SteeringDRL 通过门控残差 U-Net 和噪声课程引导扩散自编码器训练轨迹,提升表征解耦性。
方法在属性解耦基准测试中表现具有竞争力且种子敏感性降低,并扩展至以物体为中心的无监督分割任务。 论文发表于 NeurIPS 2026 会议。
方法在属性解耦基准测试中表现具有竞争力且种子敏感性降低,并扩展至以物体为中心的无监督分割任务。 论文发表于 NeurIPS 2026 会议。
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。
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。
提出HyperDn模型,通过池化源配置oracle监督,实现去噪超参数向新配置的迁移。 在仅2个目标oracle标签下达到30.23 dB,性能超越64标签基线且标签需求减少1/32。 该结果证明昂贵oracle监督可跨配置迁移,降低新去噪配置中标签重建成本。
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。
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。
研究团队发布了 ReelNet 数据集及基准,整合了 925K 珊瑚标注和 479,027 筛选标注,覆盖 39 个标签,并验证了零样本、少样本及全量微调。 DINOv2 在独立测试集 Al-Wajh 上达到 65.79% 宏召回率;GPT-5.4 推理消融实验未提升直接分类效果,长尾识别与地理不平衡仍为主要挑战。
层级贝叶斯轨迹主流形采样方法 HB-TPM 通过从有序源任务学习平滑曲线族,适应稀疏目标的重建与采样。在 30 个保留向量任务中,HB-TPM 相比源适应 VAE 将平均切片 Wasserstein 距离降低 21.0% 至 41.8%。
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。
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。
summary_zh: WorldCoder-Bench 是一个评估自主且物理感知的3D世界合成的基准,包含2,026个专家策划任务。 该基准涵盖仿真、渲染和应用场景,提出 StateProbe 协议以验证运行状态,最佳验证覆盖率为27.8%。
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。
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。
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。
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。
V-STORM 将视频转化为 Spatio-Temporal Scene Graphs 并推导 Grounded Chain of Thought,构建了 260K 训练集和 3K 人工验证 benchmark。
提出统一框架,将不可压缩连续性方程作为硬约束融入神经算子,确保无散度流体建模。 通过微分谱Leray投影强制不可压缩性,并构建基于卷的无散高斯参考测度适配flow matching。 实验表明在2D Navier-Stokes方程上实现精确不可压缩性,显著提升稳定性与物理一致性。
论文提出 SPSC 框架,通过语义保留和子空间校准,解决跨被试 EEG 重建中的语义偏移问题。 该框架结合对象掩码对比正则化 (OMCR) 和子空间候选门控 (SCG),实现无标签推理下的语义修正。
AudioSphere 是一个多通道掩码自编码器,首次实现使用冻结自监督骨干进行声音事件检测与定位(SELD)。 模型在 Ambisonics 录音上训练,通过时空掩码策略联合学习声学与空间特征,支持帧级预测和片段级表示。 代码和数据已开源,相关论文已被 NeurIPS 2026 接收。
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。
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。
summary_zh: AdaAlloc 提出免训练推理框架,解决长视频问答中视觉 Token 预算下时间覆盖与空间细节的权衡问题。 框架通过规划全局/局部分配策略,结合时间定位细化本地证据;在 LVBench 等四项基准测试中,比同等预算均匀采样提升最高 10.5 个百分点。
ACTOR 是一个无需训练的插件模块,利用明确的标注预算改进视觉语言模型的测试时适应效果。 该模块通过一致性与可靠性检查路由不确定样本,支持查询标签或基于记忆的修正。在十个跨领域基准测试中,它显著提升了 ResNet 和 ViT 骨干网络的性能,推理开销极小。
UniRGBA 框架通过零初始化通道扩展和 DoRA 微调,实现原生 Alpha 通道视频生成,无需复杂架构重构。 该模型采用 4 通道 VAE 和六项渐进重建损失,在视觉效果 RGBA 基准测试中,RGB 保真度超越 Wan-Alpha。
在六个视觉语言模型(VLMs)测试中,仅 Gemma-3-27B 能可靠识别注入概念,识别率达 35%(单独 steering 为 3%)且几乎无误报。 但报告源脆弱,强注入或视觉路径注入被误报为“看到”,且 87% 真实照片描述中注入物体被错误归因。
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。
该研究建立了长尾识别(LTR)与持续学习(CL)之间的理论联系,证明在失衡因子 $\mathrm{IF}$ 下,LTR 训练将模型参数驱动至 $O(1/\sqrt{\mathrm{IF}})$ 邻域,并将 LTR 重构为序列学习问题。
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。
CrowdDirector 框架提出一种混合控制方法,仅在用户添加或修改指令时调用 LLM 将自然语言转化为结构化指令,后续由场景验证器校验实体与动作的有效性。
基于采样的机器人控制策略会利用基于人类偏好训练的奖励模型,在 HalfCheetah 和 Meta-World 等环境中导致真实回报最高降低 76%。 测试发现,使用人类标注时抽屉任务成功率从 10/10 降至 0/20,而留出集标注准确率保持在 0.75-0.97。
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。
利用 Google 开发的 Urania 框架,在严格差分隐私保证下,分析了 210 万条使用 Gemini Nano Banana 模型的对话。 数据被划分为五个类别的约 800 个集群,并比较了 21 项使用特征。 确立了隐私保护下图像生成与编辑工具使用基线,揭示了 Nano Banana 涌现的新用例。
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。
研究提出免训练、模型无关的 VoluCompose 框架,解决全量体素图像处理中视觉 token 序列冗长且成本高的问题。 该框架采用双模块设计:双曲 token 组成模块利用洛伦兹距离对相邻切片特征进行 token 分配,容量控制模块基于视觉编码器注意力熵动态调整 token 数量。
该研究提出一种放射学智能体框架,通过协调模块化工具生成结构化报告。在 FDA 批准目录与临床指征限制下,该框架仅恢复不到三分之一的临床可操作发现;引入无限制目录后恢复率显著提升,且基于目标报告的规划进一步优化了结果。
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。
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。
它采用线性注意力编码器和抗混叠时间重采样技术,支持 800 万复数样本,并发布 1.38 TB 统一语料库。 在 EM-Bench 感知准确率上比 MERLIN-LoRA 提升 15.77%,且在 LEMMO-ShortQA 上准确率提高 14.31%,代码和数据集已开源。
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。
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。