高校专区
GroupToM-Bench: 多模态大语言模型中群体心智理论和非线性社会涌现的基准测试
机构 * Xidian University（西安电子科技大学） ； 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） ； University of Science and Technology of China（中国科学技术大学）
AI总结 针对多模态大语言模型在群体心智理论推理上的不足，提出GroupToM-Bench基准，通过七级认知审计框架评估模型从微观BDI状态到宏观结果预测的因果链，揭示模型在处理社会结构和非线性集体动态上的缺陷。
Comments ACL 2026 (Main Conference)
E-mem：基于多智能体的事件上下文重建用于LLM智能体记忆
机构 * National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学）
AI总结 E-mem通过多智能体协同重建事件上下文，提升LLM在长时序任务中的推理能力，实现54%的F1分数，优于现有方法7.75%，并降低70%的token成本。
Comments This paper has been accepted by ICML 2026. If you find our project helpful, please consider giving it a star: https://github.com/dog-last/E-mem
红队代理执行上下文：OpenClaw上的开放世界安全评估
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出DeepTrap框架，通过黑盒轨迹优化发现OpenClaw中的上下文漏洞，展示上下文妥协可引发安全风险，强调需执行中心的安全评估。
Comments Accepted to ICML 2026 Workshop
StyleShield: 通过连续可控风格迁移揭示AIGC检测器的脆弱性
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出StyleShield，一种基于流匹配的条件文本风格迁移框架，通过连续控制风格迁移强度，在保持语义相似度的同时实现高规避率，并引入RateAudit算法质疑基于分数的检测可靠性。
Comments 12 pages, 5 figures. Code and model weights will be released upon acceptance
新时代的视觉生成：从原子映射到智能世界建模的演进
机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） ； University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； University of Waterloo（滑铁卢大学） ； StepFun ； MiroMind ； Baidu（百度） ； Fudan University（复旦大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； LMMs-Lab（LMMs实验室）
AI总结 提出五级分类法（原子生成、条件生成、上下文生成、智能生成、世界建模生成），分析流匹配、统一理解与生成模型等关键技术，并指出现有评估高估感知质量而忽视结构、时序和因果缺陷。
Comments Project Page: https://github.com/EvolvingLMMs-Lab/Evolving-Visual-Generation
MSpoofTTS：用于离散语音合成的多分辨率欺骗引导推理
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Department of Statistics & Data Science, National University of Singapore（新加坡国立大学统计与数据科学系）
AI总结 提出MSpoof-TTS框架，通过多分辨率欺骗检测和分层解码策略，无需重新训练即可提升神经编解码语言模型的零样本语音合成质量。
Comments 7 pages, 3 figures, 3 tables, 2 algorithms. Accepted to Interspeech 2026
LaST$_{0}$：面向机器人视觉-语言-动作模型的潜在时空思维链
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出LaST$_0$框架，通过潜在时空思维链在隐空间进行高效推理，避免显式推理的延迟和语言瓶颈，在10个真实世界任务中平均成功率提升13%-14%。
Comments Project page: https://vla-last0.github.io/
通过文字看道路：一种语言引导的RGB-T驾驶场景分割框架
机构 * National University of Singapore（新加坡国立大学） ； University of Technology Sydney（悉尼科技大学）
AI总结 提出CLARITY框架，利用视觉语言模型先验动态调整RGB-T融合策略，并引入暗目标语义保留和层次化解码器，在MFNet数据集上达到62.3% mIoU和77.5% mAcc的新SOTA。
SAMTok: 用两个词表示任意掩码
机构 * Wuhan University（武汉大学） ； ByteDance（字节跳动） ； NUS（新加坡国立大学）
AI总结 提出离散掩码分词器SAMTok，将区域掩码转化为两个特殊标记，通过标准下一标记预测和简单强化学习使基础多模态大模型获得像素级能力，在多项任务上达到最先进水平。
Comments CVPR 2026 Highlight
AC-ODM: 面向样本高效LLM预训练的演员-评论家在线数据混合
机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 提出AC-ODM方法，从强化学习视角优化预训练数据混合，通过参数化策略实现梯度构造性干扰最大化，支持代理与非代理两种模式，显著提升收敛速度和下游任务准确率。
Comments ICML 2026 (Poster)
深度学习中的多重下降现象：LSTM网络中的有序-混沌转变序列
机构 * Department of Physics（物理系） ； National University of Singapore（新加坡国立大学） ； Institute of High Performance Computing (IHPC)（高性能计算研究所） ； A*STAR
AI总结 本文在LSTM网络训练中发现多重下降现象，通过渐近稳定性分析表明性能周期与有序-混沌相变相关，最优训练点位于临界转变点，且首次有序-混沌转变处边缘最宽，利于权重探索。
扩散变压器的区域自适应采样
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research（微软研究院）
AI总结 提出RAS，一种无需训练的自适应采样策略，通过动态分配不同采样比例到图像区域，实现扩散变压器2.36-2.51倍加速且质量损失极小。
Comments CVPR'26 Poster
最小化遗憾的最佳臂识别
机构 * Institute of Operations Research and Analytics National University of Singapore（运营研究与分析研究所，新加坡国立大学） ； Department of Mathematics Department of Electrical and Computer Engineering Institute of Operations Research and Analytics National University of Singapore（数学系电子与计算机工程系运营研究与分析研究所，新加坡国立大学） ； Department of Mathematics National University of Singapore（数学系新加坡国立大学）
AI总结 提出在最小化累积遗憾的同时以置信度δ识别最佳臂的问题，利用信息论推导下界，并设计渐近最优的Double KL-UCB算法。
Comments Preprint
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