Nanyang Technological University（南洋理工大学）

Neural Theorem Proving for Verification Conditions: A Real-World Benchmark

为验证条件进行神经定理证明：一个现实世界的基准测试

Qiyuan Xu, Xiaokun Luan, Renxi Wang, Joshua Ong Jun Leang, Peixin Wang, Haonan Li, Wenda Li, Conrad Watt

机构 * Nanyang Technological University（南洋理工大学） ； Peking University（北京大学） ； MBZUAI ； Imperial College London（帝国理工学院） ； East China Normal University（华东师范大学） ； University of Edinburgh（爱丁堡大学） 纠错

AI总结 本研究提出NTP4VC，首个现实世界多语言基准测试，评估LLMs在自动验证条件证明中的表现，揭示程序验证中的挑战与未来研究方向。

Comments Accepted in ICLR'26

E2HiL: Entropy-Guided Sample Selection for Efficient Real-World Human-in-the-Loop Reinforcement Learning

E2HiL: 基于熵引导的高效真实世界人机协同强化学习样本选择

Haoyuan Deng, Yuanjiang Xue, Haoyang Du, Boyang Zhou, Zhenyu Wu, Ziwei Wang

机构 * Nanyang Technological University, Singapore（南洋理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

AI总结 E2HiL通过熵引导的样本选择方法，提高了真实世界人机协同强化学习的样本效率和成功率，减少了人工干预需求。

Comments Project page: https://e2hil.github.io/

Attribution Techniques for Mitigating Hallucinated Information in RAG Systems: A Survey

缓解RAG系统中幻觉信息的归因技术：综述

Yuqing Zhao, Ziyao Liu, Yongsen Zheng, Kwok-Yan Lam

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

AI总结 本文综述了RAG系统中缓解幻觉的归因技术，通过分类幻觉类型、统一流程和比较优劣，为实际应用提供指导。

Journal ref The 8th International Conference on Artifcial Intelligence in Information and Communication (ICAIIC 2026)

RubricHub: A Comprehensive and Highly Discriminative Rubric Dataset via Automated Coarse-to-Fine Generation

RubricHub: 通过自动化粗到细生成构建一个全面且高度判别性的评分标准数据集

Sunzhu Li, Jiale Zhao, Miteto Wei, Huimin Ren, Yang Zhou, Jingwen Yang, Shunyu Liu, Kaike Zhang, Wei Chen

机构 * Li Auto Inc. ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； The Chinese University of Hong Kong, Shenzhen, China（香港中文大学（深圳）） 纠错

AI总结 RubricHub通过自动化粗到细生成方法构建了一个大规模多领域评分标准数据集，通过后训练流程显著提升了模型在HealthBench上的表现。

Read as You See: Guiding Unimodal LLMs for Low-Resource Explainable Harmful Meme Detection

读取即可见：引导单模LLM进行低资源可解释有害迷因检测

Fengjun Pan, Xiaobao Wu, Tho Quan, Anh Tuan Luu

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Ho Chi Minh City University of Technology（胡志明市技术大学） ； VinUniversity（文大学） 纠错

AI总结 U-CoT+通过轻量级单模LLM和高保真迷因到文本管道，实现低资源、可解释的有害迷因检测，有效提升模型灵活性和适应性。

Comments Accepted to ACM Web Conference 2026 (WWW '26)

SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training

SeedVR2: 通过扩散对抗后训练实现一步视频修复

Jianyi Wang, Shanchuan Lin, Zhijie Lin, Yuxi Ren, Meng Wei, Zongsheng Yue, Shangchen Zhou, Hao Chen, Yang Zhao, Ceyuan Yang, Xuefeng Xiao, Chen Change Loy, Lu Jiang

机构 * Nanyang Technological University（南洋理工大学） ； ByteDance Seed（字节跳动实验室） 纠错

AI总结 SeedVR2通过引入自适应窗口注意力机制和改进的损失函数，实现高分辨率视频修复的一步式高效修复方法。

Comments Camera Ready of ICLR2026. Project page: https://iceclear.github.io/projects/seedvr2/

QVGen: Pushing the Limit of Quantized Video Generative Models

QVGen：推动量化视频生成模型的极限

Yushi Huang, Ruihao Gong, Jing Liu, Yifu Ding, Chengtao Lv, Haotong Qin, Jun Zhang

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Beihang University（北京航空航天大学） ； SenseTime Research（商汤科技研究院） ； Monash University（墨尔本大学） ； Nanyang Technological University（南洋理工大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 QVGen通过量化感知训练框架在极低比特下实现高性能视频生成模型，首次达到全精度质量并优于现有方法。

Comments Accepted by ICLR 2026

Physics-Guided Multimodal Transformers are the Necessary Foundation for the Next Generation of Meteorological Science

物理引导的多模态Transformer是下一代气象科学的必要基础

Jing Han, Hanting Chen, Kai Han, Xiaomeng Huang, Wenjun Xu, Dacheng Tao, Ping Zhang

机构 * School of Artificial Intelligence, Beijing University of Posts ； Huawei Noah's Ark Lab ； Department of Earth System Science, Tsinghua University ； College of Computing \& Data Science, Nanyang Technological University ； State Key Laboratory of Networking ； Switching Technology, Beijing University of Posts 纠错

AI总结 本文提出通过物理引导的多模态Transformer构建下一代气象科学的统一范式，以提升模型的科学一致性和物理约束能力。

Comments Perspective article

Enhancing Model Defense Against Jailbreaks with Proactive Safety Reasoning

通过主动安全推理增强模型对劫持的防御

Xianglin Yang, Gelei Deng, Jieming Shi, Tianwei Zhang, Jin Song Dong

机构 * School of Computing（计算学院） ； National University of Singapore（新加坡国立大学） ； School of Computer Science and Engineering（计算机科学与工程学院） ； Nanyang Technological University（南洋理工大学） ； Department of Computing（计算系） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

AI总结 本文提出SCoT方法，通过主动安全推理提升模型对劫持的防御能力，有效减少对分布外问题和对抗操纵的易感性。