高校专区
TokenRatio: 通过比率匹配实现原理化的token级偏好优化
机构 * National University of Singapore（新加坡国立大学） ； Institute of Cybernetics and Robotics, Czech Technical University in Prague（捷克布拉格技术大学控制论与机器人研究所）
AI总结 本文提出TBPO方法，通过比率匹配恢复token级偏好最优性，改进对齐质量和训练稳定性，并增加输出多样性。
面向旋转机械的可靠性校准边缘物联网早期故障预警：一种物理引导的Tiny-Mamba Transformer
机构 * Great Bay University（大亚湾大学） ； Huizhou University（惠州大学） ； National University of Singapore（国立新加坡大学） ； Shenzhen University（深圳大学） ； James Cook University（詹姆斯库克大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
AI总结 提出一种可靠性校准的边缘物联网早期故障预警框架，使用物理引导的Tiny-Mamba Transformer提取特征，结合极值理论校准误报率，在低计算资源下实现高精度、低延迟的旋转机械故障预警。
Comments Submitted to IEEE Transactions on Reliability
AsFT：在窄安全盆地内锚定大语言模型微调期间的安全性
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） ； Tsinghua University（清华大学）
AI总结 针对微调大语言模型时安全性易受损的问题，提出AsFT方法，通过惩罚与对齐方向正交的更新，将模型约束在窄安全盆地内，在提升任务性能的同时显著降低有害行为。
基于人类演示的计算机使用智能体基础构建
机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； Université de Montréal（蒙特利尔大学） ； ServiceNow Research（ServiceNow研究） ； University of Waterloo（滑铁卢大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Polytechnique Montréal（蒙特利尔理工学院） ； École de Technologie Supérieure（高级技术学院） ； CIFAR AI Chair（CIFAR人工智能主席）
AI总结 为解决桌面环境高质量基础数据稀缺问题，构建了包含87个应用、56K截图和3.56M人工标注的GroundCUA数据集，并基于此训练GroundNext模型，在5个基准上以少于先前十分之一的数据取得最优结果。
Comments Accepted at ICLR 2026
基于语义ID的推理增强生成式推荐
机构 * National University of Singapore（国立新加坡大学） ； University of Science and Technology of China（中国科学技术大学） ； Tencent Inc.（腾讯公司）
AI总结 提出SIDReasoner两阶段框架，通过增强语义ID与语言的对齐和结果驱动的强化优化，实现无需大量推理标注的有效推理，提升生成式推荐的准确性、可解释性和跨领域泛化能力。
Comments Accepted by KDD 2026
参数化知识并非全部：通过检索预训练数据实现诚实的语言模型
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）
AI总结 针对大语言模型在知识不足时产生幻觉的问题，提出利用公开预训练数据构建更鲁棒的诚实性评估基准，并设计检索预训练数据的方法提升模型诚实性。
Comments Findings of ACL 2026
HandCept: 用于灵巧手精确本体感知的视觉-惯性融合框架
机构 * The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出HandCept，首个视觉-惯性本体感知框架，通过零样本学习和无延迟扩展卡尔曼滤波融合腕部RGB-D相机与9轴IMU，实现2°-4°关节角估计误差且无漂移，优于纯视觉或纯惯性方法。
Comments 8 pages, 7 figures, conference
ThinkBooster: 一种用于LLM推理无缝测试时扩展的统一框架
机构 * MBZUAI ； ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； NUS（国立大学新加坡） ； Accenture（埃森哲） ； Innopolis University（因诺普里斯大学） ； Independent Researcher（独立研究者）
AI总结 提出ThinkBooster框架，通过模块化库、联合评估基准和可部署代理服务，实现LLM推理的测试时计算扩展，在数学和编码任务上验证了性能-计算权衡。
STaR-Quant：扩散大语言模型的状态-时间一致训练后量化
机构 * School of Artificial Intelligence, Beijing Normal University, Beijing, China（北京师范大学人工智能学院） ； Department of Computer Science, National University of Singapore, Singapore（新加坡国立大学计算机科学系） ； Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR), Singapore（科技研究局前沿人工智能研究中心）
AI总结 针对扩散大语言模型低比特量化中的状态相关激活差异和时间误差累积问题，提出STaR-Quant框架，通过状态引导激活变换和时间注意力补偿实现高效量化。
MIRAGE: 具有隐式推理和生成世界模型的移动智能体
机构 * Beihang University（北京航空航天大学） ； Northwestern Polytechnical University（西北工业大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； National University of Singapore（新加坡国立大学） ； Peking University（北京大学）
AI总结 提出MIRAGE框架，通过从显式推理轨迹学习连续潜在表示，使移动智能体能够内部推理并预测未来屏幕状态，在减少生成token的同时提升执行效率。
通过机器学习加速可分负载处理：大规模工作负载的实用框架
机构 * Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，新加坡国立大学）
AI总结 提出首个机器学习框架，使用前馈神经网络预测单级树网络架构中的最优处理时间，实现97-99%准确率和1-5%平均绝对百分比误差，推理时间小于1毫秒，相比传统方法加速10-100倍。
FingerEye：通过连续视觉-触觉感知学习灵巧操作
机构 * National University of Singapore（新加坡国立大学） ； RoboScience（机器人科学） ； Huazhong University of Science and Technology（华中科技大学） ； South China University of Technology（华南理工大学）
AI总结 FingerEye通过连续视觉-触觉感知提升机器人灵巧操作，结合视觉和触觉反馈，在模拟和现实环境中使腕部策略的成功率提升超30个百分点。
IGenBench：文本到信息图生成可靠性基准测试
机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） ； UESTC ； University of Virginia（弗吉尼亚大学） ； HKUST(GZ)（香港科技大学（广州）） ； Cornell University（康奈尔大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 提出IGENBENCH基准，包含30种信息图类型和600个测试用例，通过多模态大语言模型分解为10类原子问题评估10种T2I模型，发现数据完整性等维度是普遍瓶颈。
SAD-Flower：用于安全、可接受和动态一致规划的流匹配
机构 * TUM School of Computation, Information and Technology, Technical University of Munich, Munich, Germany.（慕尼黑技术大学计算、信息与技术学院） ； Munich Institute of Robotics（慕尼黑机器人与智能机构研究所） ； Munich Data Science Institute (MDSI)（慕尼黑数据科学研究所） ； National University of Singapore（新加坡国立大学） ； National Taiwan University (NTU)（国立台湾大学） ； NTU Artificial Intelligence Center of Research Excellence (NTU AI-CoRE)（国立台湾大学人工智能研究中心） ； University of Utah（犹他大学） ； Beijing Institute of Technology（北京理工大学） ； McGill University（麦吉尔大学）
AI总结 提出SAD-Flower框架，通过虚拟控制输入增强流匹配，利用非线性控制理论提供状态约束、动作约束和动态一致性的形式化保证，无需重新训练即可在测试时满足未见约束。
Audio-FLAN：面向语音、音乐和声音的统一音频理解与生成的指令跟随数据集
机构 * The Hong Kong University of Science（香港科学与技术大学） ； Inner Mongolia University（内蒙古大学） ； Beihang University（北京航空航天大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学） ； University of Surrey（萨里大学） ； University of Rochester（罗切斯特大学） ； Independent Researcher（独立研究者）
AI总结 提出Audio-FLAN数据集，包含80种任务和1亿实例，支持统一音频理解与生成的零样本学习。
从流行文本记忆推断大型语言模型的规模
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出一种黑盒方法，通过分析模型对流行文本的记忆准确性，仅从生成文本推断LLM参数规模的下界，并验证了开源和闭源模型。
模态间隙驱动的子空间对齐训练范式用于多模态大语言模型
机构 * HKUST(GZ)（香港科技大学（广州）） ； NUS（新加坡国立大学） ； sh AILab ； SII ； Stanford（斯坦福大学） ； UCLA（加州大学洛杉矶分校） ； Yale（耶鲁大学） ； SJTU（上海交通大学） ； GBU（国防大学） ； PKU（北京大学）
AI总结 针对多模态对比学习中的模态间隙问题，提出固定帧模态间隙理论，并基于该理论设计无训练的对齐策略ReAlign和可扩展训练范式ReVision，利用无配对数据实现视觉与语言表示的高效对齐。
潜空间：基础、演化、机制、能力与展望
机构 * National University of Singapore（国立新加坡大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Renmin University of China（中国人民大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； DeepWisdom（深智科技） ； Nanjing University（南京大学） ； Shanghai Jiatong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； Tencent Hunyuan（腾讯文深） ； QuantaAlpha（量子阿尔法） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang Lab（浙江实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-sen University（中山大学）
AI总结 本文综述潜空间在语言模型中的基础、演化、机制与能力，指出其克服显式空间计算的结构性限制，并展望未来研究方向。
Chameleon: 用于视觉运动操控的索引控制前瞻记忆
机构 * MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室） ； Institute for Infocomm Research, A*STAR, Singapore（新加坡*STAR信息与通信研究所） ； National University of Singapore（新加坡国立大学）
AI总结 提出Chameleon策略，通过索引控制前瞻记忆解决观察-动作延迟问题，在Camo-Dataset上决策成功率从22.5%提升至80.8%，并在多个基准上达到最优。
Comments Code is available at https://github.com/gxyes/MARS_Chameleon
通过光学字符识别重新思考基因组建模
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OpticalDNA框架，将DNA渲染为视觉布局，利用视觉语言模型进行OCR式基因组理解，实现高保真压缩和长序列高效处理，在450k碱基序列上以近20倍更少有效token超越基线模型。
Comments Accepted by ICML 2026
基于SHAP引导的核化Actor-Critic可解释强化学习
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RSA2C算法，利用RKHS-SHAP计算状态属性，通过马氏门控权重调节Actor梯度和Advantage Critic目标，实现高效、稳定且可解释的强化学习。
Journal ref ICML2026
CHDP：参数化动作空间中强化学习的协同混合扩散策略
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 针对混合动作空间中的策略表达力不足和高维扩展性差问题，提出协同混合扩散策略框架，通过离散和连续扩散策略的协作与顺序更新，结合码本嵌入和Q函数引导，在基准测试中成功率提升高达19.3%。
Comments Accepted by AAAI 2026
pTNAS: 面向表格数据的渐进式神经架构搜索
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 提出首个针对表格数据的渐进式神经架构搜索方法pTNAS，采用过滤-精炼优化策略，结合零成本代理和固定预算调度算法，实现架构快速识别与性能持续提升，相比其他NAS方法加速高达82.75倍。
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