跳到正文
11月9日周一
  1. arXiv · AI23

    NoContactNoWorries: 基于视觉与本体感知估计接触以实现灵巧操作

    NoContactNoWorries 是一个基于 Transformer 的多模态框架,融合 RGB-D 视觉与机器人本体感知来推断二元接触状态,作为伪触觉信号用于手物交互。 该方法在模拟环境和真实机器人上验证了可行性,推断出的接触信号支持下游强化学习代理完成手持物体重定向,并能泛化至新物体。

  2. arXiv · AI30

    通过调整分词时域与约束解码实现自回归策略的实时执行

    自回归策略通过调整分词时域和应用约束解码,保证了严格的延迟上限,实现了多轨迹解码以最大化性能。 在模拟和真实环境中,该自回归策略在任务完成速度上显著优于同级流匹配策略,且具备收敛快、指令跟随泛化性好的固有优势。 这证实自回归策略可作为支持实时执行的有竞争力的策略类型。

  3. arXiv · ML28

    基于状态空间模型ATMOS实现生物分子原子轨迹生成

    ATMOS基于State Space Models(SSM),通过Pairformer状态转移与扩散解码模块,生成原子级分子动力学(MD)轨迹。 ATMOS旨在解决生成模型忽略时间相关性或难以条件化长历史的局限,实现原子级轨迹生成。 ATMOS在蛋白质单体和蛋白质-配体构象轨迹生成中达到state-of-the-art性能,推动生物分子动力学基础模型发展。

  4. arXiv · ML33

    SegMate: 基于非对称注意力的轻量级多器官分割架构

    研究提出高效 2.5D 框架 SegMate,在三个数据集中将计算量降低 2.5 倍、显存占用降低 2.1 倍,Dice 分数普遍提升约 1%。 该框架在 TotalSegmentator 数据集上以 295 MB 显存实现 93.51% Dice 分数,并在其他数据集上展现出强泛化能力。 SegMate 支持单 GPU 每小时处理 10,000 个体积,代码已开源。

  5. arXiv · AI32

    LLM 智能体框架发掘跨组织蛋白共丰度程序

    LLM 智能体框架分析了 22 种人类组织间共 231 对组合,识别出 1,825 个保守蛋白共丰度簇。 该框架整合了表达图谱、蛋白互作数据库及文献证据,76% 的组织对表现出超越随机的共丰度共享,379 个可测试簇在独立 CPTAC 数据中复现。 这些保守簇揭示了现有数据库缺失的机制,如肝脏与骨髓共同关联的白质病变基因,为疾病研究提供假设生成资源。

  6. arXiv · AI22

    PIRL 如何提升多模态 RLVR 的泛化鲁棒性

    针对多模态大语言模型在 RLVR 训练中因提示词变化导致性能下降的问题,研究者提出 Prompt-Invariant RLVR (PIRL) 方法。该方法通过动态三元奖励分离格式与语义,并利用嵌入空间对抗机制应用策略不变性正则化器。 在压力测试中,PIRL 在基准测试上的平均准确率下降不超过 1%,而 GRPO 下降约 3%;在动态评估中,PIRL 也实现了最小的性能衰减。

  7. arXiv · AI41

    TimeTok:基于分层标记化的粒度可控时间序列生成框架

    TimeTok 是一个统一的时间序列生成框架,通过分层标记化策略,允许从任意粗粒度输入生成任意目标粒度输出,无需额外条件。 该框架通过控制标记块数量显式调节输出细节,在标准生成任务中达到 SOTA 水平,并展现出跨异质时间粒度数据集的强大迁移能力。 作者称这是首个覆盖时间序列完整生成谱系的一体化框架,为多样化时间粒度应用奠定基础。

  8. arXiv · AI35

    Sentinel Agents:面向多智能体系统的安全可信 Agentic AI 层

    Sentinel Agents 提出由 Coordinator Agent 监管的规则、行为与 LLM 语义检查层,以隔离异常 Agent。 在 1,000 条消息语料上,Gemma 4 12B 实现 F1 0.86 且误报率 0.11,Qwen3 8B 校准后 F1 提升至 0.80。 实验表明检测器组合效果取决于模型校准与聚合逻辑,为多智能体安全部署提供了可操作指引。

  9. arXiv · AI28

    GRAC:基于图结构检索增强的手术场景描述框架

    GRAC 框架通过图结构表示手术场景,利用检索增强的生成方式提升描述准确性。 在 EndoVis-18 基准测试中,其 CIDEr-D 得分达 5.88,超越传统 Transformer 基线的 3.36;在三元组准确率上从 26.2% 提升至 52.6%。 该结果表明,结合结构化场景表示与检索示例能显著提升手术场景描述的上下文相关性。

  10. arXiv · AI31

    基于知识牵引的多模态弱监督视频异常检测方法

    针对弱监督视频异常检测中仅依赖帧特征幅值的局限性,提出一种结合 LLM 提取文本先验与字典学习进行归一化压缩的新方法。 通过 LLM 和辅助信息解决图像描述模型对相似帧文本描述不一致的问题,并利用跨模态注意力机制融合先验知识,构建更准确的特征表示。实验结果表明该方法在准确性和稳定性上优于现有 SOTA 方法。

  11. arXiv · AI35

    FIND: LiDAR 3D 检测测试时自适应的频率不变性解耦方法

    FIND 框架通过在频域解耦领域不变内容,解决 LiDAR 3D 检测中自监督方法混淆语义与风格的问题。该方法利用 B-Spline 拟合构建局部自适应滤波器,结合不变流与特异性流的双流架构,在跨数据集和鲁棒性基准测试中显著优于 SOTA 方法。该工作已被 NeurIPS 2026 接收,源代码已公开。

  12. arXiv · ML30

    HiGO 利用分层图 ODE 建模全球野火活动

    HiGO 提出用于全球野火预测的分层图 ODE 框架,在 SeasFire Cube 数据集上显著优于最先进基准。 该模型采用自适应滤波消息传递机制,利用 GNN 参数化 Neural ODE 模块学习多尺度连续时间动态。 其连续时间预测表现出强观测一致性,突显了应用于现实世界场景的潜力。

  13. arXiv · ML40

    Equivariant Spherical Transformer 用于高效分子建模

    提出即插即用模块 Equivariant Spherical Transformer(EST),在 OC20、MPtrj、QM9 等基准上取得 SOTA 性能。 EST 通过对球形空间表示应用 Transformer 注意力机制,显式混合采样方向信息,并保留近似等变归纳偏置。 使用 EST 的小型模型在 OC20 复杂分子系统上优于部分更大模型及额外数据模型。

  14. arXiv · AI20

    MotionDecipher:基于 LLM 辅助的临床人体运动信号解读框架,提升步态分析效率

    研究团队提出 MotionDecipher 框架,利用 LLM 将人体运动信号转化为临床步态描述。在 122 名患者及 46 名对照测试中,该框架取得 0.91 BERTScore,比 GPT-5 高 13%,专家评估显示其在正确性、完整性和简洁性上表现最佳。 该框架包含人体运动分词器、元特征选择器和混合上下文构造器三个核心组件。

  15. arXiv · AI26

    AtariBench 评估视觉语言模型在 Atari 游戏交互中的时空推理能力

    研究团队提出 AtariBench 基准,覆盖 20 款 Atari 2600 游戏,以评估视觉语言模型的高时间分辨率游戏流中的序列决策与动作生成能力。 该基准将游戏内快速动态变化与模型推理速度解耦,揭示当前模型在物体运动方向推断、序列决策鲁棒性及文字历史依赖等方面存在明显缺陷。

  16. arXiv · AI26

    V-JEPA1 实现城市驾驶场景从潜变量补全到因果预测

    V-JEPA1 预测器通过微调,将双向潜变量补全转化为无动作因果预测,保留冻结编码器。 模型在单次前向传播中预测8个未来token组,在CARLA Town12测试中,从591个候选中检索正确未来的准确率为69.0%,超过持续性基线的55.3%。 研究证实潜变量预测有助于驾驶感知,但下游实用性尚未得到验证。

  17. arXiv · ML21

    ProtoCouncil: 基于多编码器和解剖学原型的微超声前列腺癌检测模型

    ProtoCouncil 模型在微超声前列腺癌检测中取得 82.9% 的 AUROC,比此前最佳方法高 4.3 点。 该模型融合 MedSAM、DINOv3 和 V-JEPA 2.1 三个基础编码器,在 6,588 个穿刺样本上实现跨验证评估。 其核心机制通过编码器分歧进行选择性预测,在保留 54% 样本的同时将平衡准确率提高 15 个点。

  18. arXiv · AI23

    AbCD 通过多智能体辩论实现偏好学习对齐

    AbCD 方法利用采样多样化委员会进行多智能体辩论,通过任务级语义等价聚类将辩论轨迹转化为偏好数据,无需黄金答案标签即可实现后训练对齐。 该方法在数学推理、选择题及代码生成等可验证任务上进行测试,涵盖 1B 至 8B 参数的五个模型家族及四个数据集。 后训练效果优于仅推理集成、纯辩论及同等轨迹下的监督微调,共识准确率最大提升 21.5 个百分点。

  19. arXiv · ML27

    HaNDF:基于物体条件的手部几何神经距离场

    研究提出 HaNDF,一种物体条件的神经距离场,作为建模手部-物体交互中合理构型的先验。 利用黎曼几何工具在物体诱导神经场的零水平集表示合理手部姿态,并支持姿态优化与投影。 HaNDF 被验证适用于姿态细化、遮挡重建及物理合理的操作合成。

  20. arXiv · ML28

    用于大规模图相似度学习的可缩放 GNN 框架 FiLSim

    提出可缩放的 GNN 框架 FiLSim,在超过 150,000 个节点的图上保持精度,单 GPU 数秒内完成评测。 针对 GED 和 MCS 计算难、现有方法难以扩展的问题,FiLSim 结合序贯图编辑策略构建大规模数据集,并在四个基准及四个新数据集上验证了有效性。 克服了基线方法内存不足或无法学习的瓶颈,实现了从小规模到大规模图的高效相似度计算。