高校专区
动态成本环境下的神经非短视贝叶斯优化
机构 * Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； University of Southern California（南加州大学） ； FutureHouse, Inc.（FutureHouse公司）
AI总结 LookaHES通过整合神经策略，实现动态成本环境下的非短视贝叶斯优化，提升复杂决策空间中的长视图优化能力。
Comments 32 pages, 20 figures, 13 tables
法律中的LLM代理：分类、应用与挑战
机构 * Carnegie Mellon University（卡内基梅隆大学） ； National University of Singapore（国立新加坡大学） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） ； The University of Chicago（芝加哥大学） ； Rutgers University（罗格斯大学） ； Columbia University（哥伦比亚大学） ； New Jersey Institute of Technology（新泽西理工学院）
AI总结 本文探讨了法律领域中LLM代理的分类、应用及挑战，分析了技术转变、应用分类、评估方法及未来发展方向。
DiffPF: 基于条件扩散模型的可微粒子滤波器通过生成采样
机构 * Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，国立新加坡大学）
AI总结 DiffPF通过条件扩散模型实现高精度后验采样，提升动态系统状态估计性能。
带约束期望改进的收敛速率
机构 * National University of Singapore（新加坡国立大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文研究了带约束期望改进算法的收敛速率，证明了在不同核函数和高斯过程假设下，该算法在约束优化中的收敛性能。
DnD Filter: 使用扩散模型进行动态系统可微状态估计
机构 * 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）
AI总结 DnD Filter利用扩散模型实现动态系统状态估计，首次在噪声环境下有效提升非线性估计精度。
Journal ref Proc. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025
基于大语言模型的强化学习在可解释性信用卡欺诈检测中的应用
机构 * Hong Kong University of Science and Technology（香港科学与技术大学） ； Hong Kong Baptist University（香港 Baptist 大学） ； Imperial College London（伦敦帝国理工学院） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出利用强化学习后训练轻量级语言模型，以提高信用卡欺诈检测的可解释性和准确性。
Crisis-Bench: 大型语言模型中战略模糊与声誉管理的基准测试
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Baptist University（香港 Baptist 大学） ； National University of Singapore（新加坡国立大学） ； Imperial College London（伦敦帝国理工学院）
AI总结 Crisis-Bench通过多智能体POMDP评估LLM在高风险企业危机中的战略模糊与声誉管理能力，揭示模型在信息隐瞒与道德约束间的平衡问题。
ReasonAny: 通过简单有效的模型融合将推理能力融入任意模型
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Renmin University of China（中国人民大学） ； Tongji University（同济大学）
AI总结 ReasonAny通过对比梯度识别解决推理与领域性能崩溃问题，有效融合推理能力与领域专长，提升多领域模型性能。
Comments 22 pages, 6 figures, 14 tables
真相的 facade：揭示并缓解 LLM 对欺骗性证据的易感性
机构 * Xi’an Jiaotong University（西安交通大学） ； National University of Singapore（新加坡国立大学） ； Yunnan University（云南大学）
AI总结 本文提出 MisBelief 框架揭示 LLM 对复杂欺骗性证据的脆弱性，并提出 DIS 机制缓解这一问题，提升模型对误导性证据的抵御能力。
神经驱动的图像编辑
机构 * NUS（国立新加坡大学） ； ZJU（浙江大学） ； RIT（罗切斯特理工学院） ； NJU（南京大学） ； USTC（中国科学技术大学） ； Shanghai AI Lab（上海人工智能实验室） ； SII（上海信息所） ； Hangzhou RongNao Tech（杭州融纳科技）
AI总结 LoongX通过多模态神经信号驱动图像编辑，结合扩散模型和对比学习实现高性能图像编辑任务。
Comments 22 pages, 14 figures
MVT：基于分类对齐的土地覆盖标签的掩码导向视觉-语言模型
机构 * HKUST（香港科技大学） ； JHU（约翰·霍普金斯大学） ； CUHKSZ（香港中文大学） ； NUS（新加坡国立大学） ； MUST（穆斯林大学）
AI总结 MVT通过三阶段框架结合类无关掩码证据与基于分类的场景解释，提升遥感土地覆盖标签的准确性和信息性。
Comments The project is available at https://charlescsyyy.github.io/MVT
解封预训练模型作为后训练LLMs的双对齐校准器
机构 * Department of Statistics and Data Science, Southern University of Science and Technology（统计与数据科学系，南方科技大学） ； School of Computing, National University of Singapore（计算学院，新加坡国立大学） ； Department of Computer Sciences, University of Wisconsin-Madison（计算机科学系，威斯康星大学麦迪逊分校） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
AI总结 本文提出Dual-Align方法，通过双对齐策略校正后训练LLMs的置信度漂移和过程漂移，提升校准性能。
锻造空间智能：面向自主系统多模态数据预训练的路线图
机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Alibaba Group（阿里巴巴集团） ； Singapore Management University（新加坡管理学院）
AI总结 本文提出多模态数据预训练框架，旨在通过整合多传感器数据提升自主系统空间智能，解决单模态模型整合难题，并提出统一的预训练范式分类及未来发展方向。
Comments Survey; 40 pages, 7 figures, 9 tables; GitHub Repo at https://github.com/worldbench/awesome-spatial-intelligence
从LLM隐藏状态中挖掘内在奖励以实现高效的Best-of-N采样
机构 * Zhiyuan College, Shanghai Jiao Tong University（上海交通大学紫阳学院） ； National University of Singapore（新加坡国立大学） ； Tongji University（同济大学） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 SWIFT通过从LLM隐藏状态中挖掘内在奖励，实现高效Best-of-N采样，提升模型性能并减少计算成本。
Comments Accepted by KDD 2026 (Research Track). Project page: https://aster2024.github.io/swift-website/
在跨模态冲突下分析大型多模态模型的推理一致性
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出逻辑图扰动协议，通过主动视觉上下文细化方法，解决大型多模态模型在跨模态冲突下的推理一致性问题，提升推理鲁棒性。
Comments 10 pages, 5 figures
基于技能感知的反事实交互导航：通过技能感知视觉语言模型
机构 * School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系） ； College of Design and Engineering, National University Of Singapore（新加坡国立大学设计与工程学院） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
AI总结 CoINS通过整合技能感知推理与稳健执行，提升机器人在复杂环境中的交互导航能力。
Comments 17 pages, 13 figures
FocusUI: 通过位置保持的视觉标记选择实现高效的UI接地
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学）
AI总结 FocusUI通过位置保持的视觉标记选择实现高效UI接地，有效减少冗余标记并保持位置连续性，提升推理效率和性能。
Comments 14 pages, 13 figures
基于ASP的MUS生成框架
机构 * National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出基于ASP的MUS-ASP框架，用于高效枚举和计数MUS，通过转换问题到答案集求解提升计算效率。
Comments In Proceedings ICLP 2025, arXiv:2601.00047
Journal ref EPTCS 439, 2026, pp. 18-33
FinDeepResearch：在严谨的金融分析中评估深度研究代理
机构 * National University of Singapore（国立新加坡大学） ； Estates Pte Ltd（6Estates公司） ； Asian Institute of Digital Finance（亚洲数字金融研究所） ； Hefei University of Technology（合肥工业大学） ； University of Science and Technology of China（中国科学技术大学）
AI总结 FinDeepResearch通过HisRubric框架评估深度研究代理在金融分析中的能力，构建包含多语言和多市场的基准测试，揭示不同方法在财务分析中的优劣。
状态空间与变换器架构中上下文表示流的比较分析
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（国立新加坡大学）
AI总结 本文比较了状态空间与变换器架构中上下文表示流，揭示了两者在表示传播和过度平滑机制上的差异，为长上下文推理模型设计提供指导。
利用可及的大规模语言模型实现准确的表格问答
机构 * National University of Singapore（新加坡国立大学） ； Alibaba Group（阿里巴巴集团） ； Mohamed bin Zayed University of Artificial Intelligence（莫卧儿 bin 赞德人工智能大学） ； Hamad Bin Khalifa University（哈马德 bin 哈利法大学）
AI总结 本文提出Orchestra多智能体方法，利用小型开源LLMs高效解决表格问答问题，实现高质量且低成本的TQA性能。
Comments accepted for publication in the Proceedings of the IEEE International Conference on Data Engineering (ICDE) 2026
SPARKLE：一种用于高维协变量在线决策的非参数方法
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） ； Division of Emerging Interdisciplinary Areas, The Hong Kong University of Science and Technology（香港科学与技术大学新兴跨学科领域分校） ； 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）
AI总结 SPARKLE是一种基于稀疏加法奖励模型的非参数上下文老虎机算法，通过双重惩罚估计器和自适应筛选平衡探索与利用，首次在高维协变量中实现子线性遗憾界。
Comments Main body: 35 pages, 7 figures; supplemental material: 34 pages
软响应材料提升人形机器人安全性
机构 * College of Design and Engineering, National University of Singapore（新加坡国立大学设计与工程学院） ； ENGINEAI Robotics Technology Co., Ltd（ENGINEAI机器人技术有限公司） ； Institute of Robotics and Intelligent Systems, ETH Zürich（苏黎世联邦理工学院机器人与智能系统研究所）
AI总结 本研究通过软响应材料与结构协同设计，提升人形机器人在跌倒时的安全性与环境安全性。
Comments 40 pages, 11 figures
EvoRoute: 基于经验的自我路由LLM代理系统
机构 * National University of Singapore（新加坡国立大学） ； Tongyi Lab（通义实验室）
AI总结 EvoRoute通过动态选择最优LLM模型，解决代理系统在性能、成本和延迟间的平衡问题，显著提升效率并降低成本
面向大规模语言模型事实核查的全面阶段性基准评估
机构 * Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） ； Salesforce AI Research（Salesforce AI 研究院） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Singapore（新加坡国立大学） ； The Education University of Hong Kong（香港教育大学）
AI总结 FactArena提出一个全面的LLM事实核查阶段基准评估框架，通过标准化流程和动态生成挑战性声明，揭示LLM在事实推理中的鲁棒性与准确性差异。
Comments 17 pages, 21 figures, 7 tables
TreeDiff: 基于扩散大语言模型的AST引导代码生成
机构 * University of Connecticut（康涅狄格大学） ； San Francisco State University（旧金山州立大学） ； University of California, Riverside（加州大学河滨分校） ； National University of Singapore（新加坡国立大学） ； University of Pittsburgh（匹兹堡大学） ； Florida State University（佛罗里达州立大学）
AI总结 TreeDiff通过整合AST结构先验，改进扩散模型在代码生成中的语法精确性和长距离依赖捕捉能力。
在恶劣成像条件下适应Depth Anything以应对事件
机构 * National Key Lab of Multispectral Information Intelligent Processing Technology, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（multispectral information intelligent processing technology 国家重点实验室，人工智能与自动化学院，华中科技大学） ； School of Computing, National University of Singapore（computing 学院，新加坡国立大学） ； School of Computer Science and Engineering, Sun Yat-Sen University（computer science and engineering 学院，中山大学）
AI总结 本文提出ADAE框架，通过熵感知空间融合和运动引导时间校正，提升Depth Anything在恶劣成像条件下的深度估计性能。
Comments This work has been submitted to the IEEE for possible publication
基于蓝图的思考：通过结构化物体表示协助视觉-语言模型进行空间推理
机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research, Asia（微软亚洲研究院） ； Tsinghua University（清华大学） ； University of Toronto（多伦多大学）
AI总结 通过结构化物体表示提升视觉-语言模型的空间推理能力，引入蓝图嵌入推理轨迹、蓝图意识奖励和反捷径数据增强技术。
Comments Preprint. Under review
细化溯源推断：从模型行为检测LLM细化训练提示
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出RePro框架，通过教师强制的似然特征与logit排名信号融合，实现对LLM细化训练提示的溯源推断，具有跨模型和训练设置的泛化能力。
面向自动驾驶的视觉-语言-动作模型：过去、现在与未来
机构 * HKUST（香港科技大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； HKUST(GZ)（香港科技大学（广州）） ； DAMO Academy, Alibaba（阿里巴巴达摩院） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Xiaomi EV（小米电动车） ； Xi'an Jiaotong University（西安交通大学） ； Nanyang Technological University, Singapore（新加坡南洋理工大学）
AI总结 本文探讨了自动驾驶中视觉-语言-动作模型的发展历程，提出两种主要范式并分析其挑战与未来方向。
Comments Survey; 47 pages, 7 figures, 9 tables; GitHub Repo at https://github.com/worldbench/awesome-vla-for-ad
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