新加坡 AI 研究月報（2026 年 8 月）
📅 2026-08 📖 OpenAlex + 站方篩選
研究月報 National University of Singapore Agency for Science, Technology and Research
AI安全與評估
- · 【National University of Singapore】Mapping LLM Capability Frontiers via Formalized and Calibrated Probes — 由NUS主導的X-RAY通過形式化驗證、結構化受控的測試來探測LLM推理，而非原始任務準確度，從而隔離約束相互作用和推理深度等屬性。這解決了LLM評估和可解釋性中的核心前沿問題，對能力基準測試和安全評估都至關重要。（https://doi.org/10.1145/3770855.3818029）
- · 【Singapore University of Technology and Design】Auditable Release Control for Pedagogical Leakage in LLM Tutors — SUTD 將 LLM 輔導系統中的過早答案洩露正式定義為"教學洩漏"，並構建了具有授權感知的釋出控制機制，包含可重放的失敗追蹤，針對 Gemini 3 進行了測試。這是一個具有可審查的檢查的具體安全機制，而不僅僅是一個基準分數。（https://openalex.org/W7172559148）
科學與健康的人工智慧
- · 【Agency for Science, Technology and Research】A clinical multimodal vision language foundation model with fine-grain explainability — 科技研究局構建了一個具有細粒度可解釋性的臨床多模態視覺語言基礎模型，將前沿多模態架構與臨床醫生信任人工智慧輸出所需的可解釋性相結合。這標誌著新加坡致力於自主開發生物醫學基礎模型，而不是改造通用系統。（https://doi.org/10.5281/zenodo.21772694）
- · 【Nanyang Technological University】The Words of Proteins: Motif-Level Language Modeling for Interpretable Protein Generation — 南洋理工大學提出了蛋白質生成的基序級語言建模方法，使用結構基序而非原始殘基作為建模單元，使生成型蛋白質設計更具可解釋性。這將LLM風格的架構選擇引入蛋白質基礎模型，這是新加坡正在建立存在感的一個領域。（https://doi.org/10.1145/3770855.3819054）
多模態與視覺
- · 【Agency for Science, Technology and Research】Improving Temporal Action Segmentation via Constraint-Aware Decoding — 一個科技研究局-NTU-IHPC 聯合團隊推出了約束感知解碼方法，用於改進時序動作分割，這是支撐機器人和監視管道的核心影片理解任務。這是一項紮實的、新加坡多機構計算機視覺貢獻，而非單個實驗室的微調。（https://doi.org/10.1007/978-3-032-31452-9_5）
- · 【Agency for Science, Technology and Research】Causal Scaffolding for Physical Reasoning: A Benchmark for Causally-Informed Physical World Understanding in VLMs — 科技研究局與NTU共同開發了CausalPhys，這是一個包含3,000多個問題的基準測試，配有由專家標註的因果圖，用於檢驗視覺-語言模型是否能夠推理物理因果關係或僅僅進行模式匹配。該基準針對當前VLMs的已知弱點，採用可解釋的、基於因果圖的評估指標。（https://doi.org/10.1145/3770855.3817582）
系統與效率
- · 【Agency for Science, Technology and Research】Standing Peg-in-Hole Insertion: Demonstrations, Trained Policies, Evaluation Episodes, and Simulation Environment — 這個科技研究局機器人包在亞毫米間隙插銷入孔組裝中隔離了感知或策略導致的故障，併發布了演示、已訓練的策略和模擬環境供重用。這是對具身人工智慧和機器人學習的具體開源基礎設施貢獻，與新加坡的先進製造業人工智慧重點相一致。（https://doi.org/10.5281/zenodo.21287317）
LLMs 與 智慧體
- · 【Nanyang Technological University】Toward Plasticity-Preserving KL Regularization for Capability Retention in LLM Reinforcement Learning — NTU研究人員針對一個核心的大語言模型後訓練問題：強化學習微調會侵蝕基礎模型已有的能力。他們的正確性條件化KL約束是前沿模型訓練方法的一個貢獻，而不是下游應用。（https://openalex.org/W7172557801）
其他
- · 【National University of Singapore】Copyright Law and Generative AI — 一部由NUS撰寫的比較法著作,闡述美國、中國、歐盟、日本、英國和新加坡的版權例外對生成式AI訓練和輸出的適用。它直接涉及監管機構和AI開發者正在處理的法律不確定性,這對於以政策為重點的觀察機構具有重要意義。（https://doi.org/10.4324/9781003655602）
💬 總結： 新加坡八月的研究軌跡顯示了從通用模型擴充套件向領域就緒、可解釋的人工智慧系統的成熟演進：該月涵蓋形式化的大語言模型評估和安全方法（X-RAY探針、保持可塑性的強化學習、教學洩漏檢測）、具有細粒度可解釋性的臨床視覺語言模型、蛋白質基礎模型和開源機器人基礎設施。這反映了一個戰略轉變，即構建能夠被臨床醫生、監管機構和製造商進行檢查和信任的人工智慧系統——由多機構合作（科技研究局、NUS、NTU、SUTD、IHPC）和政策分析（版權框架）所支撐——而不是追求前沿能力指標。