National University of Singapore（新加坡国立大学）

Surg$Σ$: A Spectrum of Large-Scale Multimodal Data and Foundation Models for Surgical Intelligence

Surg$Σ$: 一种大规模多模态数据和基础模型的光谱，用于外科智能

Zhitao Zeng, Mengya Xu, Jian Jiang, Pengfei Guo, Yunqiu Xu, Zhu Zhuo, Chang Han Low, Yufan He, Dong Yang, Chenxi Lin, Yiming Gu, Jiaxin Guo, Yutong Ban, Daguang Xu, Qi Dou, Yueming Jin

机构 * NUS（新加坡国立大学） ； CUHK（香港中文大学） ； SJTU（上海交通大学） ； NVIDIA（英伟达） 纠错

AI总结 本文提出Surg$Σ$，通过大规模多模态数据和基础模型提升外科智能，解决现有框架任务特定、泛化能力差的问题，展示统一语义设计和结构化推理标注的改进效果。

REFORGE: Multi-modal Attacks Reveal Vulnerable Concept Unlearning in Image Generation Models

REFORGE：多模态攻击揭示图像生成模型中的脆弱概念反向学习

Yong Zou, Haoran Li, Fanxiao Li, Shenyang Wei, Yunyun Dong, Li Tang, Wei Zhou, Renyang Liu

机构 * Yunnan University（云南大学） ； Northeastern University（东北大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 REFORGE通过对抗性图像提示评估图像生成模型反向学习的鲁棒性，揭示现有方法的持续漏洞，提出更高效的多模态对抗攻击策略。

Comments Accepted by ICME 2026

VQKV: High-Fidelity and High-Ratio Cache Compression via Vector-Quantization

VQKV：通过向量量化实现高保真和高比的缓存压缩

Yixuan Wang, Qingyu Shi, Jiayu Zhou, Dianbo Liu, Ziwei He, Zhouhan Lin

机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Cambridge（剑桥大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出VQKV方法，利用向量量化实现高压缩比和高重建保真度的KV缓存压缩，实现在有限资源环境下提升模型性能。

Efficient LLM Serving for Agentic Workflows: A Data Systems Perspective

高效代理工作流的LLM服务：数据系统视角

Noppanat Wadlom, Junyi Shen, Yao Lu

机构 * National University of Singapore（新加坡国立大学） 纠错

AI总结 本文从数据系统视角重新思考LLM和服务，提出Helium框架，通过主动缓存和缓存感知调度提升代理工作流效率，实现1.56倍速度提升。

Shuffling the Stochastic Mirror Descent via Dual Lipschitz Continuity and Kernel Conditioning

通过双重核条件和核条件化对随机镜像下降法进行洗牌

Junwen Qiu, Leilei Mei, Junyu Zhang

机构 * Industrial Systems Engineering and Management, National University of Singapore（新加坡国立大学工业系统工程与管理） 纠错

AI总结 本文提出双重核条件（DKC）正则性条件，结合相对光滑性，为梯度提供双重Lipschitz连续性，从而在非凸相对光滑问题中建立随机重洗镜像下降法的复杂度界和迭代收敛性。

Comments 28 pages, 3 figures

TennisExpert: Towards Expert-Level Analytical Sports Video Understanding

TennisExpert: 向专家级分析体育视频理解迈进

Zhaoyu Liu, Xi Weng, Lianyu Hu, Zhe Hou, Kan Jiang, Jin Song Dong, Yang Liu

机构 * National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Griffith University（格里菲斯大学） 纠错

AI总结 本文提出TennisExpert框架，通过整合视频语义解析器和基于Qwen3-VL-8B的记忆增强模型，实现高效多模态网球理解，提升战术分析和比赛动态捕捉能力。

Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking

融合理解与生成的交错分析-草稿思维

Shengqiong Wu, Bobo Li, Xinkai Wang, Xiangtai Li, Lei Cui, Furu Wei, Shuicheng Yan, Hao Fei, Tat-seng Chua

机构 * National University of Singapore（国立新加坡大学） ； University of Oxford（牛津大学） ； Nanyang Technological University（南洋理工大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出AD-Loop机制，通过交错分析与草稿操作提升视觉语言模型的理解与生成能力，实验表明其在多个基准测试中表现优异，具备良好的迁移性。

Comments 28 pages, 17 figures, 6 tables, ICLR conference

Who's important? -- SUnSET: Synergistic Understanding of Stakeholder, Events and Time for Timeline Generation

谁更重要？-- SUnSET：面向时间线生成的多方、事件和时间协同理解

Tiviatis Sim, Kaiwen Yang, Shen Xin, Kenji Kawaguchi

机构 * National University of Singapore（国立新加坡大学） ； A*STAR Institute of High Performance Computing（A*STAR高性能计算研究所） ； Celia Research Team（Celia研究团队） ； Norbert Wiener Research Center, Huawei International（诺伯特·维纳研究中心，华为国际） 纠错

AI总结 本文提出SUnSET框架，通过引入多方重要性评估和事件关联性度量，提升时间线生成的准确性，实验结果优于现有方法，凸显多方信息的重要性。

A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems

大语言模型推理前沿的综述：推理扩展、学习推理与代理系统

Zixuan Ke, Fangkai Jiao, Yifei Ming, Xuan-Phi Nguyen, Austin Xu, Do Xuan Long, Minzhi Li, Chengwei Qin, Peifeng Wang, Silvio Savarese, Caiming Xiong, Shafiq Joty

机构 * Salesforce AI Research（Salesforce AI研究） ； National University of Singapore（国立新加坡大学） ； Nanyang Technological University（南洋理工大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； A*STAR, Singapore（新加坡A*STAR） 纠错

AI总结 本文综述了大语言模型推理的前沿方法，从推理阶段和架构两个维度分类，探讨了推理扩展到学习推理及代理系统的发展趋势，涵盖监督微调、强化学习等算法及代理工作流设计。

Comments 72 pages, 6 figures. Accepted to TMLR, with Survey Certification award

Descent-Guided Policy Gradient for Scalable Cooperative Multi-Agent Learning

基于下降引导的策略梯度方法用于可扩展的协作多智能体学习

Shan Yang, Yang Liu

机构 * National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出Descent-Guided Policy Gradient方法，通过利用可微解析模型降低梯度方差，实现协作多智能体学习的可扩展性，验证了在200个智能体任务中收敛性能。

Comments 10 pages, 5 figures, 5 tables; plus 16 pages of appendices

Time-Annealed Perturbation Sampling: Diverse Generation for Diffusion Language Models

时间退火扰动采样：扩散语言模型的多样化生成

Jingxuan Wu, Zhenglin Wan, Xingrui Yu, Yuzhe Yang, Yiqiao Huang, Ivor Tsang, Yang You

机构 * The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； National University of Singapore（新加坡国立大学） ； CFAR, Agency for Science, Technology and Research（科技研究局CFAR） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出时间退火扰动采样方法，通过在扩散过程中早期鼓励语义分支并逐步减少扰动，提升生成多样性，同时保持生成质量。