新加坡 AI 研究月报（2026 年 8 月）
📅 2026-08 📖 OpenAlex + 站方筛选
研究月报 National University of Singapore Agency for Science, Technology and Research
AI安全与评估
- · 【National University of Singapore】Mapping LLM Capability Frontiers via Formalized and Calibrated Probes — 由NUS主导的X-RAY通过形式化验证、结构化受控的测试来探测LLM推理，而非原始任务准确度，从而隔离约束相互作用和推理深度等属性。这解决了LLM评估和可解释性中的核心前沿问题，对能力基准测试和安全评估都至关重要。（https://doi.org/10.1145/3770855.3818029）
- · 【Singapore University of Technology and Design】Auditable Release Control for Pedagogical Leakage in LLM Tutors — SUTD 将 LLM 辅导系统中的过早答案泄露正式定义为"教学泄漏"，并构建了具有授权感知的发布控制机制，包含可重放的失败追踪，针对 Gemini 3 进行了测试。这是一个具有可审查的检查的具体安全机制，而不仅仅是一个基准分数。（https://openalex.org/W7172559148）
科学与健康的人工智能
- · 【Agency for Science, Technology and Research】A clinical multimodal vision language foundation model with fine-grain explainability — 科技研究局构建了一个具有细粒度可解释性的临床多模态视觉语言基础模型，将前沿多模态架构与临床医生信任人工智能输出所需的可解释性相结合。这标志着新加坡致力于自主开发生物医学基础模型，而不是改造通用系统。（https://doi.org/10.5281/zenodo.21772694）
- · 【Nanyang Technological University】The Words of Proteins: Motif-Level Language Modeling for Interpretable Protein Generation — 南洋理工大学提出了蛋白质生成的基序级语言建模方法，使用结构基序而非原始残基作为建模单元，使生成型蛋白质设计更具可解释性。这将LLM风格的架构选择引入蛋白质基础模型，这是新加坡正在建立存在感的一个领域。（https://doi.org/10.1145/3770855.3819054）
多模态与视觉
- · 【Agency for Science, Technology and Research】Improving Temporal Action Segmentation via Constraint-Aware Decoding — 一个科技研究局-NTU-IHPC 联合团队推出了约束感知解码方法，用于改进时序动作分割，这是支撑机器人和监视管道的核心视频理解任务。这是一项扎实的、新加坡多机构计算机视觉贡献，而非单个实验室的微调。（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 — 科技研究局与NTU共同开发了CausalPhys，这是一个包含3,000多个问题的基准测试，配有由专家标注的因果图，用于检验视觉-语言模型是否能够推理物理因果关系或仅仅进行模式匹配。该基准针对当前VLMs的已知弱点，采用可解释的、基于因果图的评估指标。（https://doi.org/10.1145/3770855.3817582）
系统与效率
- · 【Agency for Science, Technology and Research】Standing Peg-in-Hole Insertion: Demonstrations, Trained Policies, Evaluation Episodes, and Simulation Environment — 这个科技研究局机器人包在亚毫米间隙插销入孔组装中隔离了感知或策略导致的故障，并发布了演示、已训练的策略和仿真环境供重用。这是对具身人工智能和机器人学习的具体开源基础设施贡献，与新加坡的先进制造业人工智能重点相一致。（https://doi.org/10.5281/zenodo.21287317）
LLMs 与 智能体
- · 【Nanyang Technological University】Toward Plasticity-Preserving KL Regularization for Capability Retention in LLM Reinforcement Learning — NTU研究人员针对一个核心的大语言模型后训练问题：强化学习微调会侵蚀基础模型已有的能力。他们的正确性条件化KL约束是前沿模型训练方法的一个贡献，而不是下游应用。（https://openalex.org/W7172557801）
其他
- · 【National University of Singapore】Copyright Law and Generative AI — 一部由NUS撰写的比较法著作,阐述美国、中国、欧盟、日本、英国和新加坡的版权例外对生成式AI训练和输出的适用。它直接涉及监管机构和AI开发者正在处理的法律不确定性,这对于以政策为重点的观察机构具有重要意义。（https://doi.org/10.4324/9781003655602）
💬 总结： 新加坡八月的研究轨迹显示了从通用模型扩展向领域就绪、可解释的人工智能系统的成熟演进：该月涵盖形式化的大语言模型评估和安全方法（X-RAY探针、保持可塑性的强化学习、教学泄漏检测）、具有细粒度可解释性的临床视觉语言模型、蛋白质基础模型和开源机器人基础设施。这反映了一个战略转变，即构建能够被临床医生、监管机构和制造商进行检查和信任的人工智能系统——由多机构合作（科技研究局、NUS、NTU、SUTD、IHPC）和政策分析（版权框架）所支撑——而不是追求前沿能力指标。