高校专区
VPG: 视觉前缀引导的自回归图像与视频生成
机构 * National University of Singapore（新加坡国立大学） ； Huazhong University of Science & Technology（华中科技大学）
AI总结 提出VPG，一种无需训练、推理时引导的方法，通过对比生成前缀与损坏前缀下的模型输出来改进自回归图像和视频生成的下一步预测，提升生成质量。
CommunityFact：一个面向野外错误信息检测的动态、多语言、多领域基准
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出CommunityFact基准，通过多语言多领域声明、LLM评估和社区笔记分析，揭示封闭输入验证的挑战、网络搜索的增益以及证据选择策略的偏差。
未来强制：自回归视频生成中无需训练的未来感知KV缓存策略
机构 * BUAA（北京航空航天大学） ； ZGCA（中广核人工智能研究院） ； PKU（北京大学） ； CASIA（中国科学院自动化研究所） ； USTC（中国科学技术大学） ； NUS（新加坡国立大学）
AI总结 提出Future Forcing，一种无需训练的未来感知KV缓存策略，通过利用自回归视频模型中查询分布的平稳性来估计未来查询，从而改进长视频生成的一致性。
VisualThink-VLA：用于高效低延迟视觉-语言-动作策略的视觉中间推理
机构 * Zhejiang University（浙江大学） ； Cornell University（康奈尔大学） ； National University of Singapore（新加坡国立大学） ； Xi'an University of Electronic Science and Technology（西安电子科技大学）
AI总结 提出VisualThink-VLA框架，通过视觉中间推理和选择性路由机制，在保持高精度的同时将推理延迟从数秒降至亚秒级。
Agora: 面向生产级共识协议中自主漏洞检测的LLM智能体
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Information and Telecommunication Engineering, Beijing University of Posts and Telecommunications（北京邮电大学信息与电信工程学院） ； Peking University（北京大学） ； G Labs（0G实验室）
AI总结 提出Agora，一个领域感知的多智能体框架，通过假设驱动测试和LLM协作，在Raft、EPaxos、HotStuff、BullShark四个共识实现中发现15个未知协议级逻辑漏洞，而现有LLM方法未能检测到任何此类漏洞。
Comments 35 pages, 4 figures
将偏见转化为漏洞：基于Bandit引导的LLM裁判风格操纵攻击
机构 * School of Computing, National University of Singapore, Singapore（新加坡国立大学计算机学院） ； Nanyang Technological University, Singapore（南洋理工大学）
AI总结 提出BITE黑盒对抗框架，将风格编辑选择建模为上下文Bandit问题，通过LinUCB策略自适应选择编辑以误导LLM裁判并人为提高评分，攻击成功率超65%。
Comments Accepted to the Forty-Third International Conference on Machine Learning (ICML 2026)
通过噪声查询实现不可分割物品的无嫉妒分配
机构 * Meta ； National University of Singapore（国立新加坡大学） ； Nanyang Technological University（南洋理工大学）
AI总结 针对不可直接观测估值、仅能通过噪声查询获取信息的不可分割物品分配问题，在双智能体高斯噪声和有界估值设定下，推导了实现无嫉妒分配所需查询次数的上下界，并证明了当最优分配负嫉妒值Δ不太小时最优查询次数与m^{2.5}/Δ^2成比例。
Comments ICML 2026
TrojanTO：针对轨迹优化模型的行动级后门攻击
机构 * Laboratory for Big Data and Decision, National University of Defense Technology（大数据与决策实验室，国防科技大学） ； Zhejiang University（浙江大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； National University of Singapore（新加坡国立大学）
AI总结 提出TrojanTO，首个针对轨迹优化模型的行动级后门攻击方法，通过交替训练增强触发与目标动作关联，并利用轨迹过滤和批量投毒实现高隐蔽性，在低攻击预算下有效植入后门。
Comments 23 pages, 6 figures
Journal ref International Conference on Learning Representations (ICLR), 2026
离线策略评估的商DAG：前向流重要性采样与精确板倾向
机构 * Shanghai Jiao Tong University（上海交通大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出商DAG视角，通过前向流比率合并等价历史，实现精确的无序板倾向计算，减少方差并提高计算效率。
Comments 31 pages, 3 figures, 7 tables
AliMark: 增强句子级水印对文本释义的鲁棒性
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出AliMark框架，将句子级水印重构为比特序列编码与对齐问题，通过多候选对齐检测策略提升对句子拆分合并等结构扰动的鲁棒性。
Comments Accepted by ICML 2026
相关性即漏洞：网络检索如何削弱LLM智能体的安全对齐
机构 * Department of Electrical and Computer Engineering（电子与计算机工程系） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出AgentREVEAL框架，分析检索集成方式和内容属性如何导致LLM智能体安全退化，发现相关性是共同激活条件，并引入HarmURLBench基准。
揭示科学机器学习中的多机制模式：不同的失败模式与机制特定优化
机构 * Dartmouth College（达特茅斯学院） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Berkeley（加州大学伯克利分校） ； National University of Singapore（新加坡国立大学） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） ； International Computer Science Institute（国际计算机科学研究所）
AI总结 通过机制感知诊断框架，研究科学机器学习模型在不同超参数设置下的多机制行为，发现三种一致机制结构、优化效果的机制特异性以及精细失败模式，为提升鲁棒性提供指导。
Comments Accepted by ICML 2026
推理中的回声：通过思维链实现隐蔽且有效的数字水印
机构 * School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； Nanyang Technological University, Singapore（南洋理工大学） ； National University of Singapore, Singapore（新加坡国立大学）
AI总结 提出BiCoT框架，通过将水印嵌入推理轨迹的内部几何结构，并利用基于Top-logprob的黑盒验证器RSR，在不影响推理保真度的前提下实现鲁棒的水印检测。
Comments This paper is accepted by ICML2026
迈向连续时间因果基础模型
机构 * National University of Singapore（新加坡国立大学） ； Imperial College London（帝国理工学院伦敦分校） ； Department of Mathematics, Centre for Quantitative Finance, Risk Management Institute, National University of Singapore（新加坡国立大学数学系、量化金融中心、风险管理研究所）
AI总结 提出轨迹律对观测时间表不变的连续性准则，通过细网格积分与解耦观测实现连续时间因果先验模型，并在线性与非线性先验上验证其优于离散方法。
Comments ICML 2026 2nd Workshop on Foundation Models for Structured Data (FMSD)
LogDx-CI：为LLM根因诊断基准测试日志缩减工具
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出LogDx-CI基准，比较11种日志缩减工具在35个真实CI故障案例上的效果，发现混合grep+tail路由器在成本质量上占优，且智能体循环可缩小质量差距但成本差异持续存在，同时跨家族LLM摘要器优于同家族。
微小大脑，巨大影响：仅用少量提示揭示LLM的关键神经元
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） ； University of Science and Technology of China（中国科学技术大学）
AI总结 本研究通过跨任务激活强度分析，发现大型语言模型中存在一组极其稀疏的关键神经元，其移除会导致模型行为崩溃，并基于此提出仅更新关键神经元的微调方法，在少量参数修改下达到与全参数微调相当或更优的任务性能。
SCOPE: 在可玩环境中模拟跨游戏操作以构建FPS世界模型
机构 * UCAS-Terminus AI Lab, University of Chinese Academy of Sciences（中国科学院大学Terminus AI实验室） ； Tencent（腾讯） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Waterloo（多伦多大学） ； Shanghai Jiaotong University（上海交通大学） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室）
AI总结 提出SCOPE方法，通过在每个Transformer块中插入条件模块，将特征重塑为逐像素时间序列，以分离FPS游戏中局部作用域（scope）内的操作效果与全局生成，并引入跨游戏数据集CrossFPS，实现零样本迁移。
Comments Project page: https://z2tong.github.io/SCOPE/. Code is available at https://github.com/z2tong/SCOPE
立场：文本嵌入应捕获隐含语义，而不仅仅是表面意义
机构 * National University of Singapore（新加坡国立大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
AI总结 本文主张文本嵌入研究应从表面意义转向隐含语义，通过试点研究揭示现有模型在隐含语义任务上的局限，并提出范式转变以优先发展语言学基础训练数据、深层语义基准和核心建模目标。
Comments To appear in ICML 2026
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