高校专区
视觉令牌编解码器：为ViT特征编码释放空间冗余
机构 * School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； Pengcheng Laboratory（鹏城实验室） ； Ant Group（蚂蚁集团）
AI总结 针对ViT特征编码忽略二维补丁网格结构的问题，提出双路径视觉令牌编解码器VTC，在DINOv2、SAM3的分类等任务上，码率降低15.7-37.4倍且性能达未压缩的90%，表现优于基线。
Comments 13 pages, 9 figures
EvTrajGS：基于无姿态事件流的精确高效3D高斯溅射（Gaussian Splatting）方法
机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Guangdong Province Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education（机器智能与先进计算教育部重点实验室） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Computing and Information Technology, Great Bay University（大湾区大学计算与信息技术学院）
AI总结 本文提出EvTrajGS框架，针对无姿态事件流实现精确高效的3D高斯溅射，通过连续时间轨迹参数化、时间耦合姿态更新及损失加权事件采样，在提升重建与姿态精度的同时降低计算开销，性能优于现有方法。
说服倾向与顺从倾向预测人类及语言模型的群体决策
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）
AI总结 该研究引入DecisionQE框架，以狼人杀为测试平台，发现顺从倾向强的LLM在群体决策中合作优势更稳定，且顺从兼具支持合作与提升对抗角色隐藏能力的双重效应，为LLM安全评估提供了新视角。
学习物理交互：触觉与力感知机器人学习综述
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； ETH Zurich（苏黎世联邦理工学院） ； Harvard University（哈佛大学） ； Imperial College London（伦敦帝国学院） ； KTH Royal Institute of Technology（瑞典皇家理工学院） ； Technical University of Darmstadt（达姆施塔特工业大学）
AI总结 本综述针对力与触觉感知机器人学习研究的空白，提出TF-ART分类法，整合多模态感知与多阶段系统设计视角，兼具算法与实践意义。
Comments 53 pages, 7 figures
物理人工智能治理：跨越生命周期从理论到实践
机构 * Case Western Reserve University（凯斯西储大学） ； Shanghai Jiao Tong University（上海交通大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Columbia University（哥伦比亚大学） ； University of California, Riverside（加州大学河滨分校） ； Nanyang Technological University（南洋理工大学） ； New York University（纽约大学） ； Salesforce（Salesforce公司） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学）
AI总结 本文对物理人工智能治理进行全面综述，综合现有原则形成统一框架，提出五阶段生命周期，通过具体实践展示各阶段治理操作，为构建安全可信且符合社会价值的物理人工智能系统提供参考。
展示TOFFEE：一个大规模合成数据代理轨迹的学习系统
机构 * Nanyang Technological University（南洋理工大学） ； Huawei（华为） ； Industrial and Commercial Bank of China Limited（中国工商银行）
AI总结 针对现有数据代理难以适应新环境的问题，提出TOFFEE系统，通过蒙特卡洛树搜索等方法，能从给定数据环境合成高质量数据代理轨迹，可用于监督微调与上下文学习，还展示了系统框架、界面及工作流程与应用场景。
Comments Accepted to VLDB 2026
ContextSniper: AntTrail的令牌高效代码记忆用于仓库级程序修复
机构 * Huawei（华为） ； HKUST(GZ)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学）
AI总结 提出ContextSniper，一种令牌高效的代码记忆层，通过精准证据选择、混合检索排序和意图感知上下文门控，在SWE-bench Lite上减少51.5%令牌使用和36.4%成本，修复率仅轻微下降。
ATLAS: 大规模软件生态系统的智能体分类体系
机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Nankai University（南开大学） ； Sinosoft Company Limited（中软国际有限公司）
AI总结 提出ATLAS框架，结合LLM全局知识与实际仓库分布，通过智能体协作和自修正循环自动构建软件仓库的层次化分类体系，在54,387个GitHub仓库上评估，分类质量F1达83.13%，优于基线15个百分点。
Comments Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)
缓解量子去噪扩散概率模型中的 barren plateau 问题
机构 * School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机科学与数据科学学院） ； Research Institute of Quantum Technology, The Hong Kong Polytechnic University（香港理工大学量子技术研究所）
AI总结 本文研究了量子去噪扩散概率模型在大规模系统中的 barren plateau 问题，提出架构改进方案以恢复训练稳定性，并提出条件 QuDDPM 用于生成基态，扩展了量子生成模型在复杂量子态制备中的应用。
Comments 17 pages, 8 figures
Journal ref Physical Review A 114, 022418, August, 2026
FedDOSE：分解站点效应以建模脑动态功能连接的联邦学习框架
机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Indian Institute of Technology Ropar（罗帕尔印度理工学院）
AI总结 FedDOSE是分解站点效应的联邦学习框架，通过模块化引导Tucker分解等技术处理多站点fMRI的动态功能连接，在ASD和ADHD检测中性能优于现有方法。
超越孤立：解锁强化学习组件协同以实现样本高效的连续控制
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； Mila - Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； University of Oxford（牛津大学）
AI总结 该研究针对强化学习组件孤立问题，提出协调模型表示等三个维度的ROSER框架，在连续控制基准上性能优于基线及单纯堆叠方法，为样本高效智能体开发提供了整体设计思路。
Comments 27 pages including appendix, 10 figures, 12 tables
PDE基础模型的无监督适配
机构 * Nanyang Technological University（南洋理工大学） ； CFAR, A*STAR（新加坡科技研究局CFAR）
AI总结 针对PDE基础模型适配需密集解数据的问题，提出无监督微调框架，引入NSLoRA解决LoRA的物理量学习不均问题，在未见PDE上取得优异性能。
LLMRouter：用于开发、评估和部署LLM路由器的统一基础设施
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland, College Park（马里兰大学帕克分校） ； Nanyang Technological University（南洋理工大学） ； Purdue University（普渡大学） ； University of Illinois Chicago（芝加哥伊利诺伊大学）
AI总结 针对现有LLM路由器难以公平比较和扩展的问题，研究提出LLMRouter统一基础设施，构建含多类任务的基准xRouteBench，发现学习型路由器等的性能优势。
MemPrism：面向长程智能体的任务条件关系记忆视图
机构 * Nanyang Technological University（南洋理工大学） ； South China University of Technology（华南理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 该研究针对长程智能体记忆系统的表示不匹配问题，提出MemPrism任务条件关系记忆框架，经实验验证可提升长程任务性能、减少记忆消耗且视图策略可跨VLM迁移。
DATAREEL：基于动画的自动化数据驱动视频故事生成
机构 * York University（约克大学） ； Bangladesh University of Business and Technology（孟加拉国商业与技术大学） ； RBC, Canada（加拿大RBC） ； Nanyang Technological University（南洋理工大学） ； Salesforce AI Research（Salesforce人工智能研究）
AI总结 本文提出DataReel基准，通过328个真实故事评估模型生成动画数据视频故事的能力，采用多智能体框架提升自动化生成效果。
Comments Under Review
通过选择性上下文偏好优化学习何时信任
机构 * Duke University（杜克大学） ； National University of Singapore（新加坡国立大学） ； UC Berkeley（加州大学伯克利分校） ； UC Irvine（加州大学欧文分校） ； Northeastern University（东北大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本研究针对语言模型易受误导性外部信号影响的问题，提出SCOPE方法，在含四种条件的MIST基准上优化DPO目标，降低SC2W的同时保持正常上下文下的准确率，主张以选择性信任评判模型。
Comments Project Page at https://worldbench.github.io/scope GitHub Repo at https://github.com/worldbench/SCOPE HF Dataset at https://huggingface.co/datasets/worldbench/MIST-Bench
IcFuzz：基于语义阶段引导与多级变异的Isaac Sim模糊测试
机构 * Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） ； Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出首个针对Isaac Sim的模糊测试方法IcFuzz，通过LLM语义阶段分割、多级变异算子与多臂老虎机算法提升测试效果，在代码覆盖率与漏洞检测上优于基线，已发现11个漏洞且9个被确认修复。
Comments Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)
从经济智能体到智能体经济：经济世界模型的系统蓝图
机构 * Shenzhen Loop Area Institute（深圳河套学院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出经济世界模型（EWM）的六级能力阶梯实施蓝图，旨在加速可作为人类决策沙箱与AI智能体基础的下一代高保真经济模拟环境开发。
Comments Project page: https://github.com/FreedomIntelligence/Awesome-Economic-World-Models
SkillMemo：用于组合式具身操纵的专家引导技能记忆框架
机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Automation, Tsinghua University（清华大学自动化系） ； Nanyang Technological University（南洋理工大学） ； Beijing Normal University（北京师范大学）
AI总结 SkillMemo是一种专家引导的技能记忆框架，通过分解轨迹为技能基元并结合动态记忆库，提升了DP和VLA模型的组合泛化能力，在基准测试中达到最优性能。
PhyLatent：为JEPA世界模型学习与动力学相关的表征
机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航天工程学院） ； School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； The University of Sheffield（谢菲尔德大学）
AI总结 PhyLatent为JEPA世界模型设计训练目标，解决其三类失效模式，在OGBench-Cube等数据集上显著降低失效率、提升MPC成功率，证明全局非坍塌不足以学习可靠的JEPA状态空间。
Comments 16 pages, 5 figures
世界到手腕：面向精细机器人操作的任务条件未来手腕建模
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Sun Yat-sen University（中山大学） ； Xidian University（西安电子科技大学） ； Southeast University（东南大学）
AI总结 本研究提出W2-VLA模型，通过任务条件未来手腕建模结合W2-CoT辅助监督，在LIBERO等数据集及真实任务中提升了机器人精细接触敏感操作能力，动作生成速率超80Hz。
啄木鸟蒸馏：弱模型诊断强模型中的推理错误
机构 * Baidu Inc.（百度公司） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出Woodpecker Distillation框架，通过弱模型的局部干预对比学习，修复强模型的推理错误，在数学推理基准上提升了强模型性能且优于直接模仿基线。
CoCo：用于文本到图像预览和稀有概念生成的代码作为CoT
机构 * South China University of Technology（南方科技大学） ； StepFun ； Institute of Automation Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 CoCo通过代码驱动的推理框架，提升文本到图像生成的精度和可控性，实现结构化图像生成和稀有概念生成。
Comments 21 pages, 7 figures, and 3 tables. Accepted to ECCV 2026
面向无源时间序列预测的不变表示学习：以大语言模型为中心的代理去噪方法
机构 * East China Normal University（东华大学） ； Nanyang Technological University（南洋理工大学） ； Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学）
AI总结 本研究针对无源时间序列预测问题，提出以LLM为中心的TimeID框架，通过双分支不变解耦特征学习、代理去噪与知识蒸馏，在实际数据集上较最优基线平均降低MSE 10.7%、MAE 9.3%。
Comments Accepted by ICML2026
镜像审视：微调引发的副作用对齐偏差内省
机构 * Institute of Science Tokyo（东京科学大学） ； ZOZO Research（ZOZO研究所） ； Stanford University（斯坦福大学） ； Waseda University（早稻田大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究针对微调引发的副作用对齐偏差问题，提出了Delta感知内省适配器（DAIA），构建了对应数据集，实验显示DAIA性能优于现有内省适配器且泛化性良好。
MetaView：基于尺度感知隐式几何先验的单目新视图合成
机构 * Nanyang Technological University（南洋理工大学） ； Kolors Team, Kuaishou Technology（快手科技色彩团队） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 研究提出MetaView框架，结合隐式几何建模与少量显式3D线索，利用前馈几何感知网络隐式几何先验及度量深度，实现大视角下单目新视图合成，实验证明该方法在挑战性场景中显著优于现有方法且泛化能力强。
Comments accepted to ECCV 2026
RESample：通过探索性采样构建鲁棒数据增强框架用于机器人操控
机构 * Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Beijing University of Posts and Telecommunications（北京邮电大学）
AI总结 本文提出RESample框架，通过探索性采样机制提升VLA训练数据分布覆盖，有效解决分布外场景下的能力瓶颈问题，实验证明在LIBERO基准和真实机器人任务中性能提升12%。
Comments 8 pages, submitted to RA-L
学习诊断和纠正错误：大型语言模型中的道德敏感性获取
机构 * University of Mississippi（密西根州立大学） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； AWS AI Labs（AWS AI实验室） ； Johns Hopkins University（约翰霍普金斯大学） ； Qualcomm（高通） ； Michigan State University（密西根州立大学） ； Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）
AI总结 提出一种实用推理方法，通过让大型语言模型诊断和纠正道德错误来获取道德敏感性，并在多个任务上验证了其有效性。
动态目标攻击
机构 * The 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） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） ； Nanyang Technological University（南洋理工大学） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹科技大学） ； SUN YAT-SEN UNIVERSITY（孙中山大学）
AI总结 动态目标攻击通过利用目标模型自身响应作为自适应目标，提高了对抗攻击的成功率和效率。
结合增量知识的神经符号推理用于样本高效分层强化学习
机构 * NTU Singapore（新加坡南洋理工大学） ； IPAL, CNRS, France（法国IPAL-CNRS）
AI总结 本研究提出结合增量知识（InK）的神经符号分层强化学习，通过符号高层组件执行符号规划、低层神经模块学习运动原语，在导航任务中显著提升了样本效率，还开发了信念世界树搜索方法。
Comments Published in ECML-PKDD 2026
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