欧拉-拉格朗日门，在不重新训练的情况下为任何冻结的VLA骨干注入物理约束，提升成功率、稳定性和轨迹效率。
Comments 9 pages, 5 figures, supplementary material included
Pix2Fact: When Vision Is Not Enough -- Benchmarking Fine-Grained VQA with Web Verification on High-Resolution Real-World Scenes
Pix2Fact: 当视觉不够时——基于网络验证的细粒度VQA基准测试
机构 * GADE Union (Global AI Data Experts Union)（GADE联盟（全球人工智能数据专家联盟）） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Cambridge University（剑桥大学） ； The University of Hong Kong（香港大学）
AI总结 本文提出Pix2Fact基准测试，通过高分辨率真实场景中的网络验证，评估细粒度视觉问答中的专家级视觉感知和知识搜索能力，发现现有模型在复杂任务中存在显著不足。
From Training to Generalization: Improving Moral Reasoning Through Pragmatic Inference
道德推理习得的语用推理：通过元语用链接实现泛化
机构 * Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校） ； Nanyang Technological University（南洋理工大学） ； University of Mississippi（密苏里大学） ； Northeastern University（东北大学） ； Qualcomm（高通公司） ； Michigan State University（密歇根州立大学）
AI总结 针对大语言模型在道德推理中泛化能力不足的问题，提出基于元语用链接和道德基础理论的语用推理方法，使模型获取道德推理目标与社会变量间的元语用链接，在三个任务上验证了其适应性和泛化性。
Estimation of Ground Reaction Forces from Kinematic Data during Locomotion
基于运动学数据估计行走过程中的地面反作用力
机构 * Nanyang Technological University（南洋理工大学） ； Agency for Science, Technology and Research（科技研究局） ； National Healthcare Group（国家健康集团）
AI总结 提出一种仅使用标记点运动捕捉数据估计地面反作用力的无测力台方法，通过16个身体段运动学计算质心并分解力分量，实验验证了可行性。
Distributional Biases in Post-Training: A Markovian Analysis of Reasoning Trajectories
后训练中的分布偏差：推理轨迹的马尔可夫分析
机构 * City University of Hong Kong（香港城市大学） ； Center for Advanced Intelligence Project, RIKEN（RIKEN高级智能研究中心） ； The Institute of Statistical Mathematics（统计数学研究所） ； University of Sydney（悉尼大学） ； CFAR and IHPC, Agency for Science, Technology and Research (A*STAR)（A*STAR的CFAR和IHPC） ； Nanyang Technological University（南洋理工大学） ； The University of Tokyo（东京大学）
AI总结 通过马尔可夫链模型分析后训练策略（如RLVR和ORM/PRM）如何强化高概率路径而遗忘稀有但关键的推理步骤，并证明探索策略（如拒绝简单实例和KL正则化）有助于保留稀有CoT。
Chronological Thinking in Full-Duplex Spoken Dialogue Language Models
全双工口语对话语言模型中的时间顺序思考
机构 * Nanyang Technological University（南洋理工大学） ； StepFun ； Mila
AI总结 提出Chronological Thinking机制，让全双工对话模型在听用户说话时增量推理，不增加延迟，提升响应质量。
Comments Accepted by SIGDIAL 2026
MASLab: A Unified and Comprehensive Codebase for LLM-based Multi-Agent Systems
MASLab：基于LLM的多智能体系统的统一全面代码库
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） ； Meta ； University of Michigan（密歇根大学） ； The University of Sydney（悉尼大学） ； Beihang University（北航） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学）
AI总结 提出MASLab代码库，集成20余种方法，提供统一环境与标准化评估，降低研究门槛，覆盖10+基准测试和8种模型。
Comments 18 pages, 11 figures
GIVE: Grounding Human Gestures in Vision-Language-Action Models
GIVE：在视觉-语言-动作模型中接地人类手势
机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室）
AI总结 针对VLA模型忽略手势导致意图理解不准的问题，提出GIVE方法，通过视觉和语义双路径增强手势理解，在真实HRI实验中目标识别准确率提升40%，任务成功率提升80%。
Comments Project page: https://luis-cloud-sg.github.io/GIVE-project/
PRISMR: Overcoming Parse Collapse in Multimodal Listwise Ranking via Parameterized Representation Internalization
PRISMR: 通过参数化表示内化克服多模态列表排序中的解析崩溃
机构 * Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； Independent Researcher（独立研究员）
AI总结 针对多模态长上下文场景中生成式列表排序的解析崩溃问题，提出PRISMR框架，用参数化结构条件替代临时上下文列表处理，通过轻量级超网络并行编码候选并生成LoRA权重，显著减少解析崩溃并提升排序性能。
TimeROME-DLM: Temporal Causal Tracing and Low-Rank Inference-Time Knowledge Editing for Masked Diffusion Language Models
TimeROME-DLM：掩码扩散语言模型的时间因果追踪与低秩推理时知识编辑
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出TimeROME-DLM，首个无需训练和梯度的推理时知识编辑框架，通过时间因果追踪定位关键坐标并应用低秩残差编辑，在保持模型性能的同时高效删除事实。
Pythagoras-Prover: Advancing Efficient Formal Proving via Augmented Lean Formalisation
Pythagoras-Prover: 通过增强型Lean形式化推进高效形式化证明
机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
AI总结 提出Pythagoras-Prover系列，包括自回归和扩散模型，通过课程SFT、动态过滤和增强型Lean形式化（ALF）扩展验证数据，在MiniF2F-Test上以更少参数超越DeepSeek-Prover-V2。
Comments Pythagoras-Prover: Technical Report
CineDance: Towards Next-Generation Multi-Shot Long-Form Cinematic Audio-Video Generation
CineDance: 迈向下一代多镜头长片电影级音视频生成
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Zhejiang University（浙江大学） ； The University of Tokyo（东京大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出CineDance-1M大规模多镜头长片音视频数据集，通过三阶段筛选流程和CineBench评估体系，实现高质量联合生成。
Goal2Pixel: Grounding Goals to Pixels for Vision-Language Navigation
Goal2Pixel: 将目标锚定到像素以实现视觉语言导航
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出Goal2Pixel范式，通过将连续环境中的视觉语言导航（VLN-CE）重新定义为可导航像素锚定，利用图像平面作为统一空间接口，预测可见导航像素并反投影为3D航点，结合可见性感知关键帧记忆和坐标感知辅助损失，在减少VLM调用次数的同时实现竞争性性能。
Comments 8 pages
BrainPro: Towards Large-scale Brain State-aware EEG Representation Learning
BrainPro：迈向大规模脑状态感知的脑电图表征学习
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Advanced Telecommunications Research Institute International（先进电信研究院） ； Southeast University（东南大学）
AI总结 提出BrainPro模型，通过检索式空间对齐和脑状态解耦模块，学习共享与特定状态表征，在9个公共BCI数据集上取得最优性能。
Comments 31 pages, 11 figures
Modality-Aware Feature Matching in Visual and Vision-Language Applications: A Comprehensive Survey
视觉与视觉-语言应用中的模态感知特征匹配：全面综述
机构 * School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； School of Computer Science and Informatics, Cardiff University（卡迪夫大学计算机科学与信息学院） ； School of Computing and Communications, Lancaster University（兰卡斯特大学计算机与通讯学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)（新加坡资讯研究院，科技研究局（A*STAR）） ； Department of Automation, Tsinghua University（清华大学自动化系）
AI总结 综述基于模态的特征匹配，涵盖传统手工方法和现代深度学习方法，重点讨论跨RGB、深度、3D点云、LiDAR、医学图像及视觉-语言模态的进展，突出模态感知技术。
Comments CSUR
UniIntervene: Agentic Intervention for Efficient Real-World Reinforcement Learning
UniIntervene：用于高效现实世界强化学习的智能干预
机构 * Nanyang Technological University（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 提出UniIntervene智能干预模型，通过检测低效探索并自主恢复策略至高价值状态，在真实机器人操作任务中平均成功率提升8.6%，人类干预减少57%。
Comments Project page: https://denghaoyuan123.github.io/UniIntervene-project/
Measuring Semantic Progress in Multi-turn Dialogue via Information Gain
通过信息增益衡量多轮对话中的语义进展
机构 * NTU Singapore（新加坡南洋理工大学） ； Amazon（亚马逊） ； Amazon Research, Tübingen, Germany（亚马逊研究院（德国图宾根））
AI总结 提出基于信息论的信息增益指标，通过高斯嵌入近似量化多轮对话中问题相关的语义进展，无需LLM推理，在多个基准上取得与人类判断一致的结果。
Comments Preprint. 26 pages
On the Limits of LLM-as-Judge for Scientific Novelty Assessment
论LLM作为评审在科学新颖性评估中的局限性
机构 * DeCLaRe Lab, Nanyang Technological University（德克莱实验室，南洋理工大学）
AI总结 本文通过构建RQ-Bench基准，发现LLM评审对模型生成的研究问题产生新颖性幻觉，而人类专家则持相反意见，揭示了LLM在评估科学新颖性时的可靠性问题。
Automated Creativity Evaluation of Language Models Across Open-Ended Tasks
语言模型在开放式任务中的自动化创造力评估
机构 * Raffles Institution（莱佛士书院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院） ； Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学人工智能医学中心）
AI总结 提出一种领域无关的自动化框架，通过语义熵和检索式多智能体评估，量化LLM在开放式任务中的发散与收敛创造力，并在问题解决、研究构思和创意写作三个领域验证其有效性。
Comments Accepted to ACL 2026 (Main Conference). 35 pages, 16 figures. Code: https://github.com/tanminsen/creativity-eval
One Jailbreak, Many Tongues: Learning Language-Insensitive Intention Representations for Multilingual Jailbreak Detection
一次越狱，多种语言：学习语言无关的意图表示用于多语言越狱检测
机构 * School of Cyber Science and Engineering, Sichuan University（四川大学网络空间安全学院） ； School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
AI总结 针对多语言LLM安全漏洞，提出MLJailDe框架，通过多语言回译数据增强和相对距离约束，实现跨语言越狱检测，F1达98.5%。
To Intervene or Not: Guiding Inference-time Alignment with Probabilistic Model Blending
干预还是不干预：通过概率模型混合指导推理时对齐
机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
AI总结 提出BlendIn框架，通过质量感知对齐和按可靠性加权混合模型知识，解决推理时对齐中指导有效性差异大的问题，在困难模型对上实现最高50%的性能提升。
Comments Accepted by ACL 2026
