Elysium:基于非平衡薛定谔桥的无模拟单细胞动力学重建方法
Elysium 提出一种无模拟求解器,通过联合学习状态转移与质量变化实现单细胞动力学重建。 该方法基于被杀布朗参考路径及其时间反转构造直接回归目标,无需在训练期间模拟轨迹。 实验表明 Elysium 在模拟基准测试中优于现有确定性及桥式求解器,并能捕捉双相药物响应动态。
Elysium 提出一种无模拟求解器,通过联合学习状态转移与质量变化实现单细胞动力学重建。 该方法基于被杀布朗参考路径及其时间反转构造直接回归目标,无需在训练期间模拟轨迹。 实验表明 Elysium 在模拟基准测试中优于现有确定性及桥式求解器,并能捕捉双相药物响应动态。
TCAF 模型在材料属性预测任务中优于 MatterChat,RMSE 降低 47.8%,训练时间减半。 TCAF 结合 CHGNet 特征与 Zatom-1 中间层表示,通过任务条件隐式查询实现自适应融合,无需独立对比预训练。 三编码器配置下宏平均分类准确率达 89.61%,展现了跨编码器组合的灵活性。
提出Wi-HAR架构,在公开基准12种活动测试中达成96.6%中位识别准确率,显著优于70.8%-81.5%的单天线模型。 利用证据深度学习生成类条件不确定性分数,在11个数据集中实现0.897的宏观平均ROC-AUC,检测82.5%的偏移样本且误报率为5.2%。 揭示检测性能随接收位置变化显著,表明相同物理变化未产生统一的不确定性响应。
提出预算配对反事实审计协议,用于评估视觉智能体在有限观察预算下的决策表现。该方法固定公开证据与区域绑定,仅扰动剩余预算或声明任务参数,通过计算精确延续值,将丢失的预期准确率分解为逐步获取损失和终端决策损失。在40个配对路由锚点上验证了该协议将规划策略与固定角色启发式分离的有效性。
NaviGATE 提出一种噪声感知生成框架,解决多模态知识图谱推理中嵌入方法语义细粒度不足及生成方法易受噪声干扰的问题。 该框架通过多模态语言模型微调激活结构感知内部知识,在推理时结合检索无关与检索感知双视图优化,利用对比 Logit 锐化增强可靠候选并抑制误导项。 实验表明,NaviGATE 在标准基准测试中一致优于强单模态、多模态及生成式基线,且在噪声检索场景下保持稳健。
研究在 31 篇完整手稿上测试 6 个多模态模型自主验证图表一致性,结果显示 1,445 份审查中仅 3.3% 被评分标准认可为成功诊断矛盾。 尽管 60.6% 的审查提及了错误图表,但明确指出矛盾的低得多;当直接指明图表名称时,诊断率升至 20.4%,而仅靠文本审查无法识别矛盾。 表明评估多模态文档理解需重点考察模型提出验证目标的能力,而非仅测试其回答给定问题的能力。
KnowledgeClaw 提出基于全模态超图的智能体系统,在 OmniKE-Bench 六个任务中全面超越 30 个基线模型,总体 OKE 得分为 55.9。 该基准包含 1,829 个无模型干扰项,覆盖 3,960 个真实文件的五种模态。KnowledgeClaw 比最强基线高出 14.6 分,软件与数据已公开。
论文指出主流多模态对齐架构通过压缩时序生成单点嵌入,导致无法区分相同条件下的孪生物理事件。 作者证明时序池化表示随序列增长收敛至稳态,并提出轻量插件模块 CounterPoint。 CounterPoint 通过去除模态时序均值评分帧级跨模态一致性,在四种 SOTA 对齐器上超越现有方法。
研究在8万多个合成驾驶场景中基于PlanT 2.0模型分析发现,注意力机制提供的是相关性而非因果性的物体重要性指示。 注意力方法无法一致识别所有相关物体,且常错误地将对驾驶影响微小的物体判定为相关;其在简单单车道直线场景中表现尚可,但在多车道和路口等复杂场景下准确率显著下降。 这些结果凸显了注意力作为物体重要性代理的局限性,呼吁开发能准确捕捉单个物体对车辆驾驶因果影响的新方法。
论文提出自进化空间推理框架 Space-X,通过执行智能体与控制智能体协同演化,构建连续且可追溯的空间证据链,解决工具增强智能体证据获取目标模糊及语义不一致问题。
提出无训练判别器 Vanguard,使 2B 模型在 Web、移动端及具身任务上准确率不低于 8B 目标模型,并在 Mind2Web 和 EB-ALFRED 上显著更优。
研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。
提出 GUARD 方法,在不改变已部署预测器权重的前提下,通过检索估计校正量并利用部署匹配标签数据学习,解决冻结多模态模型遭遇缺失模态时的校正问题。 基于可交换性假设,GUARD 利用保形风险控制将损失增加超过预设容差概率限制在预设水平,在 9 个冻结模型-数据集对实验中优于盲目校正。 该方法避免了盲目校正常超支的危害预算,保留了大部分校正收益,适用于无法再训练权重的实际部署场景。
COTEX 提出持续工具空间扩展学习,以高效适配器级成本为多模态智能体添加新工具,保留现有工具使用能力。 该方法通过定位工具调用和选择的方向,利用正交约束限制新工具适配器,并在十个视觉语言基准测试中取得提升,现有工具性能最多下降 0.3 分。
Decision2Care 在 546 例急诊住院记录中实现 86.5% 诊断准确率,每例耗时仅 2.2 秒。 该智能体不生成文本,通过固定规则执行最可能的 EHR 动作,确保每步决策可审计。 其药物处方指导依从性优于 MIRA-v2,在 8 个重症监护组中死亡预测表现与 3 名重症专家相当。
研究显示,视觉语言模型智能体在急诊 CT 和 MRI 阅片中的诊断准确性远低于放射科医生。 自由导航策略下 VLM 整体准确率为 32.6%,显著低于放射科医生的 77.0%;即使提供全部切片,VLM 准确率也仅 42.5%。模型在浏览约 10.8% 的切片后即形成初步假设,且 63.1% 的情况下坚持该假设不改变。
研究揭示低比特压缩导致视觉 CNN 精度坍塌集中于后期 pointwise 投影层。 保留不足 5% 关键层激活为 8-bit 精度,可恢复激进 sub-4-bit 压缩下 92% 的丢失精度。 低比特量化虽降低存储需求,但运行时解包导致 1.48x 至 21.5x 执行速度下降。
RFBench 发布了包含 10,000 个由 ADS Momentum 仿真的无源射频平面布局的多模态基准,定义了 7 项设计任务。 该基准包含可编辑几何原语、栅格图像、16x16 占用网格及 201 个频点的复数 S 参数。 在 7 个多模态语言模型测试中,射频领域微调使 T1a 结构有效性从 0.0% 提升至 83.2%。
HyperQ 提出量子增强掩码扩散语言模型,通过轻量级电路超网络动态生成特定于 token 的量子电路。将量子期望值通过残差连接投影回冻结的语言模型骨干网络。 基于 IQP 架构,HyperQ 将 qubit 数量从 16 扩展至 64,在 6 项 zero-shot 基准上平均准确率从 47.65 提升至 54.30,超越冻结骨干网络的 49.59。
该综述系统梳理了多模态大语言模型(MLLMs)在图表理解任务中的多模态信息融合现状。 文章构建了包含经典与非常规基准的新分类法,并回顾了从经典深度学习到 MLLM 范式的方法演进,同时指出当前模型在感知与推理上的局限。 研究提出通过高级对齐技术和强化学习来增强认知能力,旨在推动图表分析系统向更稳健可靠的方向发展。
多模态大模型在将视觉观察抽象为结构化空间状态时面临挑战,MARBLE 基准测试揭示了这一缺陷。 最强模型 GPT-5.4 在 MARBLE 最难设置中的平均成功率仅 7.3%。
Quicksviewer 提出一种 LMM 新感知范式,利用 Gumbel Softmax 将非均匀冗余视频分割为变化立方体,实现整体 45× 压缩率,显著降低时空复杂度。
SALT 通过在现有句子编码器中注入 span-level 监督,显著改进 token 表示。 该方法在五项多语言 token 级基准测试中取得了其中四项的最佳结果,优于微调策略。 同时它也提升了跨语言检索和分类任务的句子级表现。
研究团队发布 RABBiT,这是一款紧凑的音频到 fMRI 编码器,旨在通过脑调优技术实现脑对语音诱发反应的高精度零样本和少样本预测。 在 324 名受试者及多个未见过的 fMRI 数据集上测试,RABBiT 的零样本预测能力超越 SOTA fMRI 基础模型,仅使用 10 分钟数据即可通过参数高效微调大幅提升性能。
研究提出 CRAM 框架,通过隔离任务模块缓解多模态 LLM 持续微调中的灾难性遗忘,并利用自适应秩实例化实现高效参数分配。 该方法采用质心引导路由激活现有专家,辅以正交性惩罚限制更新方向,在多模态基准实验中表现出优于现有方法的优势,代码已公开。
研究提出V-lens,利用统一多模态模型的图像生成能力,无需训练解码器即可可视化选定token的隐状态。 在BAGEL、SenseNova-U1等模型上应用lens tuning后,代词指代正确可视化率从2-11%提升至86-94%,且该视觉监督意外改善了文本答案质量。
DRIFT 提出一种端到端自动驾驶框架,集成 <150M 参数的轻量语言模型进行场景描述与动作注释。 该框架通过蒸馏代理推理特征,允许在推理时绕过语言模型且无损驾驶性能。 DRIFT 总参数量仅 255M,在 Bench2Drive 上达到 97.03 Driving Score 和 89.39% Success Rate,并在 NAVSIM 和 AlpaSim 上以更低计算成本取得竞争力结果。
BOS Summary 提出一种免训练推理方法,在预填充阶段允许 BOS token 聚合所有输入信息,使其携带特定于输入的上下文。 该方法在 8 个基准测试中优于直接提示及链式思考(CoT)方法,性能超过近期的 sink 干预技术,且无额外参数或推理开销。 其机制分析表明,让 BOS 携带具体信息可削弱其注意力主导地位,将注意力重新分配至内容 token,改善后续层的行为。
SpecLook 提出免训练的预测验证框架,通过预测智能体下一步观察结果,使每个问题仅需单次前向传播。 该方法在 V*、HR-Bench 和 POPE 上准确率为 87.2% 和 86.2%,较 DeepEyes-7B 快 7.7 倍。 无需标签即可评估答案可靠性。
Piccolo 0.8B 至 27B 多模态决策模型通过 Agentic Data Engineering 实现模型与数据协同演化。 Piccolo-27B 在 Decision Index Vision Full 榜单以 75.59 分居首,9B 与 4B 模型在各自规模 Private 基准测试中排名第一。 发布权重及工具,为构建前沿决策模型及扩展数据驱动的递归自我改进提供可行蓝图。
研究人员提出多元素协同交互(MECI)框架以解决多模态实体链接中的元素主导问题。该框架结合多视图专家网络与层次化多模态交互模块,并利用大语言模型进行零样本重排序。 在 WikiDiverse 等三个基准测试中,MECI 均优于现有最先进方法。其 Hits@1 指标分别提升了 1.95%、7.30% 和 2.31%。
ReflectRec 提出一种偏好-历史往返验证器,通过召回分数实现低可恢复性偏好的条件重生成,提升 LLM 推荐准确性。 在 MovieLens-1M 数据集上,该管线在 Hit@10 指标上比 CoT4Rec-ICL 提升 4.46 个百分点,并在 Qwen3-30B、Qwen2.5-72B 和 Llama-3.3-70B 三种 LLM 骨干上均取得正向增益。
在低资源满文OCR中,向约2.9万词的基础词典添加25万形态学候选项,可将已见词根新组合的类型准确率从63.6%提升至86.3%。 但添加全部51万候选项会导致整体词元准确率降至81.5%,显示覆盖率提升伴随词典内精度损失。基础词典结合置信度回退策略表现最佳,达到76.1%类型和85.5%词元准确率。
Google DeepMind 向符合条件的 Google AI Ultra 订阅者推出新版 Project Genie 体验,提供对 Genie 4 模型的首次访问权限。
推荐理由:官方详细解析了Genie 4的实时编辑与音频能力,以及Agent和画廊如何改变世界生成流程。
研究表明,将视觉文档理解的证据归属接口从坐标输出改为语言引用接口,可显著提升证据召回率并降低幻觉率。 在CiteVQA子集上,证据召回率提升至26至47之间,幻觉率减半且答案质量变化不大;结合GRPO训练框架,8B骨干模型的严格归属准确率从22.4提升至33.8。 该研究为无需坐标接口及昂贵区域级监督即可改进归属提供了实用路径。
VisCo 攻击在 MM-SafetyBench 上对 GPT-4o 实现 85% 攻击成功率,毒性评分达 4.78。 该攻击利用四种视觉策略构建越狱场景,并结合自动毒性混淆与语义精炼优化提示词。 研究揭示了视觉模态在开放环境中部署 MLLMs 面临的安全漏洞。
首个基于脉冲驱动的 VLA 框架实现机器人操控端到端直接训练,采用多赢家脉冲融合与 Spike Action Chunking Transformer 组件。 该框架在 LIBERO 和 Meta-World 基准测试中表现具有竞争力,且参数量更少、推理能耗更低。 为资源受限平台上的具身智能建立了神经形态基础。
研究团队推出包含 30,000 个样本的多模态表格推理基准 TableVista,并对 29 个基础模型进行评估。 该基准将 3,000 个推理问题扩展为 10 种视觉变体,覆盖多样化场景风格、鲁棒性扰动及纯视觉配置。 评估发现当前模型在复杂结构布局及纯视觉设置下性能显著下降,揭示了其推理一致性存在的缺陷。
研究团队提出 Nunchi 框架,结合 VLM 与对话线索,将多场景注视识别准确率提升 4.8 个百分点。 该研究构建了 SORBET 基准(3,340 样本,1,578 片段),验证了语音与转录在解决注视几何歧义上的有效性,且性能增益在三个 VLM 中保持稳定。
研究发现,全模态模型中预测跨模态不一致的信息主要位于低维 Answer Subspace 之外,集中在一个可复现的二维表示中。干扰 Answer Subspace 会显著改变模型预测,而干扰该不一致表示或同维随机子空间对结果影响甚微,表明线性可解码性不等同于行为效力。