National University of Singapore（新加坡国立大学）

V-ReasonBench: Toward Unified Reasoning Benchmark Suite for Video Generation Models

V-ReasonBench：面向视频生成模型的统一推理基准套件

Yang Luo, Xuanlei Zhao, Baijiong Lin, Lingting Zhu, Liyao Tang, Yuqi Liu, Ying-Cong Chen, Shengju Qian, Xin Wang, Yang You

机构 * NUS（新加坡国立大学） ； HKUST(GZ)（香港科技大学（广州）） ； HKU（香港大学） ； USYD（澳大利亚悉尼大学） ； CUHK（香港中文大学） ； LIGHTSPEED Project（LIGHTSPEED项目） 纠错

AI总结 V-ReasonBench通过四个维度评估视频生成模型的推理能力，提供可验证任务以衡量结构化问题解决、空间认知、模式推理和物理动态，促进更可靠的推理模型发展。

Comments Project Page: https://oahzxl.github.io/VReasonBench

VisPlay: Self-Evolving Vision-Language Models from Images

VisPlay: 从图像中自我进化视觉-语言模型

Yicheng He, Chengsong Huang, Zongxia Li, Jiaxin Huang, Yonghui Yang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of Maryland（马里兰大学） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 VisPlay通过自我进化强化学习框架，利用未标注图像数据提升视觉-语言模型的推理能力，实现多模态智能的可扩展发展。

BanditSpec: Adaptive Speculative Decoding via Bandit Algorithms

BanditSpec: 通过多臂老虎机算法实现自适应推测解码

Yunlong Hou, Fengzhuo Zhang, Cunxiao Du, Xuan Zhang, Jiachun Pan, Tianyu Pang, Chao Du, Vincent Y. F. Tan, Zhuoran Yang

机构 * National University of Singapore（国立新加坡大学） ； Sea AI Lab（Sea人工智能实验室） ； Singapore Management University（新加坡管理学院） ； Yale University（耶鲁大学） 纠错

AI总结 BanditSpec通过多臂老虎机算法实现自适应推测解码，优化超参数选择以提升LLM推理效率。

Comments 35 pages, 4 figures, accepted to ICML, typos and affiliations are corrected

Seeing Beyond Haze: Generative Nighttime Image Dehazing

超越雾霾：生成式夜间图像去雾

Beibei Lin, Stephen Lin, Robby Tan

机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

AI总结 BeyondHaze通过生成式模型提升夜间图像去雾效果，结合强背景先验和引导训练，实现雾霾和光晕下的清晰重建。

As If We've Met Before: LLMs Exhibit Certainty in Recognizing Seen Files

似曾相识：LLM在识别已见过的文件时表现出确定性

Haodong Li, Jingqi Zhang, Xiao Cheng, Peihua Mai, Haoyu Wang, Yan Pang

机构 * Huazhong University of Science and Technology（华中科技大学） ； National University of Singapore（国立新加坡大学） ； Macquarie University（麦考瑞大学） 纠错

AI总结 COPYCHECK利用LLM的不确定性信号，通过双策略检测训练数据中的受版权内容，实现高准确率的版权检测。

CaKE: Circuit-aware Editing Enables Generalizable Knowledge Learners

CaKE：电路感知编辑实现通用知识学习

Yunzhi Yao, Jizhan Fang, Jia-Chen Gu, Ningyu Zhang, Shumin Deng, Huajun Chen, Nanyun Peng

机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； University of California, Los Angeles（美国加州大学洛杉矶分校） 纠错

AI总结 CaKE通过电路感知编辑提升LLMs对更新知识的多跳推理能力，实现20%的准确率提升并降低内存消耗

Comments EMNLP 2025