Nanyang Technological University（南洋理工大学）

Fast-DataShapley: Neural Modeling for Training Data Valuation

Fast-DataShapley: 用于训练数据估值的神经建模

Haifeng Sun, Yu Xiong, Runze Wu, Xinyu Cai, Changjie Fan, Lan Zhang, Xiang-Yang Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Netease, Fuxi AI Lab（网易智谱实验室） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 Fast-DataShapley通过神经建模实现训练数据估值，提升效率和性能

Journal ref ACM WSDM 2026

Co-Reinforcement Learning for Unified Multimodal Understanding and Generation

协同强化学习用于统一多模态理解和生成

Jingjing Jiang, Chongjie Si, Jun Luo, Hanwang Zhang, Chao Ma

机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） 纠错

AI总结 本文提出CoRL框架，通过协同强化学习提升多模态大语言模型在生成与理解任务上的性能。

Comments NeurIPS 2025

Simple Lines, Big Ideas: Towards Interpretable Assessment of Human Creativity from Drawings

简单线条，大想法：迈向从绘画中可解释的创造力评估

Zihao Lin, Zhenshan Shi, Sasa Zhao, Hanwei Zhu, Lingyu Zhu, Baoliang Chen, Lei Mo

机构 * Department of Computer Science, South China Normal University, Guang Zhou, China（华南师范大学计算机学院） ； Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China（香港城市大学计算机学院） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院） 纠错

AI总结 本文提出一种基于数据驱动的框架，通过分析绘画内容和风格来自动评估创造力，并提供可解释的可视化结果。

Comments We updated the version, expanding related work (acknowledging Nath et al., 2025, Pencils to Pixels: A Systematic Study of Creative Drawings) and clarifying how our model builds upon the content-style framework

Learning from Dense Events: Towards Fast Spiking Neural Networks Training via Event Dataset Distillation

从密集事件学习：通过事件数据集蒸馏实现快速脉冲神经网络训练

Shuhan Ye, Yi Yu, Qixin Zhang, Chenqi Kong, Qiangqiang Wu, Kun Wang, Xudong Jiang

机构 * Nanyang Technological University（南洋理工大学） 纠错

AI总结 PACE通过事件数据集蒸馏框架，实现快速SNN训练，提升动态事件流处理效率。

Towards Efficient Multimodal Unified Reasoning Model via Model Merging

通过模型合并实现高效的多模态统一推理模型

Qixiang Yin, Huanjin Yao, Jianghao Chen, Jiaxing Huang, Zhicheng Zhao, Fei Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Key Laboratory of Network System and Network Culture（北京网络系统与网络文化重点实验室） ； Key Laboratory of Interactive Technology and Experience System, Ministry of Culture and Tourism（文化和旅游部交互技术与体验系统重点实验室） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） 纠错

AI总结 Tiny-R1V通过两阶段优化和模型合并方法，实现高效多模态推理，提升轻量模型在多种任务中的性能。

Comments Technical report, Code will be available at https://github.com/buptyqx/Tiny-R1V