跳到正文
11月16日周一
  1. arXiv · ML26

    潜空间检测与分类:高维分析及验证

    研究提出基于基础模型高维潜表示的统计决策规则,在 Neyman-Pearson 范式下推导线性与二次统计量的大偏差特征。 误差概率和衰减率对形状参数呈现非单调依赖,包括双下降和多下降现象。 在视觉、文本和音频数据集上,理论预测与实证表现高度一致,可实现预设虚警率下的漏检概率精确预测。

  2. arXiv · AI25

    MineralExp: 评估 LLM Agent 在真实地质勘探中实验设计能力的基准

    基准 MineralExp 将地质假设转化为基于实验的选择问题,包含 277 个案例和 1,572 个参考计划,用于评估 LLM Agent 的实验设计能力。 该基准将 19 种实验类型分类到五种矿物体系过程中,通过多标签分类和 LLM 评判进行评分。实验结果显示,当前 LLM Agent 通常具有高召回率但低精确率,倾向于提出比必要的更多实验。

  3. arXiv · AI24

    GeneFlow 实现高效大规模空间转录组预测

    GeneFlow 提出了一种结合流匹配生成模型与多模态融合的简化框架,用于直接从组织学图像预测基因表达。该模型无需复杂生成管道,在 1,000 基因预测任务中实现了高达 56.8% 的性能提升。此外,GeneFlow 显著降低了计算成本,提高了可扩展性,为利用组织学图像进行生物发现提供机会。

  4. arXiv · AI24

    多智能体系统通过设计保障安全:ReMA 攻击与 SecMAS 防御

    论文提出响应操纵攻击 ReMA 优化恶意输入,并开发安全聚合规则 SecMAS 防御该类攻击。 SecMAS 利用响应间的语义相似度,选择与足够大子集最一致的响应,理论上保证了对定向与非定向攻击的安全性。 实验表明现有聚合规则易受 ReMA 攻击,而 SecMAS 能有效防御包括自适应变体在内的攻击,同时保持可比效用。

  5. arXiv · ML23

    基于无监督领域适应的手写文本识别管线

    论文提出一种无监督领域适应管线,用于解决字符分类与手写文本识别中目标域标注数据匮乏的问题。 管线通过源域预训练、无监督目标域适应及源域风格化微调三步,弥合领域分布差距,且不增加推理开销。 在Safran-MNIST-DLS数据集上取得76.17% Macro F1分数的新SOTA,并在READ 2018数据集上获得具有竞争力的结果。

  6. arXiv · AI33

    SceneAgent:用于可移植游戏场景生成的多智能体框架

    研究团队提出SceneAgent多智能体框架,通过分离持久化场景状态、任务局部推理与可复用经验,实现游戏场景生成在不同引擎间的可移植。 框架引入结构化交接机制和蒸馏技能库,在包含69个提示词的GameSceneBench上,对比五个基线模型获得78.2%-89.4%的人工偏好评分,消融实验表明可复用技能主要提升了提示对齐与场景完整性。

  7. arXiv · ML22

    LASR:衡量世界模型潜变量中动作接地性的新指标

    研究人员提出无量纲指标 LASR,用于在离线评估中测量世界模型潜变量是否提供超越当前状态和无关捷径的动作相关预测支持。 LASR 包含捕捉典型支持的 GeoLASR 和识别最弱案例的 WorstLASR,通过记录的动作与物理状态变化作为目标进行基准化。 在机器人操作数据和多任务面板上的实验表明,LASR 能检测已知动作信息、拒绝非动作捷径,并支持对不完美容潜变量进行分级比较。

  8. arXiv · ML44

    AnisoFlow 学习各向异性预测目标提升 Flow 模型

    提出 AnisoFlow 方法,通过完全可学习的各向异性预测目标替代固定目标,ImageNet 256×256 上 FID 从 1.90 降至 1.55。 该方法为联合学习基的每个方向分配独立的非负权重,通过闭式映射恢复速度,无需改变模型架构或采样器。 在低精度推理下,AnisoFlow 通过更优的条件速度恢复,显著消除 patch-seam 伪影,提升图像质量。

  9. arXiv · AI25

    台风:基于激活引导的视听装置 Typhoon

    视听装置 Typhoon 基于康拉德小说,利用 LLM 自反馈生成叙事,并引入新颖的自适应激活引导方法控制长篇生成的节奏与离题现象。该研究探索了文本随时间变得陌生且不可控的过程,展示了 AI 感知可解释性与实际系统失控之间的张力。

  10. arXiv · AI53

    GDP.xlsx:评估前沿模型处理专业电子表格任务的基准

    研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。

  11. arXiv · AI22

    品牌意识下的产品重新设计生成框架:在品牌图像约束下的创意探索

    提出一种品牌意识重新设计生成框架,在品牌图像约束下实现创意产品视觉探索。 该框架通过构建品牌调查报告推导创意方向,并整合自增强循环进行图像批评与提示词修订。在50个重新设计任务中,该方法在创意性和品牌可识别性之间实现更优平衡,在汽车等高约束类别中优势显著。

  12. arXiv · ML37

    按文件大小与单任务能耗选择量化代码 LLM

    一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。

  13. arXiv · AI23

    RAWATTA 免训练加速多视角 3D Transformer

    RAWATTA 提出免训练的注意力近似方法,通过 8-bit 精度运行及保留关键层 16-bit 精度加速多视角 3D Transformer。 在 12 GB GPU 处理 50 张图片时,RAWATTA 运行 VGGT 的速度快于官方代码,且姿态精度损失不超过 AUC@3 约 1 分。 该方法使模型在显存不足 100 张图时能处理 200 张图片。

  14. arXiv · AI21

    视觉推理在文本到图像奖励建模中的新思考

    研究指出,现有文本到图像奖励模型在视觉推理评测中表现不佳,偏好微调会侵蚀视觉理解能力。通过翻转配对轴,将视觉推理数据集转化为偏好对混合训练,实现了视觉理解与偏好预测的帕累托改进。 该奖励模型在推理时最佳n选择和强化学习后训练阶段,将组合提示下的文本到图像生成准确率分别平均提升4.0%和5.5%,优于使用6倍更多偏好对的HPSv3模型。

  15. arXiv · AI31

    Benchmarks Don't Talk Back: 通过自我分歧学习辩证能力

    研究发现模型在面临反驳时会放弃正确答案,这种“辩证能力”无法通过提高准确率或增加推理时采样获得。 研究者提出一种强化学习框架,模型在训练中生成对自己答案的论证、进行裁判并据此训练,全程无需第二个模型、奖励模型或人工标注。 该能力随奖励信号习得,不会牺牲首答准确率,且对未训练过的挑战者(包括更强模型)保持稳健。

  16. arXiv · ML28

    不确定性感知持续学习用于 2D XRD 数据解析:模拟与实验数据结合

    提出不确定性感知持续学习框架,用于解析 2D XRD 数据,解决数据积累中的预测性能维持问题。 框架整合基于最大平均差异的领域适应、CNN--SNGP 预测不确定性估计和重放知识蒸馏技术。 在单晶结构分类任务中,该框架在模拟和实验数据上实现准确分类,减少灾难性遗忘,为自主实验系统奠定基础。

  17. arXiv · AI26

    GraphScent: 校准方向性相关信号以实现有界上下文代码定位

    研究揭示 Gemma 4 模型在零温度下对上游调用方的相关得分能显著区分真实结构邻居与干扰项,而对下游调用方得分接近随机。基于此发现,提出免训练的 GraphScent 搜索控制器,通过传播关系条件对数似然比在运行时 Typed-AST 多图上定位缺陷。该方法在单 GPU 预算下,将 31B 模型在词汇困难目标上的精确定位准确率从 12.8% 提升至 23.4%。

  18. arXiv · AI63

    Only as Safe as the Weakest Agent: A Break That Appears Only When the System Is Multi-Agent

    arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。

    推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。

  19. arXiv · ML21

    PPG 无袖带连续血压估计综述:从方法到临床转化

    综述指出PPG无袖带血压估计的进展依赖优于单纯算法优化的多方面改进,强调需关注数据泄露、校准漂移及基准与实际测量的差距。 未来工作应优先开发生理信息模型、构建多样化纵向数据集,并建立透明报告校准需求和故障率的评估协议。 该研究旨在弥合实验室精度与可靠现实世界测量之间的鸿沟,为高血压临床管理提供实用价值支撑。

  20. arXiv · AI23

    时间一致性评估 SWE Agent 的层级代码图

    在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。