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

Scaling GUI Agents with Visual State Transitions

通过视觉状态转换扩展 GUI 智能体

Xiangyan Liu, Kaixin Li, Haonan Wang, Biao Wu, Meng Fang, Longxu Dou, Chao Du, Michael Qizhe Shieh, Tianyu Pang

机构 * NUS（新加坡国立大学） ； Sea AI Lab（Sea人工智能实验室） ； UTS（悉尼科技大学） ； University of Liverpool（利物浦大学） 纠错

AI总结 研究通过状态转换预训练扩展 GUI 智能体，联合优化逆动力学和正向动力学预训练统一多模态模型，在桌面和移动 GUI 场景基准测试中优于基线，联合动力学优化有稳定改进，下游性能随转换数据量提升。

PathScale-R1: Cross-scale Reasoning for Pathological Image Analysis

PathScale-R1：用于病理图像分析的跨尺度推理

Chi Phan, Tianyi Zhang, Yufeng Wu, Qiaochu Xue, Jiajie Zhang, Linghan Cai, Zeyu Liu, Sudong Wang, Yueming Jin, Dan Hu

机构 * National University of Singapore（新加坡国立大学） ； PuzzleLogic Pte Ltd（拼图逻辑私人有限公司） ； Fujian Medical University Cancer Hospital & Fujian Cancer Hospital（福建医科大学附属肿瘤医院） 纠错

AI总结 研究针对病理诊断多尺度需求及现有模型局限，引入抗捷径跨尺度病理推理框架，设计相关策略构建PathScale-VQA基准，经优化得到PathScale-R1，实验证明其在跨尺度推理任务性能及对单尺度病理VQA的有效迁移。

Breaking the Total Variance Barrier: Sharp Sample Complexity for Linear Heteroscedastic Bandits with Fixed Action Set

打破总方差障碍：具有固定动作集的线性异方差博弈的精确样本复杂度

Heyang Zhao, Tianyuan Jin, Weixin Wang, Vincent Y. F. Tan, Pan Xu, Quanquan Gu

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； National University of Singapore（新加坡国立大学） ； Duke University（杜克大学） 纠错

AI总结 研究具有固定动作集的线性异方差博弈问题，提出方差自适应算法\texttt{VAEE}及方差感知变体，实现了具有近乎调和均值依赖率的简单遗憾，打破了$\sqrt{\Lambda}$障碍，并建立了近乎匹配的下界。

Enhancing Pathological VLMs with Cross-scale Reasoning

增强病理视觉语言模型的跨尺度推理能力

Chi Phan, Tianyi Zhang, Qiaochu Xue, Yufeng Wu, Dan Hu, Zeyu Liu, Sudong Wang, Yueming Jin

机构 * Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系） ； PuzzleLogic Pte Ltd（PuzzleLogic私人有限公司） ； Department of Pathology, Fujian Medical University Cancer Hospital & Fujian Cancer Hospital（福建医科大学附属肿瘤医院病理科暨福建省肿瘤医院） 纠错

AI总结 提出首个跨尺度训练与评估范式，通过多倍率视觉问答任务增强病理视觉语言模型的跨尺度推理能力，并构建高质量基准数据集Scale-VQA及模型ScaleReasoner-R1，实现最优性能。

Comments MICCAI 2026

WeCon: An Efficient Weight-Conditioned Neural Solver for Multi-Objective Combinatorial Optimization Problems

WeCon: 一种高效的权重条件神经求解器用于多目标组合优化问题

Xuan Wu, Jinbiao Chen, Yang Li, Lijie Wen, Chunguo Wu, Yuanshu Li, Yubin Xiao, Chunyan Miao, You Zhou, Di Wang

机构 * Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室） ； College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； 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） ； College of Software, Jilin University（吉林大学软件学院） ； School of Software, Tsinghua University（清华大学软件学院） ； School of Computing and Information Systems, Singapore Management University（新加坡管理学院 computing and information systems 系） 纠错

AI总结 提出一种权重条件神经求解器WeCon，通过编码器中的门控残差融合和解码器中的残差融合模块增强权重-特征交互，并采用高效偏好优化构建高质量解对，在多个多目标组合优化问题上达到与最先进方法相当的HV值并减少40%推理时间。

A General Deep Learning Framework for Wireless Resource Allocation under Discrete Constraints

一种用于在离散约束下无线资源分配的通用深度学习框架

Yikun Wang, Yang Li, Yik-Chung Wu, Rui Zhang

机构 * Department of Electrical and Electronic Engineering, The University of Hong Kong（香港大学电子与电气工程系） ； School of Computing and Information Technology, Great Bay University（大湾大学计算机与信息科技学院） ； Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系） 纠错

AI总结 本文提出一种通用深度学习框架，通过引入支撑集来表示离散变量，解决深度学习在处理离散变量时的零梯度问题和约束执行难题，应用于混合离散无线资源分配问题。

Comments 15 pages, 20 figures, 2 tables

LEDOM: Reverse Language Model

LEDOM：反向语言模型

Xunjian Yin, Sitao Cheng, Yuxi Xie, Xinyu Hu, Li Lin, Xinyi Wang, Liangming Pan, William Yang Wang, Xiaojun Wan

机构 * Peking University（北京大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Arizona（亚利桑那大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 LEDOM是一种反向自回归语言模型，通过反向训练获得独特能力，如演绎推理和解决反转诅咒，并在多个基准测试中提升了性能。

Comments Work in progress; Models can be found at: https://huggingface.co/Corning/Reverse-Model-7B-348B/tree/main

Numerical Investigation of Sequence Modeling Theory using Controllable Memory Functions

使用可控记忆函数对序列建模理论进行数值研究

Haotian Jiang, Zeyu Bao, Shida Wang, Qianxiao Li

机构 * Department of Mathematics（数学系） ； Institute for Functional Intelligent Materials（功能智能材料研究所） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 研究序列建模架构优缺点，提出综合基准框架，通过生成含可控参数的合成目标评估模型，关注四种记忆函数，实验证实理论见解并揭示新发现，推进理论理解，强调用可控目标评估架构的重要性。