高校专区
搜索，不要猜测：教小语言模型成为有效的搜索代理
机构 * New York University（纽约大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学）
AI总结 本文通过评估复杂多跳推理任务，发现小语言模型（SLMs）虽参数较少，但检索工具使用更少且易产生幻觉。提出轻量级微调方法\policy，使SLMs能可靠检索并生成基于证据的答案，提升Bamboogle和HotpotQA性能17.3和15.3分，达到LLM水平。
Comments 13 pages, 5 figures
Paper Espresso：从论文过载到研究洞察
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 Paper Espresso通过大规模语言模型自动发现、总结和分析arXiv热点论文，揭示AI研究动态，包括强化学习的爆发、非饱和主题涌现及新颖性与社区参与度的正相关性。
Solar-VLM：用于增强太阳能发电预测的多模态视觉语言模型
机构 * North China Electric Power University（华北电力大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出Solar-VLM框架，通过融合时序观测、卫星图像和文本天气信息，提升太阳能发电预测的准确性，采用多模态编码器和图注意力网络捕捉空间依赖性。
FURINA：通过可扩展的多智能体协作流水线实现完全可定制的角色扮演基准
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The University of Hong Kong（香港大学） ； Stony Brook University（石溪大学） ； Nanyang Technological University（南洋理工大学） ； Datawhale Org.（Datawhale 组织） ； Independent Researcher（独立研究者）
AI总结 本文提出FURINA-Builder，一种可扩展的多智能体协作流水线，用于构建完全可定制的角色扮演基准。该基准支持多样化的场景和提示格式，通过智能体协作评估任意角色，并发现推理能力提升的同时 hallucinations 增加的新型权衡。
MSDformer：多尺度离散Transformer用于时间序列生成
机构 * Nanyang Technological University（南洋理工大学） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Tencent（腾讯） ； Peng Cheng Laboratory（鹏城实验室） ； Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院）
AI总结 MSDformer通过多尺度离散Transformer方法，解决传统DTM在捕捉复杂时间序列多尺度特征和理论指导方面的不足，提升生成质量。
基于元素的编队控制：从连续力学的统一视角
机构 * Department of Control Science and Engineering, College of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院控制科学与工程系） ； Shanghai Institute of Intelligent Science and Technology（上海智能科学与技术研究院） ； National Key Laboratory of Autonomous Intelligent Unmanned Systems（自主智能无人系统全国重点实验室） ； Frontiers Science Center for Intelligent Autonomous Systems, Ministry of Education（教育部智能自主系统前沿科学中心） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
AI总结 本文提出基于元素的统一框架，通过引入连续力学中的变形梯度概念，构建了编队控制的分布式控制律，实现平移、旋转、缩放和仿射变换等几何不变性。
Comments 14 pages, 4 figures
活动取证：一种全面的基准，用于定位视频中的篡改活动
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； 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） ； Jiangxi Provincial Key Laboratory of Multimedia Intelligent Processing（江西省多媒体智能处理重点实验室） ； Faculty of Engineering, Shenzhen MSU-BIT University（深圳北理莫斯科大学工程系） ； VinUniversity
AI总结 本文提出ActivityForensics基准，用于定位视频中被篡改的活动。该基准包含6000多个无缝融合的篡改视频片段，并引入了Temporal Artifact Diffuser方法，评估了多种最先进的伪造定位器。
Comments [CVPR 2026] The first benchmark for action-level deepfake localization
注意你的HEARTBEAT！Claw背景执行本质上使内存污染静默
机构 * Nanyang Technological University（南洋理工大学） ； Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR）） ； Johns Hopkins University（约翰斯·霍普金斯大学）
AI总结 研究揭示Claw个人AI代理中因心跳驱动背景执行导致的内存污染漏洞，通过MissClaw实验发现社会可信度驱动行为影响，内存污染可进入长期记忆并影响用户行为。
Comments 26 pages, 6 figures, 7 tables; identifies a vulnerability in the heartbeat mechanism of Claw systems with version-scoped evaluation (pre-fix OpenClaw, February 2026)
小心脚下：在杂乱环境中学习语义引导的运动
机构 * School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； School of Mechanical and Mining Engineering, The University of Queensland（昆士兰大学机械与采矿工程学院）
AI总结 本文提出SemLoco框架，通过结合软硬约束的强化学习方法，在杂乱环境中精准避障，提升机器人安全导航能力。
Comments Submitted to IROS 2026
PALM：通过具身理由推理进行长时间 horizon 肢体操作的进展感知策略学习
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； University of Oxford（牛津大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 PALM通过具身理由推理和子任务进展线索，改进长horizon机器人操作的策略学习，实现91.8%的成功率和更长的任务长度。
Comments CVPR 2026
针对LLM编码代理技能生态系统的供应链污染攻击
机构 * Griffith University（格里菲斯大学） ； The State Information Center（国家信息中心） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Wake Forest University（维克森林大学）
AI总结 本文研究了LLM编码代理技能生态系统中供应链攻击对行动空间的影响，提出DDIPE方法通过嵌入恶意逻辑到技能文档中实现隐式payload执行，实验显示其在强防御下可绕过11.6%-33.5%。
开环规划，闭环验证：VLA的推测验证
机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Nanyang Technological University（南洋理工大学） ； School of Cyber Science and Engineering, Southeast University（东南大学网络空间安全学院） ； Purple Mountain Laboratories（紫金山实验室）
AI总结 本文提出SV-VLA框架，结合高效开环长周期规划与轻量闭环在线验证，提升VLA在动态环境中的效率与可靠性。
Comments Under Review
PolyReal：一个用于现实世界聚合物科学工作流程的基准
机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） ； Tongji University（同济大学） ； The University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学）
AI总结 PolyReal是一个新的多模态基准，用于评估大规模语言模型在聚合物实验全流程中的能力，揭示了模型在实践任务上的不足，填补了评估空白。
文本平衡传播用于深度复合人工智能系统
机构 * Nanyang Technological University（南洋理工大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出文本平衡传播（TEP），通过局部学习原理解决长周期工作流中文本梯度爆炸和消失问题，提升深度复合AI系统的准确性和效率。
Comments Accepted to ICLR 2026
流媒体视频理解的简单基线
机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab）
AI总结 本文提出SimpleStream基线，通过滑动窗口仅使用最近N帧输入现成的VLM，在OVO-Bench和StreamingBench上表现优异，揭示了长上下文对性能的非线性影响及感知与记忆的权衡。
Comments Project page: https://simple-stream.github.io/
OmniWeaving：迈向统一视频生成的自由组合与推理
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出OmniWeaving模型，通过大规模预训练数据学习多模态组合与推理能力，引入IntelligentVBench基准测试，展示其在开放源码统一视频生成中的领先性能。
Comments 32 pages, 22 figures. Project Page: https://omniweaving.github.io. Github: https://github.com/Tencent-Hunyuan/OmniWeaving. Model: https://huggingface.co/tencent/HY-OmniWeaving
ExpertFlow：通过预测专家缓存和令牌调度实现高效的混合专家推理
机构 * CFAR, Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局CFAR） ； The Hong Kong University of Science and Technology, Hong Kong（香港科技大学） ； Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Hong Kong Baptist University, Hong Kong（香港浸会大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； The Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州））
AI总结 本文提出ExpertFlow，通过预测专家缓存和令牌调度实现高效的混合专家推理，减少GPU内存使用达93.72%，提升推理吞吐量达10倍。
Comments Accepted in DAC'26, Mixture-of-Experts, Inference, Offloading
HippoCamp：在个人电脑上对上下文代理进行基准测试
机构 * S-Lab, Nanyang Technological University, Singapore（新加坡南洋理工大学S-Lab）
AI总结 HippoCamp是一个新的基准，用于评估代理在多模态文件管理中的能力，通过用户为中心的环境建模个体用户档案并搜索大规模个人文件进行上下文感知推理，揭示了当前代理在真实环境中的局限性。
Comments Project Page: https://hippocamp-ai.github.io/
ReMoGen：通过多样化数据的模块学习实现实时的人际交互生成
机构 * ShanghaiTech University（上海科技大学） ； Guangzhou Institute of Energy Conversion, CAS（中国科学院广州能源研究所） ； University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文提出ReMoGen框架，通过模块化学习生成实时的人际交互反应，利用大规模单人动作数据集学习通用动作先验，并通过Meta-Interaction模块适应不同交互领域，实现高效且高质量的动作响应。
Comments accepted by CVPR 2026, project page: https://4dvlab.github.io/project_page/remogen/
连接结构化知识与数据：一个具有金融应用的统一框架
机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； ABFER（亚洲金融与经济研究局） ； CEPR（经济政策研究中心） ； NBER（美国全国经济研究所）
AI总结 本文提出SKINNs框架，结合神经网络与经济结构参数估计，通过约束条件提升模型一致性与泛化能力，在期权定价中提升估值与对冲表现。
Sparkle：一种稳健且多功能的点云基于人体动作捕捉表示
机构 * ShanghaiTech University（上海科技大学） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心）
AI总结 本文提出Sparkle，一种结合骨骼关节和表面锚点的结构化表示，通过层次模块学习几何连续性和运动学约束，实现高精度、鲁棒性和泛化能力。
Comments Accepted at ICLR 2026
GRASP: 通过主动共享感知实现多智能体协作优化的梯度重排
机构 * Dalian University of Technology（大连理工大学） ； 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）
AI总结 GRASP通过主动共享感知实现多智能体协作优化，定义广义Bellman均衡作为稳定目标，利用独立梯度推导共识梯度以提升收敛速度和协作性能。
AutoEG：在黑盒Web应用中利用已知的第三方漏洞
机构 * Singapore Management University（新加坡管理大学） ； Nanyang Technological University（南洋理工大学） ； Tianjin University（天津大学）
AI总结 本文提出AutoEG框架，通过自动化的多智能体方法生成Web应用漏洞利用方案，实现高成功率的漏洞利用测试。
Comments 21 pages, 18 figures
迈向大语言模型中可靠的真实性对齐不确定性估计
机构 * Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； Shanghai Jiao Tong University（上海交通大学）
AI总结 本文提出Truth AnChoring方法，通过将原始分数映射到事实对齐分数，解决不确定性估计指标在低信息区域的非判别性问题，提升大语言模型的可靠性。
棱镜假说：通过统一自编码和谐统一语义和像素表示
机构 * S-Lab, Nanyang Technological University（南洋理工大学S-Lab） ； SenseTime Research（商汤科技研究院）
AI总结 本文提出棱镜假说，通过创新的频率带调节器实现语义结构与像素细节的和谐统一，提升模型性能。
Comments Code link: https://github.com/WeichenFan/UAE
利用大型语言模型弥合稳定币跨领域透明度
机构 * Faculty of Information Technology, Monash University（莫纳什大学信息技术学院） ； School of Cyber Science and Engineering, Wuhan University（武汉大学网络空间安全学院） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） ； School of Business, Monash University（莫纳什大学商学院） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
AI总结 本文提出利用大型语言模型整合稳定币跨领域透明度，通过语义对齐发行披露与市场数据，揭示披露与可验证数据间的系统性差距，提升去中心化金融的自动化审计能力。
HUMOF：交互社交场景中的人体运动预测
机构 * ShanghaiTech University（上海科技大学） ； The University of Hong Kong（香港大学） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本文提出HUMOF方法，通过层次化交互特征表示和粗到细交互推理模块，提升复杂场景中人体运动预测的准确性，实现在四个公开数据集上的最佳性能。
Comments Accepted by ICLR 2026
情绪如何塑造大语言模型和代理的行为：一种机制性研究
机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 本文提出E-STEER框架，通过在隐藏状态中嵌入情绪作为可控变量，研究情绪对推理、生成、安全性和多步代理行为的影响，揭示情绪与行为之间的非单调关系。
Comments 15 pages, 11 figures
树集成的严谨解释
机构 * National University of Singapore（新加坡国立大学） ； Monash University（莫纳什大学） ； Nanyang Technological University（南洋理工大学）
AI总结 本文研究如何为随机森林和提升树这两种树集成方法计算严谨且逻辑严谨的解释，以增强人类决策者对模型预测的理解与信任。
Know-Show：在时空 grounded 推理上评估视频语言模型的基准测试
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 High-Performance Computing, Agency for Science, Technology and Research（新加坡科技研究局高性能计算研究所） ； Centre for Frontier AI Research, Agency for Science, Technology and Research（新加坡科技研究局前沿人工智能研究中心）
AI总结 Know-Show基准测试评估视频语言模型在时空 grounded 推理能力，通过五个互补场景揭示现有模型与人类推理的差距，并提出GRAM方法提升模型的细粒度 grounded 推理能力。
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