基于帧级标签的小型无人机热红外视频点检测研究
研究分析利用帧级存在/缺失标签训练小型无人机点检测架构,在CST Anti-UAV和Anti-UAV410两个热红外数据集上评估定位与检测性能。模型冻结分类阶段学到的空间特征,并训练读出模块生成空间得分图;实验表明,分散标签分布可提高定位命中率,但高命中率并不总能在虚警约束下改善检测率。 这些发现为标签分配、空间表征、合成数据策略和虚警控制提供了指导。
研究分析利用帧级存在/缺失标签训练小型无人机点检测架构,在CST Anti-UAV和Anti-UAV410两个热红外数据集上评估定位与检测性能。模型冻结分类阶段学到的空间特征,并训练读出模块生成空间得分图;实验表明,分散标签分布可提高定位命中率,但高命中率并不总能在虚警约束下改善检测率。 这些发现为标签分配、空间表征、合成数据策略和虚警控制提供了指导。
该研究评估了轻量级开源语言模型在资源受限边缘环境下解决智能数据模型(SDM)分类问题的性能。 系统基准测试了通用(GP)、推理专用(RS)和代码专用(CS)架构模型,并对比了 TF-IDF 和轻量级句子编码器基线。 研究为模型选择、任务形式化及部署策略提供了优化准确率与效率的见解,填补了现有文献中缺乏轻量级、资源高效方案的空白。
该工作流交付模块化离线语音架构、低成本硬件 BOM 及 2-5B 参数模型量化基准管线。在 NVIDIA Jetson Orin NX 上,gemma-4-E2B-it 于 Q4_K_M 量化格式下实现 28.8t/s 吞吐量。所有模型均在 Raspberry Pi5 的 16GB 内存预算内运行,兼顾了离线部署需求与性能。
OpenAI 发布 ChatGPT for Teens,专为 18 岁以下用户设计,账号识别后默认开启保护。 该版本同时预览 College Planner,整合美国高中生申请四年制大学的申请要求、截止日期及助学金步骤。 OpenAI 将持续构建并评估这些工具及保护机制的实际效果。
NVIDIA 与 Microsoft 联合宣布推出支持本地 AI Agent 的 Windows PC 硬件生态,包括搭载 NVIDIA RTX Spark 的笔记本电脑和桌面电脑。
推荐理由:原文展示了NVIDIA与微软如何在Windows桌面端协同工程化AI Agent基础设施,涵盖硬件规格与本地运行模型的能力边界。
Liquid AI发布两个开源决策模型:d1-3B 和 d1-omni-600M(实验版)。d1-3B 支持文本和图像,在 NVIDIA Jetson AGX Thor 上单问题响应时间仅 16 ms,在 RTX 4090 上低于 10 ms。
推荐理由:d1-3B在端侧设备实现毫秒级推理,为边缘场景提供了高性能的多模态决策模型方案。
提出 SAGE(Semantic Anchor-Guided Evolution)数据合成框架,利用 MeSH 等轻量级分类法作为语义锚点,引导本地部署的小模型生成高质量医疗问答训练数据。
一项可在 Jetson Nano 上离线运行的语音翻译流水线,能自动校正低置信度翻译,无需重新训练。 Whisper-tiny ASR 输出由 Opus-MT 翻译,multilingual BERT 余弦相似度作为质量估计门控,低于阈值时触发二次校正。
该研究开发了FedDermaSeg联邦学习模型,用于解决皮肤病变分割中的隐私保护问题。 模型在ISIC 2018数据集上模拟分布式环境训练,并在ISIC 2018测试集和PH2数据集上评估。 实验表明,联邦模型性能与集中式训练相当,且优于本地模型,无需集中聚合医疗图像。
深度脉冲Q网络(DSQN)在低时间步下因共模误差导致性能显著下降。研究提出 CMC-DSQN,利用辅助 ANN 补偿 SNN 输出的共模误差,推理时移除辅助网络以保留能效。 在 Atari 和 MiniAtar 实验中,CMC-DSQN 在 T=2 时比 SOTA 基线高出近 20%,T=4 时超越 ANN 基线。
研究人员提出 Neuromotor Hierarchy Network (NHN),通过生理引导的潜在状态推理实现参数高效的表面肌电信号 (sEMG) 解码。
Apple 提出 Stepped MoE 框架,结合弹性结构与稀疏门控架构,允许单模型在 1B 至 4B 参数量间灵活切换。 该模型在知识密集型基准上比对应稠密模型准确率高 2-5%,且推理延迟与稠密模型相当,通过共享参数节省端侧存储空间。
LiLib 是一种轻量级持续学习方案,通过维护递归最小二乘专家库实现无人机空地路径损耗预测。 模拟显示,LiLib 将预测 RMSE 从 5.89 dB 降至 4.03 dB,返回已知环境时误差从 12.3 dB 降至 5.7 dB,且无需标签即可识别 92% 纯度的环境状态。 结果表明,面对周期性漂移,记忆优于重新适应;两个无人机间共享模型库可使环境变化后的误差减半。
Google DeepMind 发布 EmbeddingGemma 2,这是一款基于 Gemma 4 架构、采用 Apache 2.0 许可的 740M 参数开源多模态嵌入模型,支持将文本、图像、音频和视频映射至统一嵌入空间,适用于端侧推理。
推荐理由:原文给出了EmbeddingGemma 2的架构、MRL优化机制及端侧部署内存细节,为评估其在隐私RAG与跨模态检索中的实际能力提供了可参照的参数基础。
基于 ColGREP 的紧凑本地智能体在 SWE-bench Lite 和 Multi-SWE-bench Flash 任务中,定位准确性优于 GREP 基线。该方案结合加权监督微调与强化学习,训练了三个参数量低于 20 亿的模型族。在 CPU 环境下,端到端延迟降低 44.1%,Token 消耗减少 29.1%,并提升了对未见编程语言的泛化能力。
PhoneCLI 将 App 的 GUI 导航编译为可调用命令,无需 App 内部 API、运行时插桩或模型训练,在线执行时以亚秒级、零 VLM 成本确定性完成导航。
一项实证研究针对移动端实时直播聊天翻译,手动构建了包含 1,000 组韩英平行句对的 LiveChatBench 基准,并在五款移动设备上系统评测了主流端侧模型。 研究聚焦端侧模型选型与各模型资源消耗,以及端侧模型在领域适配上的能力与潜力,同时考察了设备 CPU 占用率与发热状况等实际部署因素。 结果表明,将端侧模型适配到专门任务并服务大规模异构用户群时,模型选型与部署约束至关重要。
OpenPhone 是一个移动 GUI 智能体系统,通过端云协同兼顾端侧模型的低成本与云端模型的高能力,在 AndroidLab 基准和多种应用上匹配或接近更大模型,同时显著降低云端成本。 该系统基于 Qwen2.5-VL-3B,经合成 GUI 数据的两阶段 SFT->GRPO 训练增强决策能力,并集成高效长推理与记忆管理机制,默认端侧执行,仅将高难度子任务实时评估后升级至云端。
研究提出 GCTAuto-encoder 跨模态深度学习框架,用于 IoT 边缘侧入侵检测,在覆盖多种攻击场景的网络入侵数据集上达到 0.908 准确率,学习损失降至 0.00156,优于现有方法。
论文首次系统刻画了在移动设备上微调十亿级参数 LLM 的完整训练过程,覆盖内存、单步耗时、发热与能耗。iPhone 17 Pro 可在一次充电内把 3B 参数 LLM 微调到接近典型用户,所得 adapter 的个性化效果与服务器端训练的 adapter 相当。
针对现有自监督学习检测器参数超300M导致无法部署于受限设备的问题,研究团队提出一种结合跨域知识蒸馏与运动引导结构化剪枝的任务感知联合框架。 该框架将模型压缩至31.9M参数并实现6.3倍FLOPs降低,在多个数据集上的平均性能下降仅1.30%,显著优于直接适配现有压缩方法的效果。 这一成果展示了该模型在资源受限设备上进行音频深度伪造检测部署的强大学潜力。
WAMJET 是一个加速世界动作模型(WAM)推理的智能体框架,实现最高 9.95 倍无损加速。 该框架结合编码智能体与优化指导工具,在六个 WAM、三种智能体及两种 GPU 架构下验证了有效性与低延迟。
研究人员提出一种量子原生数据加载器,通过学习数据集的低维共享结构,利用固定电路和少量参数即可准备每个信号。 在五个公开数据集的七种视图测试中,该加载器在与最强结构化加载器相同的门成本下达到同等目标,且每个信号所需的参数数量减少数倍。 该加载器能根据随机子集推断参数,在预注册的盲复现中,所需子集规模在信号增长16倍时保持恒定,而结构化加载器则需要不断增加参数。
PhaseGate 提出相位感知 CPU 检索调度,在 M4 系统上四个并发检索 worker 使 LLM 解码 p95 延迟上升 60-61%,预填仅上升 5.7-6.9%。该策略为预填和解码分别设置并发限制(4 和 1),在积压队列下检索吞吐量达到最佳固定策略的 2.0 倍,且 p95 延迟不超过无检索基线的 1.25 倍。该研究已被 NeurIPS 2026 端侧智能研讨会接收。
论文提出确定性参数预算框架 Selective Backpropagation (SBP),通过将梯度更新限制在预分配的参数子集内,解决少样本类增量学习中的灾难性遗忘问题,且训练时间接近朴素微调。
Llama-Mobile 提出了一个视觉语言模型量化框架,采用 2.7 比特每参数格式以支持 Arm CPU 上的高效推理。 该框架利用模型自身生成训练数据,无需访问原始训练设置。Llama 3.2 11B Vision Instruct 模型被压缩至 3.7 GB,在保持标准视觉问答任务性能的同时实现了内存优化。
研究提出Split Label-Localized Conformal Prediction (SLLCP)后校准层,将冻结视觉-语言模型(VLM)不可靠的碰撞预测转化为概率校准安全预测集。在1.5万条CARLA轨迹测试中,使用Qwen基座的SLLCP正确标记了89.6%的碰撞轨迹,而基础VLM仅标记4.6%。
SpAx 利用激活稀疏性与权重近似技术加速大语言模型离线解码。该方法在权重卸载至 CPU 内存时,16 位权重平均提速 3.86 倍,4 位权重平均提速 2.06 倍,WikiText-2 困惑度增加不超过 10%。在闪存存储场景下,16 位权重平均提速 3.31 倍,4 位权重平均提速 1.54 倍。
summary_zh: HEAR 是一种紧凑型双任务 Transformer,用于联合预测毫米波雷达下的心跳可观测性分数和心率。 模型在 120 GHz 数据集上通过基于分数的选择性预测,将心率的平均绝对误差从全覆盖时的 17.9 BPM 降低至 50% 覆盖下的 1.6 BPM。
面壁智能在 2026 中国—东盟博览会上展示端侧高效大模型与多语种语音底座 VoxCPM。 VoxCPM 基于 2B 参数高密度架构,支持 30 种语言与 9 种方言,具备声音克隆与 LoRA 微调能力。面壁智能提出“密度定律”,其端侧模型最小可在几十元芯片上运行,已成功交付老挝国家大模型。
讯飞输入法在9月26日推出个性化AI键盘,允许用户自定义皮肤、技能和布局。该功能支持根据职场、生活等场景切换技能组,并引入专家“塑造师”预设配置,帮助用户按需组装专属表达体验。
面壁智能联合 Intel 发布端侧 AI 设备松果派 Lite,该设备搭载酷睿 Ultra X7 358H 处理器,最高综合 AI 算力 180 TOPS。开源模型 MiniCPM5-2B 在 AA 榜单综合能力得分 23 分,位列全球 4B 以下开源基座模型第一,其智能体能力评测得分 20 分。
Liquid AI 为 LFM2.5-VL-3B 发布 DSpark 推测解码草案,在端侧实现最高 3.13 倍解码加速,端到端提速最高 2.62 倍。该草案增加 280M 参数(约为目标模型的 8.9%),支持 llama.cpp、MLX-VLM 和 SGLang,适用于 CPU 和 GPU 部署。
推荐理由:该Drafter将LFM2.5-VL-3B端侧解码提速至多3.13倍且输出无损,为视觉模型在资源受限设备上提供了可复现的加速方案。
阿里在云栖大会升级Qoder,推出项目、讨论、自定义智能体与Agent Team等协作与调度功能,同步展示语音、远程控制、眼镜版、Cloud Agents和数字员工QoderWake 1.0。
推荐理由:原文展示了Qoder将协作并入任务流与自定义智能体团队的具体设计,读者可据此评估其对研发协作流程的改造方向。
云栖大会期间,阿里云展示了AI全栈创新成果并达成多项行业合作。荣耀Magic9系列将首批搭载Qwen Intelligence,实测综合任务准确率91.8%。平安日均Token用量增至超3000亿,单位Token成本下降76%,30多家车企已在阿里云开展研发。
开发者在 M4 16GB 设备上基于 OpenHanako 框架适配 MiniCPM5-2B,通过裁剪功能至 11 个基础工具并优化上下文至 16384,解决了工具调用崩溃问题。 实测显示该 2B 模型正确解答了 2026 年考研数学一大题,并展示了正确的 coding 能力,验证了端侧小模型在特定领域的可行性。
该论坛聚焦端侧大模型技术,涵盖自主智能体、实时全模态交互及芯片级训推定制。报告将介绍 MiniCPM-o 4.5 模型,展示其端侧实时多模态交互能力,同时解析 Forge Engineering 范式及 VoxCPM 语音生成技术路线。
阿里云千问AI平台面向Agent负载完成全面升级,新增Agent Studio与企业级全栈Agent服务,并推出API优速模式、千问AI座舱解决方案等能力。Agent Studio提供自动模型路由、24小时不间断托管、原子API和MCP生态接入;模型服务侧通过FlashBoot将弹性启动时间由1200秒缩短至70秒,支持Prompt Caching与Token Plan订阅。
推荐理由:官方给出了Agent Studio的托管与原子API细节,以及算力规模演进预期,供评估AI平台在Agent生产侧的落地深度。
阿里云百炼 Agent Studio for Hardware 平台在 2026 云栖大会 1 号馆展示雷鸟 iO AI 眼镜、二元魂 AI 潮玩及希沃学习机。 该平台提供全双工语音交互等能力,端到端延迟低至 1 秒,通过 SDK 覆盖 Android、iOS 等系统及 30 多个芯片平台。 目前已有 500 多家合作伙伴通过该平台完成智能化升级。
Kimi Code Desktop 正式上线,提供 macOS 与 Windows 版本,访问 kimi.com/code 可下载安装。
推荐理由:官方桌面端上线,内置终端与可视化审查功能,让 Agent 编码从 CLI 扩展到完整开发工作流。