高校专区
FusionFactory: 融合多LLM日志数据中的大语言模型能力
机构 * 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） ； Meta Monetization AI（Meta 变现人工智能） ； NVIDIA（英伟达）
AI总结 提出FusionFactory框架，通过查询级、思维级和模型级融合策略，利用多LLM日志数据提升模型性能，在14个基准测试中均优于最佳单模型。
Journal ref TMLR 2026
视频推理模型是否已准备好走向户外？
机构 * NTU Singapore（新加坡国立大学） ； Korea University（韩国大学）
AI总结 本文提出ROVA框架，通过时空腐蚀建模提升模型鲁棒性，并引入PVRBench基准测试真实环境扰动下的性能，验证了ROVA在准确性和推理质量上的显著提升。
Comments Project Page: https://robust-video-reason.github.io/, accepted by ECCV 2026
激励感知的AI监管：一个信度特征刻画
机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Department of Statistics, LMU Munich（慕尼黑大学统计系） ； UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学UvA-Bosch Delta实验室） ； Nanyang Technological University（南洋理工大学）
AI总结 提出机制设计框架，通过信度集刻画非合规证据分布，实现完美市场结果（PMO）的充要条件，并验证于虚假特征与公平性监管。
FeRA: 面向高效扩散自适应微调的频率能量约束路由
机构 * 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） ； Nanyang Technological University（南洋理工大学） ； vivo ； Tencent（腾讯） ； Nanjing University（南京大学）
AI总结 提出FeRA框架，通过揭示扩散模型去噪过程中的频率能量机制，利用频率能量指示器、软频率路由和频率能量一致性正则化，实现参数更新与内在频率能量进程对齐，从而高效稳定地微调扩散模型。
Driver-WM：以驾驶员为中心的交通条件潜在世界模型用于车内动态展开
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Hubei University, Wuhan, China（湖北大学，武汉，中国） ； Osaka University, Osaka, Japan（大阪大学，大阪，日本）
AI总结 提出Driver-WM，一种以驾驶员为中心的潜在世界模型，通过门控因果注入机制在紧凑潜在空间中联合预测驾驶员物理运动、行为和情感，实现外部交通到内部动态的因果展开。
Comments Accepted to the 19th European Conference on Computer Vision (ECCV 2026). This version includes the supplementary material
DIVER：强化扩散突破端到端自动驾驶的模仿瓶颈
机构 * School of Artificial Intelligence (School of Software), Yanshan University（燕山大学人工智能学院（软件学院）） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大数据挖掘与具身智能关键实验室，北京交通大学计算机科学与技术学院） ； Horizon Robotics（地平线机器人） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； University of Macau（澳门大学） ； School of Electrical Engineering and Computer Science, The University of Queensland（昆士兰大学电子工程与计算机科学学院）
AI总结 DIVER通过融合强化学习与扩散生成，生成多样化可行轨迹，提升自动驾驶的泛化能力，解决模仿学习中的模式崩溃问题。
Comments 17 pages, 10 figures
DMind Benchmark：面向Web3领域LLM能力的全面评估
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出DMind Benchmark，覆盖Web3九个子领域，结合客观知识与开放推理任务，评估31个LLM，发现模型在安全审计等高推理任务中存在显著弱点。
通过层间一致性聚合缓解大型视觉-语言模型中的幻觉
机构 * Peking University（北京大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Virginia Tech（弗吉尼亚理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； De Artificial Intelligence Lab（人工智能实验室）
AI总结 提出训练无关的解码方法DCLA，通过聚合前层表示构建动态语义参考并纠正语义偏差层，增强层间一致性，在多个LVLM和基准上显著降低幻觉。
通用反应条件的贝叶斯优化
机构 * Institute of Chemical and Bioengineering, Department of Chemistry and Applied Biosciences, ETH Zurich（苏黎世联邦理工学院化学与生物工程学院，化学与应用生物科学系） ； NCCR Catalysis, Switzerland（瑞士催化联合体） ； Department of Chemistry, University of Toronto（多伦多大学化学系） ； Vector Institute, Toronto, Canada（多伦多向量研究所） ； Department of Biological Chemistry & Molecular Pharmacology, Harvard Medical School（哈佛医学院生物化学与分子药理学系） ； Dana-Farber Cancer Institute, Boston, MA, USA（波士顿马萨诸塞州 Dana-Farber 癌症研究所） ； School of Chemistry, Chemical Engineering and Biotechnology, Nanyang Technological University（南洋理工大学化学系、化工与生物技术学院） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Department of Chemical Engineering and Applied Chemistry, University of Toronto（多伦多大学化学工程与应用化学系） ； Department of Materials Science and Engineering, University of Toronto（多伦多大学材料科学与工程系） ； Acceleration Consortium, University of Toronto（多伦多大学加速联盟） ； Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究研究院） ； Institute of Medical Science, Medical Sciences Building, Toronto, Canada（多伦多大学医学科学研究院，医学科学大楼） ； NVIDIA, Toronto, Canada（多伦多NVIDIA） ； Department of Computer Science, Western University（温哥华大学计算机科学系）
AI总结 提出CurryBO框架，通过curried函数的贝叶斯优化实现通用反应条件的高效搜索，在多个基准上显著提升样本效率。
VolSplat: 重新思考基于体素对齐预测的前馈式3D高斯泼溅
机构 * Zhejiang University（浙江大学） ； GigaAI ； University of Electronic Science and Technology of China（电子科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学） ； The University of Adelaide（阿德莱德大学） ； Nanyang Technological University（南洋理工大学） ； Monash University（莫纳什大学）
AI总结 针对前馈式3D高斯泼溅中像素对齐预测的局限性，提出体素对齐的VolSplat方法，通过从预测的3D体素网格直接预测高斯，实现鲁棒的多视图一致性和更优的几何与渲染质量。
Comments ECCV 2026, Project Page: https://lhmd.top/volsplat, Code: https://github.com/ziplab/VolSplat
TIDAL: 时间交错扩散与动作循环用于高频VLA控制
机构 * Institute for Infocomm Research (I$^2$R), A*STAR, Singapore（信息通信研究所（I²R），A*STAR，新加坡） ； Tsinghua University, Beijing, China（清华大学，北京，中国） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡）
AI总结 提出TIDAL分层框架，通过双频架构解耦语义推理与高频执行，实现边缘硬件上约9Hz控制更新，在动态拦截任务中性能提升2倍。
RoDyn: 驯服交互式机器人动态2.5D世界模型用于机器人操作
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Tsinghua University, Beijing, China（清华大学，北京，中国）
AI总结 提出RoDyn，一种几何感知的2.5D世界模型，通过机器人动态分词器和掩码引导自回归架构，在高效潜在空间中建模环境动态，提升生成保真度并显著改善下游强化学习和模仿学习性能。
具有最优性和稳定性保证的安全学习控制
机构 * Shenzhen Key Lab for Advanced Motion Control and Modern Automation Equipments, School of Intelligence Science and Engineering, Harbin Institute of Technology, Shenzhen, Guangdong 518055, China（深圳先进 motion 控制与现代自动化装备重点实验室，智能科学与工程学院，哈尔滨工业大学，深圳，广东 518055，中国） ； School of Data Science, Lingnan University, Hong Kong（数据科学学院，岭南大学，香港） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（电气与电子工程学院，南洋理工大学，新加坡） ； MIT CSAIL
AI总结 针对非线性系统在高相对度状态约束和未知扰动下的强化学习控制，提出高阶倒数型控制障碍函数处理约束，并通过梯度相似性概念和自适应机制在保证安全的同时提升性能。
Comments 16 pages, 6 figures
自生成：一种自我进化代理协议
机构 * Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） ； City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本文提出了一种自生成协议（AGP），该协议通过分离进化内容与进化过程，解决了现有代理协议在跨实体生命周期管理、版本追踪和安全更新接口方面的不足。基于AGP，作者展示了自生成系统（AGS），该系统能够动态实例化、检索和优化协议注册的资源，通过多个具有长视界规划和工具使用的挑战性基准测试，验证了代理资源管理和闭环自我进化的有效性。
TMPO：用于多样化和高效扩散对齐的轨迹匹配策略优化
机构 * Huazhong University of Science and Technology（华中科技大学） ； Kuaishou Technology（快手科技） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学）
AI总结 本文提出TMPO，通过轨迹级奖励分布匹配提升扩散模型生成多样性，采用Softmax-TB目标和动态随机树采样，有效减少训练时间并提升性能。
你的凭证如何被LLM智能体技能泄露：一项实证研究
机构 * Griffith University（格里菲斯大学） ； Wake Forest University（威克森林大学） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Zhejiang Sci-Tech University（浙江科技学院） ； The University of Tokyo（东京大学） ； University of Alberta（阿尔伯塔大学） ； Independent Researcher（独立研究者）
AI总结 首次大规模实证研究LLM智能体技能中的凭证泄露问题，通过分析170,226个技能样本，识别出520个受影响技能和10种泄露模式，发现76.3%的案例需跨模态分析，调试日志占73.5%的漏洞，89.6%的泄露凭证可立即利用。
Comments Accepted to ASE 2026 (The 41st IEEE/ACM International Conference on Automated Software Engineering)
通过先验映射协同进化训练扩散策略
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； CFAR Agency for Science Technology and Research（科技研究局（CFAR）） ； IHPC Agency for Science Technology and Research（科技研究局（IHPC））
AI总结 提出GoRL框架，通过将策略优化限制在易处理的潜空间，同时用条件生成解码器合成动作，解耦优化与生成，实现稳定优化与表达力提升，在连续控制任务上显著超越基线。
Comments Ver 3 (Accepted as a conference paper by ICML 2026)
骨架到图像编码：通过视觉预训练模型实现骨架表示学习
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Lancaster University（兰卡斯特大学） ； Hebei University of Technology（河北工业大学） ； Nanyang Technological University（南洋理工大学） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； VinUniversity（文大学）
AI总结 提出S2I编码，将骨架序列转换为图像状数据，首次利用视觉预训练模型进行自监督骨架表示学习，统一异构骨架格式，在多个数据集上验证了有效性。
Comments Submitted to IJCV, under review
基于集合与基于分布的认知不确定性表示：一项比较研究
机构 * KU Leuven（库勒芬大学） ； Nanyang Technological University（南洋理工大学） ； College of Computing and Data Science（计算与数据科学学院） ； Department of Computer Science（计算机科学系） ； Oxford Brookes University（奥xford布鲁克斯大学）
AI总结 本文通过控制实验，比较了基于集合（credal集）和基于分布（后验参数分布）的认知不确定性表示方法，发现两者在选择性预测和分布外检测等任务中表现可比，揭示了表示选择对不确定性感知性能的影响。
Comments Accepted by The Forty-Second Conference on Uncertainty in Artificial Intelligence (UAI 2026)
最优Token基线：长程LLM-RL的方差缩减
机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Hong Kong University of Science（香港科学大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Vector Institute（向量研究所）
AI总结 针对长程LLM-RL训练中梯度方差爆炸问题，从第一性原理推导最优Token基线，提出仅用前向概率近似梯度范数的Logit-Gradient Proxy，以N=4分组达到N=32性能，减少65%以上Token消耗。
面向海港电力物流调度的决策聚焦持续学习：跨不同任务的泛化
机构 * College of Smart Energy, Shanghai Jiao Tong University（上海交通大学智能能源学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School of Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电气工程学院） ； Dyson School of Design Engineering, Imperial College London（伦敦帝国理工学院戴森设计工程学院）
AI总结 针对预测-优化框架在任务变化时泛化差的问题，提出基于Fisher信息正则化的决策聚焦持续学习框架，通过可微凸代理稳定梯度，实现跨任务决策对齐的在线学习，在裕廊港实验中提升决策性能并降低计算成本。
Comments Preprint to IEEE Transactions on Smart Grid
QAMO: 面向语音深度伪造检测的质量感知多质心单类学习
机构 * Nanyang Technological University, Singapore（南洋理工大学, 新加坡） ； National University of Singapore, Singapore（新加坡国立大学, 新加坡） ； The Hong Kong Polytechnic University, Hong Kong（香港理工大学, 香港）
AI总结 提出QAMO方法，通过引入多个质量感知质心扩展单类学习，利用语音质量评分（MOS）建模真实语音的类内变异性，实现更优的深度伪造检测。
Comments Accepted by INTERSPEECH 2026
Detail++: 文本到图像扩散模型的免训练细节增强器
机构 * AGI Lab, Westlake University（AGI实验室，西lake大学） ； Nanyang Technological University（南洋理工大学）
AI总结 提出免训练框架Detail++，通过渐进式细节注入策略分解复杂提示词，利用自注意力布局控制与交叉注意力质心对齐损失，提升多主体复杂提示下的生成质量。
CuDi: 曲线蒸馏实现高效可控曝光调整
机构 * VCIP, CS, Nankai University（VCIP、计算机科学系、南开大学） ； S-Lab, Nanyang Technological University（S实验室、南洋理工大学）
AI总结 提出曲线蒸馏方法CuDi，无需配对或未配对数据，通过高阶曲线切线逼近加速推理、减小模型，并利用自监督空间曝光控制损失实现全局或局部曝光调整，单模型同时校正欠曝和过曝图像。
Science Earth: 迈向面向AI原生科学发现的行星级操作系统
机构 * Department of Pathology, Department of Genetics, Stanford University School of Medicine（病理学系、遗传学系，斯坦福大学医学院） ； Princeton AI Lab, Department of Electrical & Computer Engineering, Princeton University（普林斯顿人工智能实验室、电气与计算机工程系，普林斯顿大学） ； Scripps Research, La Jolla, CA, USA（斯克里普斯研究机构，洛杉矶，加利福尼亚州，美国） ； Division of Biostatistics, Department of Population Health, New York University Grossman School of Medicine（生物统计学部、人口健康系，纽约大学格罗斯曼医学院） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Physics, Princeton University（物理系，普林斯顿大学）
AI总结 提出Science Earth行星级科学运行时，通过EACN协议实现AI能力动态连接与自组织协作，在跨太平洋Kuramoto同步研究和单细胞分析中验证了分布式自校正科学推理。
Comments Withdrawn by the authors. (1) The author list and authorship roles had not been finalized and agreed upon by all listed authors prior to submission. (2) The specific contribution of the system in the K3 synchronization example (Section on Kuramoto/nonlinear physics) requires further validation before it can be reported. The authors are addressing both points and may resubmit a corrected version.
协作多模态编码用于高质量3D生成
机构 * S-Lab, Nanyang Technological University, Singapore（南洋理工大学S实验室） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 提出TriMM，首个前馈式3D原生生成模型，通过协作多模态编码融合RGB、RGBD和点云特征，结合辅助2D/3D监督和三平面潜在扩散模型，实现高质量3D资产生成。
TetriServe: 高效服务混合DiT工作负载
机构 * University of Michigan（密歇根大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Nanyang Technological University（南洋理工大学）
AI总结 针对混合分辨率与截止时间的异构DiT工作负载，提出基于步骤级序列并行的TetriServe系统，通过轮次调度与自适应并行度，在保证图像质量下将SLO达成率提升32%。
DSB: 扩散语言模型的动态滑动块调度
机构 * Nanyang Technological University（南洋理工大学）
AI总结 针对扩散语言模型固定块调度忽视语义难度的问题，提出无训练的动态滑动块方法DSB及配套KV缓存机制DSB Cache，显著提升生成质量和推理效率。
Comments Accepted at the 43rd International Conference on Machine Learning (ICML 2026)
直接偏好优化综述：数据集、理论、变体及应用
机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团）
AI总结 综述直接偏好优化（DPO）在理论、变体、数据集和应用方面的进展，指出其作为RL-free替代方案的潜力与局限，并提出未来研究方向。
Comments Accepted by TPAMI 2026. Project page: https://github.com/Mr-Loevan/DPO-Survey
广义Kullback-Leibler散度损失
机构 * Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong（香港中文大学） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
AI总结 本文提出广义KL散度损失，通过解耦KL损失为加权MSE和交叉熵损失，并引入非对称优化修正和类别全局信息，在对抗训练和知识蒸馏中取得SOTA性能。
Comments TPAMI 2026, extension of our NeurIPS paper "Decoupled Kullback-Leibler Divergence Loss". arXiv admin note: substantial text overlap with arXiv:2305.13948
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