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

MeMo: Memory as a Model

MeMo：记忆作为模型

Ryan Wei Heng Quek, Sanghyuk Lee, Alfred Wei Lun Leong, Arun Verma, Alok Prakash, Nancy F. Chen, Bryan Kian Hsiang Low, Daniela Rus, Armando Solar-Lezama

机构 * Institute of Data Science, National University of Singapore（数据科学研究院，新加坡国立大学） ； Integrative Sciences and Engineering Programme, NUSGS（整合科学与工程计划，NUSGS） ； Agency for Science, Technology, Research (A*STAR)（科技研究局（A*STAR）） ； Department of Computer Science, National University of Singapore（计算机科学系，新加坡国立大学） ； University of Tokyo（东京大学） ； Liquid AI ； CSAIL, Massachusetts Institute of Technology（CSAIL，麻省理工学院） ； AI Singapore ； Singapore-MIT Alliance for Research and Technology Centre, Singapore（新加坡-麻省理工学院研究与技术中心，新加坡） 纠错

AI总结 本文提出MeMo框架，通过在不改变LLM参数的情况下将新知识编码到专用记忆模型中，解决了大型语言模型在需要及时领域特定信息的应用中的问题，同时具备处理复杂跨文档关系、抗检索噪声、避免灾难性遗忘、无需访问LLM权重或输出logits以及检索成本与语料库大小无关等优势。

Comments MeMo augments any LLM with up-to-date or domain-specific knowledge via a trained memory model, avoiding costly retraining, mitigating catastrophic forgetting, and remaining robust to retrieval noise

APEX: Autonomous Policy Exploration for Self-Evolving LLM Agents

APEX：自主策略探索用于自演化大语言模型代理

Yibo Li, Jiashuo Yang, Zhi Zheng, Zhiyuan Hu, Yuan Sui, Shizun Wang, Yufei He, Bryan Hooi

机构 * National University of Singapore（新加坡国立大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

AI总结 本文提出APEX，一种用于自演化大语言模型代理的自主策略探索方法，通过构建和维护显式的策略空间来解决探索崩溃问题，并在多个基准测试中表现出色。

RePCM: Region-Specific and Phenotype-Adaptive Bi-Ventricular Cardiac Motion Synthesis

RePCM：区域特定和表型适应的双心室心脏运动合成

Xuan Yang, Xiaohan Yuan, Hao Li, Lingyu Chen, Yanan Liu, Lei Li

机构 * School of Biomedical Engineering, National University of Singapore, Singapore（新加坡国立大学生物医学工程学院） ； School of Automation, Southeast University, Nanjing, China（东南大学自动化学院） ； School of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing, China（南京航空航天大学计算机科学与技术学院） ； School of Information Science and Engineering, Yunnan University, Kunming, China（云南大学信息科学与工程学院） 纠错

AI总结 本文提出RePCM方法，通过单帧双心室网格运动补全，利用区域特定和表型适应性来提升心脏运动合成的准确性，以应对心血管疾病导致的区域和疾病特异性差异。

Comments Early Accepted by MICCAI 2026. This is the author's submitted version. 10 pages, 3 figures

Q-ARVD: Quantizing Autoregressive Video Diffusion Models

Q-ARVD: 对自回归视频扩散模型进行量化

Siao Tang, Xinyin Ma, Gongfan Fang, Xingyi Yang, Xinchao Wang

机构 * National University of Singapore（新加坡国立大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文针对自回归视频扩散模型（ARVD）的量化问题，提出了一种新的框架Q-ARVD，解决了帧间量化敏感度不平衡和权重中异质性异常模式的问题，从而提高了模型效率。

Comments Code: https://github.com/tsa18/Q-ARVD

DrawMotion: Generating 3D Human Motions by Freehand Drawing

DrawMotion: 通过自由手绘生成3D人体动作

Tao Wang, Lei Jin, Zhihua Wu, Qiaozhi He, Jiaming Chu, Yu Cheng, Junliang Xing, Jian Zhao, Shuicheng Yan, Li Wang

机构 * 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） ； NLP Lab, School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院自然语言处理实验室） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； The Institute of AI (TeleAI), China Telecom（中国电信人工智能研究院） ； Northwestern Polytechnical University（西北工业大学） 纠错

AI总结 本研究提出DrawMotion，一种基于扩散模型的框架，通过自由手绘和文本条件生成3D人体动作，减少用户输入时间，提升生成精度。

PlexRL: Cluster-Level Orchestration of Serviceized LLM Execution for RLVR

PlexRL: 服务化大语言模型执行在RLVR中的集群级编排

Yiqi Zhang, Fangzheng Jiao, Tian Tang, Boyu Tian, Hangyu Wang, Qiaoling Chen, Guoteng Wang, Zhen Jiang, Peng Sun, Ping Zhang, Xiaohe Hu, Ziming Liu, Menghao Zhang, Yanmin Jia, Yang You, Siyuan Feng

机构 * National University of Singapore（新加坡国立大学） ； Beihang University（北航） ； Shanghai Qiji Zhifeng Co., Ltd.（上海启智风科技有限公司） ； Nanyang Technological University（南洋理工大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出PlexRL，通过集群级编排服务化大语言模型执行，解决RLVR训练中的效率问题，提升集群容量并降低GPU小时成本，同时保持算法灵活性和最小的单任务开销。

OSGNet with MLLM Reranking @ Ego4D Episodic Memory Challenge 2026

OSGNet with MLLM Reranking @ Ego4D Episodic Memory Challenge 2026

Yisen Feng, Leigang Qu, Haoyu Zhang, Qiaohui Chu, Meng Liu, Xuemeng Song, Weili Guan, Liqiang Nie

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； National University of Singapore（新加坡国立大学） ； Pengcheng Laboratory（鹏城实验室） ； Shandong Jianzhu University（山东建筑大学） ； Southern University of Science and Technology（南方科技大学） 纠错

AI总结 本文提出一种基于多模态大语言模型（MLLM）的重排序框架，用于解决Ego4D事件记忆挑战2026中的自然语言查询和目标步 tracks，通过结合现有定位模型OSGNet的候选片段和MLLM的视频-语言推理能力，提升时间片段的定位精度。

Comments Champion solution for the Natural Language Queries and GoalStep tracks of the Ego4D Challenge at the CVPR EgoVis Workshop 2026

Cumulative Meta-Learning from Active Learning Queries for Robustness to Spurious Correlations

通过主动学习查询进行累积元学习以增强对虚假相关性的鲁棒性

Kin Whye Chew, Jingxian Wang

机构 * Department of Computer Science（计算机科学系） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出了一种累积主动元学习（CAML）框架，通过主动学习查询样本来元学习先验知识，以提高模型对虚假相关性的鲁棒性，实验结果显示在多个基准测试中性能显著提升。

Comments Under review. 26 pages, 7 figures

Conflict-Aware Additive Guidance for Flow Models under Compositional Rewards

面向组合奖励的冲突感知加法引导：流模型中的对抗性生成

Xuehui Yu, Fucheng Cai, Meiyi Wang, Xiaopeng Fan, Harold Soh

机构 * Smart Systems Institute, National University of Singapore, Singapore（新加坡国立大学智能系统研究所） ； Faculty of Computing, Harbin Institute of Technology, Harbin, China（哈尔滨工业大学计算机学院） ； School of Computing, National University of Singapore, Singapore（新加坡国立大学计算机学院） 纠错

AI总结 本文提出了一种面向组合奖励的冲突感知加法引导方法，用于在流模型中处理对抗性生成问题，通过动态检测和解决梯度冲突来纠正离曼福德漂移，提升了生成保真度。

Comments Forty-Third International Conference on Machine Learning (ICML 2026)

Draw2Think: Harnessing Geometry Reasoning through Constraint Engine Interaction

Draw2Think: 通过约束引擎交互增强几何推理

Juncheng Hu, Jiawei Du, Xin Zhang, Joey Tianyi Zhou

机构 * National University of Singapore（新加坡国立大学） ； Centre for Frontier AI Research, Agency for Science, Technology and Research（科技研究局前沿人工智能研究中心） ； Institute of High Performance Computing, Agency for Science, Technology and Research（科技研究局高性能计算研究所） 纠错

AI总结 Draw2Think通过与GeoGebra约束引擎交互，将几何推理从潜在空间推断转换为与约束引擎的代理交互，从而提高几何推理的准确性和可验证性。

Sketch2MinSurf: Vision-Language Guided Generation of Editable Minimal Surfaces from Hand-Drawn Sketches

Sketch2MinSurf: 通过视觉-语言引导从手绘草图生成可编辑的最小曲面

Wenda Wang, Anqi Liu, Junqi Yang, Lei He, Luying Wang, Jiachen Lu, Weixin Huang

机构 * School of Architecture, Tsinghua University（清华大学建筑学院） ； Department of Architecture, National University of Singapore（新加坡国立大学建筑系） 纠错

AI总结 本研究提出Sketch2MinSurf方法，结合视觉-语言引导和几何优化，从手绘草图生成平滑且可编辑的3D曲面，通过空间-拓扑编码和Sketch2MinSurf结构损失函数实现拓扑一致性与几何重建的联合约束。

Comments 22 pages, 16 figures, includes appendix

Deep Attention Reweighting: Post-Hoc Attention-Based Feature Aggregation in CNNs for Disentangling Core and Spurious Features under Spurious Correlations

深度注意力重加权：CNN中的后处理注意力特征聚合以解纠缠核心与伪相关特征

Kin Whye Chew, Jingxian Wang

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

AI总结 本文提出了一种基于注意力的后处理特征聚合方法DAR，通过替换全局平均池化层来减少CNN中因伪相关特征引起的纠缠，从而提升模型的泛化能力和公平性。

Comments Under review. 26 pages, 7 figures

What if Agents Could Imagine? Reinforcing Open-Vocabulary HOI Comprehension through Generation

如果智能体能够想象？通过生成强化开放词汇人-物交互理解

Zhenlong Yuan, Yue Wang, Dapeng Zhang, Kejin Cui, Rui Chen, Jing Tang, Lei Sun, Hongwei Yu, Chengxuan Qian, Xiangxiang Chu, Shuo Li, Yuyin Zhou

机构 * Dream-X Team（Dream-X团队） ； Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究者） ； Case Western Reserve University（凯斯西储大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） 纠错

AI总结 本文提出ImagineAgent框架，通过生成式世界建模和工具增强强化学习，解决开放词汇人-物交互理解中的跨模态幻觉和视角限制问题，实现了高效且鲁棒的推理。

MCP-Atlas: A Large-Scale Benchmark for Tool-Use Competency with Real MCP Servers

MCP-Atlas：一个大规模的工具使用能力基准测试，使用真实的MCP服务器

Chaithanya Bandi, Razvan-Gabriel Dumitru, Ben Hertzberg, Divyansh Agarwal, Geobio Boo, Tejas Polakam, Sami Hassaan, Jeff Da, HiJae Kim, Vipul Gupta, Manasi Sharma, Andrew Park, Martin Dimakis, Ernesto Gabriel Hernandez Montoya, Dan Rambado, Ivan Salazar, Rafael Cruz, MohammadHossein Rezaei, Chetan Rane, Ben Levin, Daniel Yue Zhang, Brad Kenstler, Bing Liu

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

AI总结 本文提出MCP-Atlas，一个用于评估工具使用能力的基准测试，基于真实MCP服务器，包含1000个由人类专家编写和验证的任务，覆盖36个真实MCP服务器和220种工具，通过任务级别的评估发现模型在工具调用和认知能力上的表现。

Comments 25 pages, 3 figures, 9 tables

Affordance-R1: Reinforcement Learning for Generalizable Affordance Reasoning in Multimodal Large Language Model

Affordance-R1: 为多模态大语言模型中的通用化 affordance 推理设计的强化学习

Hanqing Wang, Shaoyang Wang, Yiming Zhong, Zemin Yang, Jiamin Wang, Zhiqing Cui, Jiahao Yuan, Yifan Han, Mingyu Liu, Yuexin Ma

机构 * The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； ShanghaiTech University（上海科技大学） ； East China Normal University（华东师范大学） ； Nanjing University of Information Science & Technology（南京信息工程大学） ； Zhejiang University（浙江大学） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

AI总结 本文提出 Affordance-R1，一种结合认知 CoT 引导的 Group Relative Policy Optimization (GRPO) 的统一 affordance 地标框架，通过强化学习实现零样本泛化和测试时推理能力。

Optimization Hyper-parameter Laws for Large Language Models

大语言模型的优化超参数规律

Xingyu Xie, Kuangyu Ding, Shuicheng Yan, Kim-Chuan Toh, Tianwen Wei

机构 * Department of Mathematics, National University of Singapore, Singapore（新加坡国立大学数学系） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Department of Mathematics and Institute of Operations Research and Analytics, National University of Singapore, Singapore（新加坡国立大学数学系和运筹分析研究所） ； Skywork AI, Beijing（北京Skywork AI） 纠错

AI总结 本文提出Opt-Laws框架，通过分析SDE收敛和逃逸特性，预测最终训练损失，从而在小规模实验中预选学习率调度方案，提高了超参数选择的准确性。

On the Suboptimality of GP-UCB under Polynomial Effective Optimism

关于多项式有效乐观性下GP-UCB的次优性质

Wenjia Wang, Xiaowei Zhang

机构 * Department of 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系） ； Department of Industrial Engineering and Decision Analytics, The Hong Kong University of Science and Technology（香港科学与技术大学工业工程与决策分析系） 纠错

AI总结 本文研究了GP-UCB在多项式有效乐观性下的次优性质，通过定义有效乐观性水平（核岭回归中的探索系数与正则化参数的乘积），在统一置信假设下证明了GP-UCB在Matérn核下的新后悔下界，表明有效乐观性水平的多项式增长排除了最小最大最优后悔率，揭示了标准GP-UCB证明最小最大最优性的障碍。

Mix-Quant: Quantized Prefilling, Precise Decoding for Agentic LLMs

Mix-Quant: 量化预填，精准解码用于代理大语言模型

Haiquan Lu, Zigeng Chen, Gongfan Fang, Xinyin Ma, Xinchao Wang

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

AI总结 本文提出Mix-Quant，一种简单有效的阶段感知量化框架，用于加速代理大语言模型的推理。通过在预填阶段应用高吞吐量NVFP4量化，同时保留BF16精度用于解码，从而在保持任务性能的同时显著提高效率，实现预填阶段高达3倍的速度提升。

SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation

SOLAR：一种自优化的开放式自主代理，用于终身学习和持续适应

Nitin Vetcha, Dianbo Liu

机构 * Department of Ophthalmology, Yong Loo Lin School of Medicine, National University of Singapore, Singapore（眼科学系，Yong Loo Lin医学院，新加坡国立大学，新加坡） ； Department of Computational and Data Sciences, Indian Institute of Science, Bangalore, Karnataka, India（计算与数据科学系，印度科学研究院，班加罗尔，卡纳塔克邦，印度） 纠错

AI总结 本文提出SOLAR，一种自优化的开放式自主代理，通过参数级元学习实现自我改进，解决了动态真实世界中概念漂移和梯度基适应成本高的问题，展示了在常识、数学、医学、编程、社交和逻辑推理任务上的优越性能。

Comments Accepted at "Association for the Advancement of Artificial Intelligence 2026 Conference" in Streaming Continual Learning Bridge. Published in CEUR Workshop Proceedings (Original version at https://ceur-ws.org/Vol-4183/paper2.pdf)

Journal ref CEUR Workshop Proceedings, Vol. 4183, 2026

Letting Trajectories Spread: Quality-Preserving Control for Diverse Flow Matching

让轨迹扩散：用于多样化流匹配的质量保持控制

Jingxuan Wu, Zhenglin Wan, Xingrui Yu, Yuzhe Yang, Bo An, 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） ； Nanyang Technological University（南洋理工大学） ； CFAR, Agency for Science, Technology and Research, Singapore（新加坡科技研究局CFAR） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出了一种无需训练的推理时控制机制，使流本身具备多样性意识，通过几何上与模式质量寻求方向解耦的引导来鼓励轨迹横向扩散，同时通过时间调度的随机扰动重新引入不确定性，从而在不降低图像细节和提示忠实度的情况下提升多样性。