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

Make Your LVLM KV Cache More Lightweight

使大型视觉-语言模型的KV缓存更轻量

Xihao Chen, Yangyang Guo, Roger Zimmermann

机构 * Integrative Sciences and Engineering Programme, National University of Singapore（国立新加坡大学整合科学与工程学程） ； School of Computing, National University of Singapore（国立新加坡大学计算机学院） 纠错

AI总结 本文提出LightKV方法，通过利用视觉token嵌入的冗余性，减少KV缓存大小，提升解码效率并降低GPU内存消耗。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2026

Unpaired Image Deraining Using Reward-Guided Self-Reinforcement Strategy

无配对图像去雨的奖励引导自强化策略

Yinghao Chen, Yeying Jin, Xiang Chen, Yanyan Wei, Ziyang Yan, Yaowen Fu

机构 * National University of Defense Technology（国防科技大学） ； National University of Singapore（新加坡国立大学） ； Nanjing University of Science and Technology（南京理工大学） ； Hefei University of Technology（合肥工业大学） ； University of Trento（特伦斯大学） 纠错

AI总结 本文提出RGSUD方法，通过奖励循环和自强化训练提升无监督去雨性能，通过IQA动态奖励机制优化去雨结果，实验表明在多种数据集上均优于现有方法。

Unlearning What Matters: Token-Level Attribution for Precise Language Model Unlearning

撤销重要信息：针对语言模型精确撤销的标记级归因

Jiawei Wu, DouDou Zhou

机构 * Department of Statistics and Data Science, National University of Singapore（统计与数据科学系，新加坡国立大学） 纠错

AI总结 本文提出TokenUnlearn框架，通过标记级归因实现精确撤销，结合知识意识信号和熵意识信号生成重要性评分，改进梯度信噪比，实验显示在遗忘效果和效用保持方面优于序列级基线。

Comments 17 pages, 2 figures

Unbox Responsible GeoAI: Navigating Climate Extreme and Disaster Mapping

解开负责任的地理人工智能：应对气候变化极端事件和灾害制图

Hao Li, Steffen Knoblauch

机构 * Department of Geography, National University of Singapore（新加坡国立大学地理系） ； GIScience Research Group, Heidelberg University（海德堡大学地理信息科学研究组） ； HeiGIT at Heidelberg University（海德堡大学HeiGIT机构） 纠错

AI总结 本文探讨了负责任的地理人工智能在气候极端和灾害制图中的作用，提出四个理论维度并提出治理模型，强调可持续、伦理和责任的部署。

LLM DNA: Tracing Model Evolution via Functional Representations

LLM DNA：通过功能表示追溯模型进化

Zhaomin Wu, Haodong Zhao, Ziyang Wang, Jizhou Guo, Qian Wang, Bingsheng He

机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Zhiyuan College, Shanghai Jiao Tong University（上海交通大学智远学院） 纠错

AI总结 本文提出LLM DNA概念，通过低维生物利普希茨表示捕捉模型功能行为，解决现有方法的局限性，实验显示其在模型关系分析和进化树构建中的有效性。

Comments ICLR 2026 (Oral)

Journal ref International Conference on Learning Representations 2026

Beyond Prompt-Induced Lies: Investigating LLM Deception on Benign Prompts

超越提示诱导的谎言：调查LLM在良性提示上的自我欺骗

Zhaomin Wu, Mingzhe Du, See-Kiong Ng, Bingsheng He

机构 * Institute of Data Science National University of Singapore（数据科学研究所，新加坡国立大学） 纠错

AI总结 本文研究LLM在良性提示下的自我欺骗行为，提出基于Contact Searching Questions的框架，通过两个统计指标量化欺骗可能性，发现任务难度增加时欺骗倾向上升，模型容量增加并不总能减少欺骗。

Comments ICLR 2026 (Oral)

Journal ref International Conference on Learning Representations (2026)

Adapting Large VLMs with Iterative and Manual Instructions for Generative Low-light Enhancement

适配大型视觉语言模型以生成低光照增强

Xiaoran Sun, Liyan Wang, Yeying Jin, Kin-man Lam, Zhixun Su, Yang Yang, Jinshan Pan, Cong Wang

机构 * Dalian University of Technology（大连理工大学） ； National University of Singapore（新加坡国立大学） ； Hong Kong Polytechnic University（香港理工大学） ； University of California, San Francisco（加州大学旧金山分校） ； Nanjing University of Science and Technology（南京理工大学） 纠错

AI总结 本文提出VLM-IMI框架，通过迭代和手动指令适配大型视觉语言模型，用于生成低光照增强。该框架包含正常光照指令先验生成和指令感知光照增强扩散两个分支，通过融合模块整合跨模态先验，提升生成效果。

Comments 11 papers,8 figures, CVPR2026 Findings