高校专区
验证器即课程：用于跨家族游戏生成的执行门控自蒸馏
机构 * Institute of Science Tokyo（东京科学研究所） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对游戏生成中代码生成器的优化，提出执行门控自蒸馏方法，通过严格启动过滤器提升跨家族泛化能力，在GameCraft-Bench上实验表明该方法显著提高干净生成率和覆盖率，验证器对模型学习有重要作用。
Dec-MARVEL：预算约束下无通信的去中心化多智能体探索
机构 * Sogang University（西江大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对多无人机探索受多种限制的问题，提出Dec-MARVEL框架，各机器人通过偶然观察协调，图注意力智能体融合多种特征选动作，经特定训练方式训练，在多场景试验中表现出色，实现模拟到现实的成功迁移与实际部署。
Comments 8 pages, 5 figures
长视野终端基准测试：使用基于密集奖励的评分方式测试智能体在长视野终端任务中的极限
机构 * Tencent（腾讯） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Georgia（佐治亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； Lehigh University（里海大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong Polytechnic University（香港理工大学）
AI总结 研究针对现有终端基准测试局限，引入长视野终端基准测试（Long-Horizon-Terminal-Bench），含46个长视野任务。通过分解为分级子任务提供密集中间奖励，评估15个前沿模型，揭示改进空间，分析失败模式，发布该基准测试助力长视野终端智能体发展。
Comments 17 pages
FARS：一个大规模部署的全自动研究系统
机构 * Analemma ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； University College Dublin（都柏林大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； ByteDance（字节跳动） ； ShanghaiTech University（上海科技大学） ； University of Warwick（华威大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； Tencent（腾讯） ； The University of Hong Kong（香港大学） ； Shanghai Innovation Institute（上海创新研究院） ； Nex-AGI Team（Nex-AGI团队）
AI总结 提出FARS系统，通过分阶段智能体协作自动生成研究项目，在67个AI/ML主题上产出166篇论文，经282份评审验证其可产出有价值成果，同时暴露实验范围窄、方法局限和诚信问题。
TouchThinker: 通过大规模数据和动作感知表示将触觉常识推理扩展到开放世界
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； National University of Singapore（新加坡国立大学） ； Zhongguancun Academy（中关村学院） ； Xiamen University（厦门大学） ； Xi’an Jiaotong University（西安交通大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学）
AI总结 提出TouchThinker框架，通过构建百万级多源触觉数据集TouchThinker-1M和动作感知建模，将触觉常识推理扩展到开放世界，在多个数据集上取得竞争性表现。
Comments 18 pages, 11 figures
Incantation: 自然语言作为多实体视频世界模型的动作接口
机构 * SJTU（上海交通大学） ； NVIDIA Research（英伟达研究） ； USTC（中国科学技术大学） ； UCAS（乌兹别克斯坦科学院） ； NUS（新加坡国立大学） ； UWaterloo（滑铁卢大学） ； HKUST（香港理工大学） ； HKU（香港大学） ； ZGCA（浙江大学）
AI总结 本研究提出了一种基于自然语言的动作接口，用于多实体视频世界模型，解决了传统接口在细粒度多实体控制和跨实体、跨世界泛化能力上的不足，通过引入自然语言条件化实现了更强大的表达能力。
欧拉运动引导：基于双向几何一致性的鲁棒图像动画
机构 * National University of Singapore（新加坡国立大学） ； Centre for AI Research, VinUniversity（Vin大学人工智能研究中心） ； Nanyang Technological University（南洋理工大学）
AI总结 提出使用相邻帧欧拉运动场引导生成，并通过双向几何一致性机制解决遮挡问题，实现加速训练、保持时间连贯性和减少动态伪影。
Comments Accepted by ACM MM 2026. Code is available at https://github.com/nguyentthong/eulerian_motion_guidance
BalDRO：一种基于分布鲁棒优化的大语言模型遗忘框架
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） ； Hefei University of Technology（合肥工业大学）
AI总结 针对大语言模型遗忘中样本不均衡问题，提出BalDRO框架，将遗忘设为最小-上确界过程，通过内、外步更新参数，经BalDRO-G和BalDRO-DV变体实例化，实验显示其在遗忘质量和模型效用上显著优于现有方法。
DR-Arena：深度研究智能体的自动化评估框架
机构 * National University of Singapore（国立新加坡大学） ； Nanyang Technological University（南洋理工大学） ； Singapore Management University（新加坡管理学院） ； Singapore University of Technology and Design（新加坡科技设计大学）
AI总结 针对大语言模型作深度研究智能体时任务性能评估难的问题，提出DR-Arena自动化评估框架，通过动态调查、构建实时信息树、自动考官出题及自适应进化循环提升任务复杂性来评估，实验证明其与人类偏好对齐效果好，可替代人工裁决。
Comments 22 pages, 8 figures. Accepted to ACL 2026 as an oral presentation and selected as an SAC Highlight
Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 27130-27152, 2026
通过测试时提示自适应增强视觉语言模型的鲁棒性
机构 * University of Science（科学大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science（香港科学大学）
AI总结 研究针对对抗扰动下视觉语言模型性能下降问题，提出RITA框架，通过最优传输实现分布级对齐，引入动态缓存积累线索，提升了模型对抗鲁棒性且不损干净准确率。
Comments ICML 2026 regular
用于动作分割数据集压缩的自适应潜在轨迹锚定
机构 * National University of Singapore（新加坡国立大学） ； ETH Zurich（苏黎世联邦理工学院）
AI总结 该研究针对动作分割数据集压缩问题，提出利用去噪扩散隐式模型，将动作段表示为噪声流形中由稀疏潜在点锚定连续轨迹的方法，并引入自适应分配机制。实验表明，该框架显著优于现有方法，在保持低压缩率时实现与真实数据训练相当的性能。
Comments 16 pages, 5 figures, accepted to ECCV 2026
使用适度非结构化稀疏权重矩阵加速大语言模型的GPU推理
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学）
AI总结 研究大语言模型推理成本挑战，提出含稀疏张量核层等的三层矩阵存储格式，设计联合稀疏张量核与CUDA核的SpMM内核，实现了在现代GPU上超越密集矩阵乘法，取得显著加速。
Comments DAC 2026
电子健康记录多模态分析中的对比学习
机构 * Harvard T.H. Chan School of Public Health（哈佛T.H. 柏林公共卫生学院） ； Harvard Medical School（哈佛医学院） ； Rutgers University（罗格斯大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对电子健康记录多模态数据传统分析方法不足，提出多模态特征嵌入生成模型及对比损失来学习特征表示，经理论分析、模拟研究和真实数据验证，该方法有效且具隐私保护特性，展现了多模态学习优势。
自利代理社会中市场稳定性的形式机制：市场模拟研究
机构 * DSO National Laboratories（国防科技研究院） ； National University of Singapore（新加坡国立大学）
AI总结 研究自利代理社会中市场稳定性的形式机制，通过多智能体市场模拟实验，比较八种机制，发现调解机制最佳，对其进行对抗性红队测试，结果表明该机制具有对抗鲁棒性，能在攻击下维持市场稳定。
Comments 23 pages, 8 figures
通过多尺度图像表示进行无配对联合分布建模
机构 * Yau Mathematical Sciences Center, Tsinghua University（丘成桐数学科学中心，清华大学） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） ； Qiuzhen College, Tsinghua University（清华大学求真书院） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究院） ； State Key Laboratory of Membrane Sciences, Tsinghua University（清华大学膜生物学国家重点实验室）
AI总结 研究从边际观测学习联合分布问题，提出LUD - MSR框架，通过辅助表示建模并优化证据下界，建立误差上界揭示权衡，引入MSR映射，实验证明该框架在真实去噪基准测试中有效。
深入探究低秩视觉-语言对齐中的隐式偏差
机构 * Shenzhen University of Advanced Technology（深圳先进技术研究院） ； National University of Singapore（新加坡国立大学） ； Mininglamp（明略科技）
AI总结 挑战视觉-语言对齐需全参数更新的观点，研究低秩适应在此阶段的应用，发现其能降成本且性能优。通过实证、几何分析和理论推导探究现象原因，并进行多方面消融实验。
Comments Accepted by ECCV 2026
代理假设：从语义嵌入到有效的社会测量
机构 * National University of Singapore（新加坡国立大学） ； Asian Institute of Digital Finance（亚洲数字金融研究院）
AI总结 本文提出Construct Validity Protocol，通过因果表示学习和心理测量学，提供从概念化到量化验证的严谨流程，利用Counterfactual Neutralization方法减少嵌入空间中的混淆因素，构建标准化的效度套件以提升社会测量的科学性。
Comments ACL 2026 (Oral + SAC Highlight)
数据更少，收敛更快：面向多模态指令微调的目标驱动数据优化
机构 * Peking University（北京大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出目标驱动数据优化框架GDO，通过优化训练样本实现更快收敛和更高精度，适用于多模态指令微调任务。
Comments Accepted to ECCV 2026
用于机器人操作的视觉-语言-动作模型中的双潜记忆
机构 * Nanjing University of Science and Technology（南京理工大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对主流VLA模型处理长期任务的不足，提出LaMem-VLA框架，通过四个协调组件将历史经验重构为潜记忆令牌并与VLA推理直接交织，实现在同一潜空间处理历史经验，经实验验证该框架具有优越性。
Comments Project page: https://github.com/quhongyu/LaMem-VLA
SoccerNet 2026挑战结果
机构 * University of Liège（列日大学） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； Spiideo（斯皮迪奥公司） ； Aalborg University（奥尔堡大学） ； SpAItial（斯帕蒂亚尔公司） ； Center for Robotics, Mines Paris, PSL（巴黎矿业学院机器人中心（巴黎文理研究大学）） ； Footovision（Footovision公司） ； Shanghai Jiao Tong University（上海交通大学） ； Universitat de Barcelona（巴塞罗那大学） ； Computer Vision Center（计算机视觉中心） ； EVS Broadcast Equipment（EVS广播设备公司） ； Pioneer Center for Artificial Intelligence（先锋人工智能中心） ； Lund University（隆德大学） ； TAHAKOM（TAHAKOM公司） ； Mohamed Bin Zayed University for Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； Sber AI（Sber人工智能公司） ； Salute For Business（Salute For Business公司） ； Intelligent Perception and Image Understanding Lab, Xidian University（西安电子科技大学智能感知与图像理解实验室） ； South China University of Technology（华南理工大学） ； Hefei University of Technology（合肥工业大学） ； Kyungpook National University（庆北国立大学） ； Leipzig University of Applied Sciences（莱比锡应用科学大学） ； Friedrich-Alexander University Erlangen-Nuremberg（埃尔朗根-纽伦堡大学） ； University of Seoul（首尔大学） ； Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳高等研究院） ； Nanjing University（南京大学） ； University of Science, Ho Chi Minh City（胡志明市科技大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学）
AI总结 SoccerNet 2026挑战涵盖五项体育视频理解视觉任务，为每项任务提供数据、协议和基线。众多团队参与，本文介绍任务、评估协议，展示排行榜并总结领先提交内容，记录各任务当前状态。
Comments 40 pages
基于生成代理的最佳臂识别
机构 * School of Operations Research and Information Engineering, Cornell University（康奈尔大学运营研究与信息工程学院） ； 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） ； SC Johnson College of Business, Cornell University（康奈尔大学SC约翰逊商学院） ； Michael G. Foster School of Business, University of Washington（华盛顿大学迈克尔·G·福斯特商学院）
AI总结 研究固定置信度最佳臂识别，将其与廉价代理分数配对，提出PROBE算法，通过控制变量调整转化为异方差问题，证明算法是δ - PAC的，能达到已知相关性神谕样本复杂度，实验证实样本节省与相关性强度成比例。
一种用于模块化软机器人自适应控制的持续学习框架
机构 * The BioRobotics Institute, Scuola Superiore Sant’Anna（生物机器人研究所，圣安娜高等学校） ； Department of Excellence in Robotics and AI, Scuola Superiore Sant’Anna（机器人与人工智能卓越系，圣安娜高等学校） ； Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； ETIS Lab UMR8051 CY Cergy Paris University - ENSEA - CNRS（ETIS实验室UMR8051，CY赛尔吉 - 巴黎大学 - ENSEA - 法国国家科学研究中心）
AI总结 针对模块化软机器人设计控制器的挑战，提出持续学习启发的控制框架，能顺序学习新配置不忘旧知识，可分布式学习特定模块动力学，经实验验证其能适应形态变化并减少计算开销。
一般空间上的快速行列式采样与扩散几何
机构 * National University of Singapore（国立新加坡大学）
AI总结 研究在一般空间（如黎曼流形和加权网络）上的行列式采样，基于谱核建立明确速率保证，实现与可比维度欧几里得空间已知速率匹配，借助韦尔定律及马尔可夫扩散等理论工具。
Comments Preliminary version - to be updated
RoboDojo：用于综合评估通用机器人操作策略的统一模拟与现实基准测试
机构 * UC Berkeley（加州大学伯克利分校） ； THU（清华大学） ； PKU（北京大学） ； Stanford（斯坦福大学） ； MIT（麻省理工学院） ； UNC（北卡罗来纳大学） ； Princeton（普林斯顿大学） ； CMU（卡内基梅隆大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CUHK（香港中文大学） ； SJTU（上海交通大学） ； HKUST (GZ)（香港科技大学（广州）） ； ZJU（浙江大学） ； Yale（耶鲁大学）
AI总结 现有基准测试在系统评估通用机器人操作策略能力方面有限，本文引入RoboDojo统一基准测试，含模拟与现实任务，支持多维度评估及可扩展评估，还建立了公共排行榜与系统分析。
Comments Website: https://robodojo-benchmark.com/, Code: https://github.com/RoboDojo-Benchmark/RoboDojo, Leaderboard: https://robodojo-benchmark.com/leaderboard
A-TMA: 解耦长期智能体记忆中的状态感知记忆故障
机构 * National University of Singapore（新加坡国立大学）
AI总结 针对长期记忆中状态不一致导致的幽灵记忆问题，提出A-TMA方法，通过状态感知覆盖层在存储、检索和回答三个层面解耦故障，在冲突密集基准上显著提升时间F1。
不确定性下用于开放世界机器人规划的假设驱动模型扩展
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究所）
AI总结 针对开放世界机器人规划中传统方法失效的问题，提出假设驱动模型扩展框架，利用基础模型生成假设，结合自动规划与验证反馈进行迭代优化，实现自主知识扩展，推动家用服务机器人实际部署。
Comments Accepted to Robotics: Science and Systems (RSS) 2026
从被动检索到主动记忆导航：学习将记忆用作结构化动作空间
机构 * Alibaba（阿里巴巴） ； ShanghaiTech University（上海科技大学） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； National University of Singapore（新加坡国立大学）
AI总结 研究针对个性化对话代理中记忆系统的被动性问题，提出NapMem框架，将用户记忆组织成多粒度金字塔并通过工具暴露层次，经记忆工具强化学习训练智能体，在多任务实验中具竞争力，还进行了多方面分析，证明结构化存储与策略结合对长期用户记忆有益。
从车道感知角度评估自动驾驶对环境错觉的鲁棒性：基准测试
机构 * SKLCCSE, the School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院软件安全技术与工程北京市重点实验室） ； the School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络空间科学与技术学院） ； Henan University of Science and Technology（河南科技大学） ； the School of Computing, National University of Singapore（新加坡国立大学计算学院） ； College of Computing & Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
AI总结 研究自动驾驶对环境错觉的鲁棒性，聚焦传统车道检测和视觉语言模型系统。引入基准LanEvil++并评估，发现错觉严重影响性能，阴影干扰最大。提出多模态错觉防御方法MIDA，有效提升了模型在挑战性条件下的鲁棒性。
Comments Accepted by IEEE TPAMI 2026
Image2Sim：通过生成神经模拟器扩展具身导航
机构 * National University of Singapore（新加坡国立大学） ； HKUST（香港科技大学）
AI总结 研究针对具身导航缺乏优质交互环境的问题，提出Image2Sim实时神经模拟框架，通过解耦3D空间锚定与观察合成构建环境，能大规模生成相关数据，训练的导航模型在基准测试中有提升且可迁移，为具身导航提供实用训练基础。
DanceOPD：在策略生成场蒸馏
机构 * ByteDance Seed（字节跳动Seed） ； NUS（新加坡国立大学） ； UMD（马里兰大学） ； HKUST（香港科技大学）
AI总结 提出DanceOPD框架，通过将每个样本路由到能力场并查询低噪声学生诱导状态，用速度MSE损失训练流匹配模型，实现文本到图像、局部编辑和全局编辑的多能力组合，提升目标能力同时保持生成质量。
Comments Technical Report; 40 pages, 13 figures, 9 tables; Project Page at https://danceopd.github.io/ GitHub Repo at https://github.com/worldbench/DanceOPD
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