MInfoVisQA: 信息丰富视觉问答的多语言基准测试
研究者推出 MInfoVisQA 基准,包含 24 种语言、8,960 个问答配置及 25 个多模态大语言模型评估数据。 该基准通过分离数值结构与文本生成并行视觉问答对,发现模型在跨语言场景下表现存在显著差异。 研究结果指出,平均准确率掩盖了鲁棒性差距,凸显跨语言敏感度指标在模型评估中的必要性。
研究者推出 MInfoVisQA 基准,包含 24 种语言、8,960 个问答配置及 25 个多模态大语言模型评估数据。 该基准通过分离数值结构与文本生成并行视觉问答对,发现模型在跨语言场景下表现存在显著差异。 研究结果指出,平均准确率掩盖了鲁棒性差距,凸显跨语言敏感度指标在模型评估中的必要性。
Sleep2Word 是一种将呼吸、ECG 或 PPG 等周边生理信号转换为 EEG 频谱图的框架。 该框架通过时长感知的生理“词”进行量化,并在 9 个数据集(超 20K PSG 病例)上训练。 在 EEG 频谱重建、睡眠分期和生存预测等任务中,Sleep2Word 优于现有基线,全夜序列压缩率高达 69.7%。
研究人员发布隐私保护评估套件 CrisisBench,旨在测试大语言模型在危机咨询中的风险管理与去升级能力。 套件包含 1085 个单轮任务及 23 项评估维度,经专家校准后用于评测五个 GPT 模型。 结果显示生成增强检索模型多轮得分最高(0.961),所有系统在过度共情方面均弱于人类咨询师。
GNN 在寻找 Ising 模型基态时无修改性能劣于最小和算法(能量空腔法),融合该类启发式规则后性能显著提升。 改进方案虽强于其他深度学习法,但同等计算成本下模拟退火法表现通常更优。
Boltz-1 的主干模块中二级结构与序列化学特征均具线性可解码性,但扩散模块中序列化学特征线性可访问性显著降低。 研究通过线性探针与因果干预发现,螺旋与无规卷曲方向可剂量依赖地改变预测结构,但β-折叠方向未产生可测量的折叠含量增加。 线性可解码性在测试位点并未暗示因果影响。
MAGIC在CIFAR-100、CUB-200和ImageNet-R的9种低标签率设置中均从非标记数据获益,并在CUB-200全比例下领先。方法通过冻结ResNet-18特征构建k近邻图传播标签,利用SWGC校准类统计以回放旧类。在CUB-200上表现最优,1%标签下在CIFAR-100上落后原生方法2.2分。
针对现有贝叶斯优化理论缺乏对非线性参数模型(如神经网络)在自适应数据采集下的保证,本文提出基于参数空间核函数的分析框架。 该框架通过构建再生核希尔伯特空间结构,为广泛的一类正则化损失函数下的模型训练提供置信界,并据此建立了近似 Thompson 采样的收敛保证。 这些结果为非线性模型在贝叶斯优化及相关自适应优化设置中的分析提供了统一途径。
该研究揭示了高维体制下宽特征学习网络中特征可学习性由一系列尖锐相变支配,并提出了在固定数据预算下的“有效宽度”概念。 模型推导了贝叶斯最优泛化误差的两个统一缩放定律:特征学习阶段误差随 $n^{1/(2\beta)-1}$ 衰减,精修阶段随 $n^{-1}$ 衰减,且学生模型在此处表现接近理论最优。 该研究已被 NeurIPS 2026 接收,为理解大型有限宽度网络的知识转移提供了信息论依据。
提出 SkillPE 创意导向框架,通过参考引导探索演化可复用电影技能,在 StoryEval 和 VBench 上较种子技能提升最高 1.10 分。 基于 20 个种子技能,结合 Resonators 和 Divergents 检索与变异,按 7 分四维量表评估最终技能库。 为电影感文生视频生成提供平衡保真度与创意的实用方法。
针对多兆瓦级灵活负荷整形,研究者提出一种可解释的“挑樱桃”策略,能在不增加批发电力成本的前提下,实现比静态LMP整形高2-3倍的年度电网CO2减排。 该方法基于对ERCOT电力市场近8900个节点的仿真数据,结合可观测的电网净需求与节点最低LMP阈值,动态选择当日最优整形信号。
FLARE 提出基于轻量级生成式奖励模型(GRM)的密集监督范式,解决长程编码智能体中稀疏二元奖励导致的信用分配危机。FLARE (N=1) 比 Global Rollout (N=5) 性能更优且 Token 消耗减少 5 倍。在 SFT 中带来 19.13% 相对性能增益,在 RL 中带来 9.19% 性能提升。
提出一种无需标签数据或预训练的物理约束神经求解器,通过PECANN框架将不可压缩流建模为约束优化问题,最小化压力Poisson残差。 该求解器在lid-driven cavity流中预测精度达Re=7,500,并成功捕捉非稳态绕柱流中的周期性涡脱落现象。 研究指出传统物理信息方法Reynolds数受限源于约束执行不足,该方法解决了这一局限。
RPMem 是一个两阶段架构,通过前向计算生成模型无关的潜在记忆,并利用任务训练的递归门控进行跨会话整合,最终映射为 LoRA 参数。 该框架支持骨干模型替换,在 PERMA 基准中,基于 Qwen3-8B 模型达到了 85.52% 的准确率,超越最强参数化基线 5.32 个百分点,实现近常数的更新成本与内存占用。
解释驱动的反事实测试(EDCT)协议揭示视觉语言模型存在显著忠实度差距,模型常产生与验证过的视觉变化不一致的回应。该协议通过提取解释中引用的视觉概念并施加最小编辑来测试一致性,EDCT-Bench 涵盖 OK-VQA、DriveLM 和 3DSRBench 三个领域。 微调研究表明 EDCT 生成的反事实实例提供高影响力训练信号,论文已被 WACV 2027 接收。
JigSLO 提出一种感知带宽争用的多 LLM 服务系统,平均将 SLO 达标率提升 2.3 倍,吞吐量提升 1.2 倍。 系统通过联合优化张量并行、计算份额与批次配置,在长上下文工作负载中仅需一半 GPU 即可匹配基线的最佳达标率。
研究开发框架评估大语言模型防护机制,分析攻击者可能获取的最大最小有害辅助。 分析 52 篇论文中 85 项评测发现,仅 5 项论证攻击路径,4 项提供阻断后证据。 NeMo Guardrails 默认流式配置下,94% 的密码泄露被阻断,但客户端仍获取密码。
针对边缘设备资源限制,提出 Mix-Opt 框架,通过自适应结合 BP-low 与 ZO-high 实现内存高效的文生图扩散模型个性化微调。 引入时间步感知的概率函数动态选择优化策略,在 U-Net 与 DiT 模型上均实现显著内存降低且保持高质量生成。
纯拒绝 SFT 导致过度拒绝,而混合 SFT 使 5 个阿拉伯语模型在有害拒绝率 H 达 90%-93% 时,良性拒绝率 B 维持在 14%-23%。 DPO 与推理护栏效果因模型而异,标注员一致性 89.0%(kappa=0.78),Qwen3Guard 与 Aya Expanse 32B 准确率分别为 88.7% 和 91.0%。
论文提出基于量化的方法,用K点离散测度近似概率测度,解决最优传输在大规模支撑下的高计算成本问题。 推导了量化测度的一致性及其在下游任务中的收敛保证。 合成与真实数据实验表明,该方法在保持性能的同时显著减少运行时间。
跨数据集评估显示,基于咳嗽声学的机器学习与深度学习结核病筛查模型无法泛化,外部验证表现频繁低于 0.6。 尽管数据集内 ROC-AUC 高达 0.76±0.06,音频表征主要受录音设备和数据集组织影响,设备不匹配会降低迁移效果。 临床变量基线泛化表现更稳定(ROC-AUC 0.65-0.71),表明采集特异性是泛化失败的主因。
研究揭示 LLM 与人类在证据更新时机的位置偏差机制存在分歧。 发现查询时机的更新方式显著影响 LLM 的偏差表现,且较新模型的偏差显著强于旧版本模型。
针对单LLM模拟器导致的策略泛化失败,研究提出Verbalized Sampling与Co-Training两种解决方案。 在Persuasion for Good等三项基准测试中,Verbalized Sampling提升留出成功率9%,Co-Training进一步升至14%,并保留了策略多样性。 研究指出多样化模拟器是服务真实用户的必要要求,并开源了SCOPE框架。
研究团队提出 EvoX Genesis,一种将开发组织为持久递归软件世界的框架,使智能体能继承被接受的代码版本及评估标准。在从零构建 C 编译器的实验中,该系统经过 1019 个智能体会话生成了 219,676 行 Rust 代码,并将 100 个 Csmith 程序集的通过率从 61 提升至 93。
研究提出激活导向筛选工作流,在 OLMo-3-7B-Instruct 上验证了角色定向的有效性。 通过 CastVectors 实现 63.2 的平均对齐分,显著优于对照组的 41.1。该工作流表明需按角色调整系数,代码与数据已公开。
RecHarness 通过 Bandit 路由将优化过程解耦,在多个推荐任务中比 LLM 直接搜索更高效。其 Bandit 路由器依据历史反馈选择方向,LLM 生成具体假设和代码编辑;停滞时通过 Jump-basin 机制激活结构跳跃臂以维持长期探索。 在大规模短视频广告平台的 7 天在线 A/B 测试中,候选模型使 ADVV 提升 2.084%,收入提升 0.534%,曝光量提升 0.559%。
大语言模型的滥用防护机制存在高危漏洞,因其依赖用户声称的专业身份进行拦截,而攻击者可直接伪造身份。研究发现,在12个顶级会议最新129篇论文的防御方案中,该漏洞普遍存在,现有基准测试无法有效识别。
研究显示第三方 API 路由器在 coding agent 工作流中存在控制缺口,可篡改请求与响应。 研究测试了四种渐进干预级别,包括响应替换、追加、LLM 润色注入等。 四个代表性 coding agent 在所有注入级别下防御成功率均为 0 百分,客户端缓解措施无法恢复端到端控制。
研究发现,ImageNet中天然存在的统计信号能作为后门类似触发器,直接且可预测地改变视觉模型预测。这些统计对抗特征比通用损坏更具针对性,且能跨不同模型架构迁移,表明部分漏洞由数据集结构和分布驱动。
该框架基于时空凸集图(ST-GCSs)实现连续时空规划与多机器人协调,通过精确凸分解(ECD)处理动态障碍。 引入最佳优先求解器及窗口协调策略,大规模模拟在 1 分钟内协调多达 100 台机器人,展现了实际应用性。
这项研究揭示了多语言 LLM 推理中的显著能源鸿沟,不同语言间单位 token 能耗差异高达 8.3 倍。 固定请求集的总能耗差异达 179 倍,英语最低(17.6 kJ)而普什图语最高(3,147 kJ),且高能耗语言通常任务准确率更低。 研究建议社区将能源纳入一级评估指标,扩展模型卡报告项,并采用部署侧优化以提升能效。
论文提出 $d_{\text{NTP}}$ 度量以量化任务向量与上下文学习在下一 token 概率上的差异,并指出其与下游准确率呈强负相关。 作者基于此设计线性任务向量(LTV)方法,通过闭式线性映射最小化该度量。
提出电商生成式检索框架CQ-SID与强化学习算法EG-GRPO,作为召回阶段补充。 TmallAPP日志显示,CQ-SID使语义点击命中率提升26.76%,个性化点击命中率提升11.11%,且光束搜索规模减半。 在线A/B测试证实GMV提升1.15%,生成式召回渠道贡献超72.63%的购买。
SKYPART作为轻量级模块,在SUES-200等基准上实现单次检索无重排的SOTA性能,其26.95M参数量为对比中表现最佳的最小模型。 该方法通过可学习原型、海拔条件调制及图注意力读出机制,使模型在十种WeatherPrompt腐败条件下精度优势进一步增加。 论文已被Neurips 2026接收,代码已开源,为低空经济中GNSS失效场景下的无人机自主定位提供了可靠替代方案。
研究揭示视觉语言模型(VLMs)在多行手写数学 OCR 中存在过度修正失败模式,提出 PINK 指标以 LLM 评分并惩罚此类错误。 对 FERMAT 数据集上 15 个 VLMs 评估显示排名反转,GPT-4o 因激进修正受重罚,Gemini 2.5 Flash 转录最忠实。 PINK 与人类判断一致性达 55.0%,优于 BLEU 的 39.5%,为教育评估提供更可靠框架。
WHBench 基准包含 47 个专家定制场景,评测 22 个模型在女性健康领域表现。 使用 23 项标准评估,3100 个有效响应中最高分仅 72.1%,无模型均值超 75%。 基准公开,旨在追踪更安全、公平的女性健康 AI 进展。
提出 MACE 框架,通过 MCTS 引导的对抗协同进化提升 LLM 安全对齐。该框架包含 GS-MCTS 搜索组件与 AC-TGPO 优化组件,实现攻击者与防御者的策略学习。
基于双期博弈模型,研究发现随着模型使用带来的经验学习增强,基础模型的最优开放策略呈先降后升的非单调特征。 模型使用者在 incumbent 模型上积累的特定经验形成数据飞轮,降低后续适应成本,从而促使 incumbent 在初期限制开放性以留存用户。 当跨模型经验不可转移时,可能因福利损失产生“开放性陷阱”,而强制全面开放或小额使用补贴可能反而推高费用并降低整体福利。
summary_zh: TAR框架引入时间锚点(T-anchor)机制,通过渐进式精炼链式推理(CoT)并强制中间思考对齐视觉证据,显著提升推理忠实度与最终预测准确性。
QUTCC提出一种基于U-Net架构的分位数回归方法,实现非线性、空间自适应的保形校准,提供像素边际覆盖保证。 该方法在去噪、加速磁共振成像及定量相位显微成像任务中,于相同覆盖率下生成比先前保形方法更紧的不确定性区间,并预测条件概率密度。 高不确定性区域有助于定位模型预测中的幻觉现象。
研究探索利用大语言模型将非正式导航指令转化为答案集编程规则,解决自动驾驶在动态城市环境中依赖预定义地图导致的适应性难题。 答案集编程提供非单调推理能力,使车辆能在道路布局变化或地图数据缺失时进行自适应决策,增强了导航的可解释性。 该方法通过自动翻译逻辑规则支持基于语义的决策制定,提供了与人类沟通导航意图高度一致的动态规划框架。