高校专区
长视界终端任务的递归合成
机构 * Tencent HY LLM Frontier（腾讯HY大模型前沿团队） ； University of Georgia（佐治亚大学） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； National University of Singapore（新加坡国立大学） ； Hong Kong Polytechnic University（香港理工大学）
AI总结 本文提出RST递归合成框架，低成本规模化生成3.7万余个长视界终端任务，经微调或PPO优化后，多款Qwen模型在多个终端基准任务上性能显著提升，且递归过程无明显上限。
有限时间最坏界与队列控制中的最优Lyapunov策略
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出了一种基于Lyapunov的调度策略LyapOpt，在有限时间内实现最优性能，同时揭示了经典MaxWeight策略的局限性。
具身融合智能体：以人为中心的智能体人工智能新范式
机构 * Université de Montréal（蒙特利尔大学） ； Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所） ； Institute of Advanced Intelligence and Computing (IAIC), A*STAR（新加坡科技研究局高级智能与计算研究所） ； Nanjing Medical University（南京医科大学） ； Nanjing University（南京大学） ； Renmin University of China（中国人民大学） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Southern University of Science and Technology（南方科技大学） ； Southeast University（东南大学） ； University of Glasgow（格拉斯哥大学） ； Nanyang Technological University（南洋理工大学）
AI总结 该研究提出以人为中心的 Combodied Agents 新范式，整合多类智能体能力形成闭环，聚焦人类状态轨迹建模，推动智能体 AI 从任务完成转向人类持续福祉。
Comments 38 pages, 6 figures, 10 tables
过渡中的持续学习
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）
AI总结 本文系统综述持续学习从以参数为中心向系统级适配的转变，通过时机、方式、位置三轴框架分析其演化，讨论相关挑战与未来方向。
Comments Survey on continual learning in the LLM and agentic-AI era
具备跨学科泛化能力的数值智能基础模型
机构 * National University of Singapore（新加坡国立大学）
AI总结 本文提出UNICON这一数值智能基础模型，可跨学科泛化，结合语言模型智能体后能超越训练未涉及学科的最先进专业人员，训练语料库多样性可提升泛化能力。
通过非线性多适配器的视觉-语言模型实现简单的效率增量学习框架
机构 * Faculty of Information Technology, University of Jyväskylä（信息科技学院，于韦斯屈耶大学） ； National University of Singapore（新加坡国立大学） ； Lab of Brain-Machine Intelligence, Zhejiang University（脑机智能实验室，浙江大学） ； School of Computer Science and Technology, Dalian University of Technology（计算机科学与技术学院，大连理工大学）
AI总结 本文提出SimE框架，利用视觉-语言模型与适配器提升增量学习效率，发现适配器连接数与模型能力呈非线性关系，实验表明在TinyImageNet和CIFAR-100上优于传统方法。
持续学习中的表示微调
机构 * Faculty of Information Technology, University of Jyväskylä（约赫斯库利亚大学信息科技学院） ； National University of Singapore（新加坡国立大学） ； School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）
AI总结 本文提出CoRe框架，将微调从权重空间转向表示空间，通过低秩线性子空间进行任务特定干预，实现参数高效且稳定的持续学习。
SCAR-GS：用于渐进高斯点扩散中残差的空间上下文注意力
机构 * National University of Singapore（新加坡国立大学） ； University of Deusto（德乌斯大学）
AI总结 SCAR-GS通过残差向量量化和自回归熵模型提升3D高斯点扩散的压缩效率与率-失真性能。
在向量心电图空间中学习心脏潜在表示
机构 * Griffith University, Australia（格里菲斯大学） ； SingHealth Duke-NUS AI in Medicine Institute, Singapore（新加坡SingHealth Duke-NUS医学人工智能研究所） ； Emory University, USA（埃默里大学）
AI总结 针对标准十二导联心电图表示学习中的冗余和过拟合问题，提出基于Frank向量心电图模型的LVCG框架，在物理潜在空间中学习视图不变的心脏电活动表示，提升鲁棒性和泛化能力。
OmniVTA: 用于接触密集机械操作的视觉-触觉世界建模
机构 * TARS Robotics（TARS机器人实验室） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； CASIA（中国科学院自动化研究所） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院） ； Beihang University（北京航空航天大学）
AI总结 本文提出OmniVTA框架，结合预测接触建模与高频触觉反馈，通过大规模视觉-触觉-动作数据集提升接触密集操作的性能与泛化能力。
Comments Project Page: https://mrsecant.github.io/OmniVTA
广义线性马尔可夫决策过程
机构 * Division of Biostatistics and Health Data Science, University of Minnesota, USA（明尼苏达大学生物统计与健康数据科学系） ； School of Mathematical Sciences, Zhejiang University, China（浙江大学数学科学学院） ； Department of Statistics, Harvard University, USA（哈佛大学统计系） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health, USA（哈佛T.H. Chan公共卫生学院生物统计学系） ； Department of Statistics and Data Science, National University of Singapore, Singapore（新加坡国立大学统计与数据科学系）
AI总结 针对离线强化学习在纵向研究中面临的奖励与转移观测问题，提出GRASP-MDP框架，通过奖励-转移分离的贝尔曼分解，利用仅转移观测提升估计性能，在模拟和真实电子健康数据中验证了有效性。
Comments 111 pages
作为视觉-语言-动作模型轨迹先验的埃尔米特曲线
机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Jiangsu Cytoderm Intelligent Technology Co., Ltd.（江苏赛克德智能科技有限公司） ； National University of Singapore（新加坡国立大学）
AI总结 该研究针对视觉-语言-动作模型动作块的弱结构化问题，提出埃尔米特轨迹先验，其中埃尔米特正则化变体在仿真与真实机器人任务中显著提升了操纵成功率且无额外推理开销。
Comments Project page is available at https://aopolin-lv.github.io/Hermite/
ConMem：面向长周期制造检查日志的贡献感知记忆
机构 * Shandong University（山东大学） ； Boston University（波士顿大学） ； North China Electric Power University（华北电力大学） ； National University of Singapore（新加坡国立大学） ； Joint SDU-NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University（山东大学-南洋理工大学人工智能联合研究中心（C-FAIR）） ； Rizhao Steel Holding Group Co., Ltd.（日照钢铁控股集团有限公司）
AI总结 该研究针对长周期制造检查日志的早期风险筛查需求，提出ConMem贡献感知记忆框架，通过Shapley风格评估保留高价值证据，在真实数据集上实现76.0% QA准确率，大幅减少输入token数与响应时间，可有效保留弱早期信号并提供预警。
用于具身操纵的数据金字塔
机构 * PKU（北京大学） ； NTU（南洋理工大学） ； HKUST（香港科技大学） ； NUS（新加坡国立大学） ； CUHK（香港中文大学） ； HKU（香港大学） ； Duke（杜克大学） ； UCB（加州大学伯克利分校） ； GBU（未提及具体中文名的机构） ； NJU（南京大学） ； SJTU（上海交通大学）
AI总结 研究围绕具身操纵数据生态系统展开，构建跨越五个互补数据源的“数据金字塔”，通过数据配方分析具身基础模型，将数据组成与多种能力联系起来，并讨论了六个开放挑战，为下一代具身系统设计奠定基础。
Comments Awesome Embodied Data Pyramid; Project Page at https://jasper-aaa.github.io/embodied-data-pyramid/ GitHub Repo at https://github.com/worldbench/awesome-embodied-data-pyramid
READER: 基于提取表示的鲁棒证据作者身份解码
机构 * National University of Singapore（新加坡国立大学） ； Xidian University（西安电子科技大学） ； Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AI总结 针对黑盒LLM来源识别问题，提出READER框架，通过冻结代理LLM读取隐藏作者证据，利用贝叶斯证据累积实现多查询归因，在Agent500数据集上显著优于基线方法。
变换器能生成多少种不同的输出？
机构 * Department of Mathematics, National University of Singapore, Singapore, 117543（新加坡国立大学数学系） ； School of Computing, National University of Singapore, Singapore, 117543（新加坡国立大学计算学院） ； Aix Marseille Univ, CNRS, I2M, Marseille, France（法国马赛大学、国家科学研究中心、I2M研究所） ； 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 研究如何利用变换器架构中的少量特性来准确预测其能生成的不同序列数量，包括定性和定量分析，并提供基于提示长度的上限，实验证明在不同架构和模型大小下该上限紧致于10倍以内。分析还解释了之前在简单序列任务（如复制和填塞）中观察到的变换器经验性失败现象。
Comments ICML 2026 Oral
Adalina: Shapley值及更广的半值的自适应线性逼近
机构 * School of Computer Science, University of Waterloo, Canada（滑铁卢大学计算机科学学院） ； Department of Computer Science, National University of Singapore, Republic of Singapore（新加坡国立大学计算机科学系） ； Vector Institute, Canada（加拿大向量研究所）
AI总结 针对Shapley值及其半值族的高效近似问题，提出一种基于向量集中不等式的理论框架，并开发了线性空间算法Adalina，在Θ(n)空间约束下实现O(n/ε² log(1/δ))次查询，显著降低均方误差。
面向时间到事件临床结果的联邦风险差估计的通信高效方法
机构 * College of Mathematics, Taiyuan University of Technology, China（太原科技大学数学学院） ； Centre for Quantitative Medicine, Duke-NUS Medical School, Singapore（新加坡国立大学医学院定量医学中心） ； Systems Research, Duke-NUS Medical School, Singapore（新加坡国立大学医学院系统研究）
AI总结 FedRD是一种通信高效的联邦学习框架，用于分布式生存数据中的风险差估计，提供置信区间和假设检验能力，优于本地和联邦基线方法。
基于Transformer的神经量子数字孪生用于多体量子模拟与最优退火调度设计
机构 * Department of Mathematics, Faculty of Science, National University of Singapore（新加坡国立大学数学系） ； Centre for Quantitative Finance, Faculty of Science, National University of Singapore（新加坡国立大学量化金融中心） ； Risk Management Institute, National University of Singapore（新加坡国立大学风险管理研究所）
AI总结 基于Transformer的神经量子数字孪生通过预测能级和间隙位置，优化退火调度设计，提升量子退火在真实硬件上的性能。
Comments 63 pages, 13 figures, 3 tables
MoCA：隐式社会语境分析
机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Wuhan University（武汉大学）
AI总结 本文提出隐式社会语境分析（MoCA）新任务，构建含3108个实例的基准数据集，提出CoDAR框架提升模型性能，但模型与人类推理仍存差距，凸显隐式社会理解难度。
无参数动态遗憾：时变移动成本、延迟反馈和记忆
机构 * University of Iowa（爱荷华大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出一种新算法，在具有时变移动成本的在线凸优化中，首次实现了比较器自适应的动态遗憾界，并应用于延迟反馈和时变记忆问题。
Comments 28 pages; v2: ICML 2026; v3: typos + fixed document outline
OPD-V：结合模态平衡的视觉在线策略自蒸馏
机构 * National University of Singapore（新加坡国立大学） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Sun Yat-sen University（中山大学）
AI总结 该研究针对多模态大语言模型的模态不平衡问题，提出视觉在线策略自蒸馏范式OPD-V，通过正、负教师模型实现模态平衡，在多基准与骨干上提升推理性能并降低训练成本。
Comments Corrected the uploaded manuscript. Project Page:https://github.com/aniri15/OPD-V
OSReward：为跨平台计算机使用奖励模型建立标准化评估
机构 * The University of Hong Kong（香港大学） ； Nanjing University（南京大学） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学）
AI总结 本研究推出OSReward基准评估VLM评判者的可靠性，构建OS-Shepherd开源奖励模型缩小成本差距，为规模化可靠CUA奖励设计提供参考
Comments Work in progress
面向无源时间序列预测的不变表示学习：以大语言模型为中心的代理去噪方法
机构 * East China Normal University（东华大学） ； Nanyang Technological University（南洋理工大学） ； Hong Kong Polytechnic University（香港理工大学） ； 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）
AI总结 本研究针对无源时间序列预测问题，提出以LLM为中心的TimeID框架，通过双分支不变解耦特征学习、代理去噪与知识蒸馏，在实际数据集上较最优基线平均降低MSE 10.7%、MAE 9.3%。
Comments Accepted by ICML2026
面向第一人称视角助手的视觉意图定位
机构 * National University of Singapore（新加坡国立大学） ； Google DeepMind（谷歌DeepMind）
AI总结 本文提出首个第一人称视觉意图定位数据集EgoIntention，及推理至定位（RoG）指令微调方法，解决多模态模型在第一人称视角下的意图定位问题，实现了统一的视觉定位能力。
分布鲁棒迁移学习在结构缺失协变量中的应用：以跨国心脏骤停预测为例
机构 * Centre for Biomedical Data Science, Duke-NUS Medical School, Singapore（生物医学数据科学中心，杜克-国家大学医学院，新加坡） ； Duke-NUS AI + Medical Sciences Initiative, Duke-NUS Medical School, Singapore（杜克-国家大学医学院AI+医学科学倡议，新加坡） ； Department of Biostatistics and Bioinformatics, Duke University, Durham, NC, USA（生物统计学与生物信息学系，杜克大学，北卡罗来纳州达勒姆，美国） ； Duke Clinical Research Institute, Durham, NC, USA（杜克临床研究学院，北卡罗来纳州达勒姆，美国） ； Emergency Medicine Department, National University Hospital, Singapore（急诊医学部，国立大学医院，新加坡） ； Department of Sport and Medical Science, Faculty of Physical Education, Kokushikan University, Tokyo, Japan（体育与医学科学系，体育学院，立命馆大学，东京，日本） ； Graduate School of Emergency Medical System, Kokushikan University, Tokyo, Japan（急救医疗系统研究生院，立命馆大学，东京，日本） ； Department of Emergency Medicine, Seoul National University College of Medicine, Seoul, Republic of Korea（急诊医学系，首尔国立大学医学院，首尔，韩国） ； Center for Emergency Medicine, Bach Mai Hospital, Hanoi, Vietnam（急救医学中心，巴赫梅医院，河内，越南） ； Center for Critical Care Medicine, Bach Mai Hospital, Hanoi, Vietnam（重症医学中心，巴赫梅医院，河内，越南） ； Health Services Research Centre, Singapore Health Services, Singapore（卫生服务研究中心，新加坡卫生服务，新加坡） ； Department of Emergency Medicine, Singapore General Hospital, Singapore（急诊医学部，新加坡中央医院，新加坡） ； Pre-hospital & Emergency Research Centre, Health Services Research and Population Health, Duke-NUS Medical School, Singapore（院前与急诊研究中心，卫生服务研究与人口健康，杜克-国家大学医学院，新加坡）
AI总结 提出DRUM框架，通过分布鲁棒优化和神经网络生成器处理目标域中结构缺失的协变量，实现无标签目标域的预测模型迁移，并在跨国心脏骤停预测中验证有效性。
SHIELD：一种用于边缘NPUs上高效LLM推断的分段分层内存架构
机构 * National University of Singapore（新加坡国立大学）
AI总结 SHIELD通过分段eDRAM架构优化边缘NPUs上LLM推断的能效，减少eDRAM刷新能耗35%同时保持准确性。
Comments Accepted to 2026 IEEE 8th International Conference on Artificial Intelligence Circuits and Systems (AICAS'26)
超越狄拉克 delta：缓解强化微调中的多样性崩溃以实现多功能图像生成
机构 * Nanjing University（南京大学） ； Australia National University（澳大利亚国立大学） ； Wuhan University（武汉大学） ； National University of Singapore（新加坡国立大学） ； University of Technology Sydney（技术科技大学）
AI总结 DRIFT通过激励输出多样性缓解强化微调中的多样性崩溃，提升图像生成的多样性和任务对齐能力。
模型逆向与密码学模糊提取器的结合
机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 研究模型逆向攻击对基于ML的面部认证系统的威胁，分析现有ℓ2-模糊提取器的安全性缺陷，并提出一种新的安全方案。
从森林到未来首都：利用PlanetScope影像追踪2021至2026年努桑塔拉首都（IKN）的土地覆盖变化
机构 * National University of Singapore（新加坡国立大学） ； The Chinese University of Hong Kong（香港中文大学）
AI总结 本研究利用PlanetScope影像结合遥感技术与支持向量机算法，追踪印尼新首都IKN核心区2021-2026年的土地覆盖变化，发现植被与碳储量下降、建设用地扩张，证实遥感可有效监测大型城市发展的环境影响。
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