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

Dimple: Discrete Diffusion Multimodal Large Language Model with Parallel Decoding

Dimple：采用并行解码的离散扩散多模态大语言模型

Runpeng Yu, Xinyin Ma, Xinchao Wang

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

AI总结 本研究提出首个离散扩散多模态大语言模型Dimple，采用自回归与扩散结合的训练范式，性能优于LLaVA-NEXT 3.9%，通过置信解码提升推理效率，还探索了结构先验的响应控制能力。

Large Language Models and Evolutionary Computation: A Critical Review of Bidirectional Interaction, Automated Algorithm Design, and Co-Adaptive Systems

基于景观与搜索行为分析的粒子群优化可解释信息处理

Dikshit Chauhan, Bapi Dutta, Indu Bala, Niki van Stein, Thomas Bäck, Anupam Yadav

机构 * Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系） ； Department of Computer Science, Universidad de Jaén（西班牙Jaén大学计算机科学系） ； School of Computer and Mathematical Sciences, University of Adelaide（阿德莱德大学计算机与数学科学学院） ； Leiden Institute of Advanced Computer Science, University Leiden（莱顿大学先进计算机科学研究所） ； Department of Mathematics and Computing, Dr. B. R. Ambedkar National Institute of Technology（德拉·B·R·阿姆贝卡尔国立理工学院数学与计算系） 纠错

AI总结 本研究针对粒子群优化（PSO），提出结合探索性景观分析与搜索轨迹网络的多维度可解释性框架，经24个基准函数实验确立拓扑与参数配置指南，提升了PSO的透明度与可解释性。

Comments 40 pages

Journal ref Computer Science Review, Volume 63, Part A, 2027

MaCTG: Multi-Agent Collaborative Thought Graph for Automatic Programming

MaCTG：用于自动编程的多智能体协作思维图

Zixiao Zhao, Jing Sun, Zhe Hou, Zhiyuan Wei, Cheng-Hao Cai, Miao Qiao, Jin Song Dong

机构 * School of Computer Science, University of Auckland（计算机科学系，奥克兰大学） ； School of Information and Communication Technology, Griffith University（信息与通信技术系，格里菲斯大学） ； Beijing Institute of Technology（北京理工大学） ； Suzhou Industrial Park Monash Research Institute of Science and Technology（苏州工业园区莫纳什科学与技术研究所） ； School of Computing, National University of Singapore（计算系，新加坡国立大学） 纠错

AI总结 本文提出MaCTG多智能体框架，通过动态图结构实现LLM智能体的精准协作，在传统图像处理自动编程任务中达83.33%最优准确率，运营成本较现有多智能体框架降低89.09%。

Learning diverse attacks on large language models for robust red-teaming and safety tuning

针对大语言模型学习多样化攻击以用于鲁棒红队测试与安全调优

Seanie Lee, Minsu Kim, Lynn Cherif, David Dobre, Juho Lee, Sung Ju Hwang, Kenji Kawaguchi, Gauthier Gidel, Yoshua Bengio, Esmeralda S. Whitammer, Moksh Jain

机构 * KAIST（韩国科学技术院） ； Mila – Québec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； National University of Singapore（新加坡国立大学） ； University of Edinburgh（爱丁堡大学） ； CIFAR（加拿大高级研究所） 纠错

AI总结 该研究针对现有红队测试方法存在的模式崩塌或攻击有效性不足问题，提出GFlowNet微调加二次平滑的方法生成多样化攻击提示，其攻击对各类LLM有效且可迁移，用该攻击提示调优的模型对其他攻击方法具有鲁棒性。

Comments ICLR 2025; code: https://github.com/GFNOrg/red-teaming