高校专区
ForeDreamer：用于未来事件预测的自进化双智能体记忆架构
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团） ； National University of Singapore（新加坡国立大学） ； Zhejiang University of Technology（浙江工业大学）
AI总结 针对开放网络未来事件预测的不足，提出自进化双智能体框架ForeDreamer，分离事实与经验记忆，经Prophet Arena、FutureX实验验证其有效性
Comments accepted to EMNLP 2026 Findings
学习制胜：表型引导的隐式流与区域运动先验用于双心室运动合成
机构 * National University of Singapore（新加坡国立大学） ； Southeast University（东南大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
AI总结 本研究针对从单一舒张末期网格合成全周期双心室运动的挑战，提出表型自适应的区域功能分区与条件隐式流框架，在多数据集上实现精度与保真度提升，性能优于对比方法。
Comments 14pages, 10 figures
SPADE：自适应合成可执行环境中的自博弈
机构 * University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院） ； National University of Singapore（新加坡国立大学） ； Seoul National University（首尔大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； University of Chicago（芝加哥大学）
AI总结 SPADE是一种双角色自博弈强化学习框架，让单个LLM同时担任环境设计者与推理智能体，在多类基准上显著提升了语言智能体的性能，推动了开放式自我改进。
Comments Work in progress. Project page: this https URL (https://spade-rl.github.io); Code: this https URL (https://github.com/spade-rl/spade)
PathAgentBench：在全切片病理图像上对寻求证据的视觉语言模型进行基准测试
机构 * National University of Singapore（新加坡国立大学） ； PuzzleLogic Pte Ltd（拼图逻辑私人有限公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区） ； Peking Union Medical College Hospital（北京协和医院）
AI总结 研究针对全切片病理图像诊断中证据获取与整合问题，引入PathAgentBench基准，评估视觉语言模型的四项互补能力，包含多模型评估结果，揭示了证据推理与获取间的差距，为改进病理模型提供统一框架。
RARM：基于置信度门控的进展奖励建模用于操作中的强化学习
机构 * NUS Human-Centered Robotic Lab（新加坡国立大学人机共融机器人实验室） ； University of Cambridge（剑桥大学） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
AI总结 提出参考锚定奖励模型（RARM），通过对比时间目标从通用视频中学习，将单个成功演示转化为密集进展奖励，并在部署时通过置信度门控抑制虚假正奖励，在长时域操作任务中显著提升强化学习成功率。
最后但同样重要：用于多模态KV缓存压缩的边界注意力校准
机构 * KAIST（韩国科学技术院） ； Zhejiang Laboratory（之江实验室） ； The Chinese University of Hong Kong（香港中文大学） ； National University of Singapore（新加坡国立大学）
AI总结 针对多模态大语言模型长视觉上下文中KV缓存压缩导致关键证据丢失的问题，提出BACON方法，通过校准观察窗口注意力与最后查询注意力，并利用层内一致性和层间持久性抑制噪声，在激进压缩下平均提升7.5%性能。
Comments EMNLP 2026 Main Conference
利用算子链实现上下文算子学习
机构 * Department of Mathematics, Shanghai Normal University（上海师范大学数学系） ； Department of Mathematics, National University of Singapore（新加坡国立大学数学系）
AI总结 提出Chain of Operators (CHOP)框架，通过构造显式初等变换与冻结ICON的算子链，无需微调即可提升上下文算子网络在分布外算子任务上的泛化能力，在标量守恒律和平均场控制问题中降低推理误差。
自进化科学智能体发现可泛化的物理推理流体控制
机构 * National University of Singapore（新加坡国立大学）
AI总结 提出一种由大语言模型驱动的自进化科学智能体工作流，通过迭代代码生成和物理仿真诊断，自动构建可解释的控制器，并在欠驱动双关节狗鲨游泳器目标到达任务中实现零样本泛化。
MOSAIC：结构化智能体智能与组合的模块化编排
机构 * Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系） ； University College London（伦敦大学学院） ； University of Edinburgh（爱丁堡大学） ； Data & Analytics, Digital X（Digital X 数据与分析部） ； Alan Turing Institute（艾伦·图灵研究所）
AI总结 提出MOSAIC框架，通过结构化智能体编排、记忆驱动的模型选择和蓝图构建，将自动化数据科学转化为可验证、可复用的模型选择问题，在金融时间序列任务中优于AutoML和智能体基线。
从运动学至路由视觉控制：用于动作条件化外科视频生成
机构 * SJTU（上海交通大学） ； NUS（国立新加坡大学） ； THU（清华大学） ； EIT（欧洲研究所） ； WHU（武汉大学） ； Harvard（哈佛大学） ； NVIDIA（NVIDIA公司） ； CUHK（香港大学）
AI总结 本文提出一种运动学至视觉提升范式，通过五种图像对齐的控制模态生成动作条件化外科视频，采用分层路由框架提升控制精度与效率，构建新基准并验证方法有效性。
SkillNet: 创建、评估和连接AI技能
机构 * Zhejiang University（浙江大学） ； Tongji University（同济大学） ； Southeast University（东南大学） ； Alibaba Group（阿里巴巴集团） ； Tencent（腾讯） ； Fudan University（复旦大学） ； The University of Edinburgh（爱丁堡大学） ； Monash University（墨尔本大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Huzhou University（湖州大学） ； Hornor Device Co., Ltd（Hornor设备有限公司） ； Hangzhou Institute for Advanced Study, UCAS（杭州先进研究所，UCAS）
AI总结 SkillNet通过统一的本体和多维评估机制，大规模创建、评估和连接AI技能，提升代理性能并促进技能的持久掌握。
Comments this http URL (http://skillnet.openkg.cn/;) add SkillNet-Gym, a benchmark for evaluating skill retrieval, utilization, composition, and SkillNet-Fabric for task-specific skill routing through lightweight Wikis
前瞻性验证：用于扩散大语言模型在无上下文自由文法下的可靠约束解码
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； School of Computer Science, Peking University（北京大学计算机学院） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院）
AI总结 LAVE通过并行预测标记分布实现可靠的约束解码，提升扩散大语言模型在上下文无关文法下的生成准确性。
遗忘的遗忘：注意力汇作为大语言模型遗忘后门的网关
机构 * Michigan State University（密歇根州立大学） ； National University of Singapore（新加坡国立大学） ； IBM Research（IBM研究院）
AI总结 该研究针对LLM遗忘过程，提出利用注意力汇作为网关的后门攻击方法，可使模型在无触发器时正常遗忘，有触发器时恢复被遗忘知识，经实验验证有效。
Comments Accepted at COLM 2026
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