跳到正文
11月6日周五
  1. arXiv · AI29

    Qwen3-VL-8B-Instruct 模拟视角下的表征与行为解离研究

    研究在 Qwen3-VL-8B-Instruct 上考察视角模拟如何重塑内部表征,发现提示框架对表征的影响强于身份,而身份对行为判断影响更大。 在 100 张图像和 53 种条件下,早期层编码图像身份,后期层形成角色结构;最小身份声明可改变表征而不改变响应。 结果证明表征距离不必然反映行为相关性,揭示了人工认知系统中内部几何结构与功能后果的根本区别。

  2. arXiv · AI25

    GuidedWAM:自动驾驶世界动作模型的免训练能量引导框架

    提出免训练框架 GuidedWAM,在采样时向冻结的自动驾驶世界动作模型注入驾驶目标,无需重新训练。 构建可微能量作用于采样器中间动作估计,通过引导调度和速度受限修正稳定生成;在 NAVSIM v2 hard-split 上使公开模型 EPDMS 提升 1.8 至 3.6,单步采样时间增加不足 10%。 将能量引导确立为 WAM 的实用后训练控制通道。

  3. arXiv · AI28

    CST-Bench:基于因果转换在线策略自蒸馏的反事实空间迁移推理基准

    提出 CST-Bench 基准,包含 7,082 个样本,覆盖 6 种干预类型和 12 种变换算子,用于评估反事实空间推理。 基准测试表明,普通空间推理有效的方法在反事实干预下可能失效。 提出 CT-OPSD 方法,利用 CST-Bench 注释指导教师模型学习反事实状态转换,并蒸馏到仅基于真实观测推理的学生模型,作为提升模型的反事实空间推理监督资源。

  4. Hugging Face Blog77

    NVIDIA 发布 Cosmos 3 开放权重模型用于交互式世界仿真

    NVIDIA 在 Hugging Face 上发布四个 Cosmos 3 Nano 开放权重模型,包括 Transfer-Auto、Sim-Auto、Sim-Transfer 和 Sim-Bimanual,支持多传感器驾驶仿真与双臂机器人交互。模型采用 OpenMDW1.1 许可证,提供商业与非商业用途权利,并附带分阶段后训练配方。

    推荐理由:NVIDIA 发布四个 Cosmos 3 开放权重模型,提供从驾驶到机器人交互仿真的完整工作流,读者可评估其开源生态价值。

  5. AWS Machine Learning Blog34

    Amazon Marketplace 利用 Amazon SageMaker AI 评估 A+ 内容质量

    亚马逊 A+ 内容使用高质量素材可提升 8–20% 销量,但现有单资产评估难以捕捉整体质量。该方案将完整电商页面渲染为快照,由 VLM 进行整体评估,并结合 OCR 信号与轻量级 CatBoost 分类器预测专家质量标签。 SHAP 解释用于生成改进建议,该端到端流水线基于 Amazon SageMaker AI 实现,涵盖数据摄取至生产监控。

11月5日周四
  1. 豆包工作42

    豆包工作覆盖营销五类实战场景,附同款 Skill 与提示词

    豆包工作支持抓热点、做方案、出内容、管素材、看反馈五类营销场景,提供对应 Skill 与提示词,可结合品牌信息直接调用。 功能涵盖调用“营销热点策略师”与“全案营销”技能生成选题和 PPT 全案,支持“无限画布”统一视觉设计,并调用 Seedance 2.5 生成约 30s 真人宣传短片。

  2. HiDream智象元一38

    梅涛在2026世界顶尖科学家论坛提出智能体化全模态世界模型

    智象元一CEO梅涛在论坛上提出构建智能体化的全模态世界模型,以跨越数字智能与物理智能鸿沟。 该模型由LLM决策大脑、Omni-Model模拟器及Embodied Context执行层协同,实现同一Token空间内思维与物理世界的统一。 这一架构旨在解决物理AI数据匮乏问题,通过合成高精度动作视频为具身智能提供数据供给,代表AI演进的全新方向。

  3. 蚂蚁开源21

    SEE Conf 2026 聚焦“创造力复兴”,探讨 AI 如何降低创造门槛并提升体验价值

    SEE Conf 2026 以“创造力复兴”为主题,于 2026 年 11 月 28 日在杭州蚂蚁 A 空间举办。 大会探讨模型能力与开源协作,涵盖 QMuse、TaoDesign 及 Coding Agent 等实践,旨在让构想转化为可体验的产品。 活动强调以人为出发点,通过 AI 拓展创造边界,将技术增量转化为用户可感知的体验价值。

  4. arXiv · AI23

    MAIA:用于艺术委托需求发现的多智能体意图表达系统

    多智能体系统 MAIA 通过苏格拉底式探究,将模糊情感转化为用户验证过的视觉文本简报。在 N=16 的组内被试研究中,MAIA 相比基线在认知支持上取得显著增益 (r = 0.97, p_FDR = 0.003)。 系统引入“验证优先于创造”规则,通过验证者门禁阻断未获批准的内容。三位职业概念艺术家的盲审表明,重写后的简报更完整且可执行。

  5. arXiv · AI22

    ReMoA:多模态扩散模型中基于稀疏潜在精化的递归模块化自适应框架

    论文提出 ReMoA 框架,通过递归潜在精化提升扩散模型的结构化推理能力。 在 ImageNet 生成任务中,DiT-XL 的召回率从 0.57 提升至 0.62;GenEval 基准下 SD3-medium 总分由 68.33% 升至 71.18%。 该框架在不增加递归额外参数的前提下,使各神经模块随扩散时间步特化,增强输出细节丰富度与对齐效果。

  6. arXiv · AI23

    利用 Pareidolia 探查视觉模型中的人脸选择性

    研究利用 FacesInThings 数据集测试了包括 CLIP、LLaVA-1.5、Qwen2-VL 在内的六种视觉模型,考察其人脸选择性。 模型对幻觉人脸的反应与人类不同,例如 CLIP ViT-L/14 在特定分类描述下将约半数非人脸区域标记为 Human。重新措辞分类描述会改变模型是否偏好识别出人脸区域。

  7. arXiv · AI23

    EgoGen:用于第一人称视角感知任务的合成数据生成器

    EgoGen 是一款专为第一人称视角(egocentric)感知任务设计的合成数据生成器,已被 CVPR 2024 接收为 Oral 论文。 其核心是结合碰撞避免运动基元与两阶段强化学习的新颖人体运动合成模型,虚拟人可基于第一人称视觉输入感知 3D 环境,无需预定义全局路径即可适用于动态环境。 EgoGen 将完全开源,为构建真实的第一人称训练数据提供实用方案。

  8. arXiv · AI33

    利用单目深度线索分歧免费检测遮挡

    一项无需训练和遮挡标注的新方法,通过对比可见高度与单目度量深度的排序差异来检测行人遮挡,在KITTI数据集上达到0.909的AUC。 该方法利用遮挡下检测框跨度不变但深度被拉近至遮挡物这一特性,无需焦距或身高参数,且在控制距离频段内AUC保持在0.894-0.925,证明其并非距离代理指标。

  9. arXiv · AI23

    ZETA:通过分离路由策略与动作空间实现科学视觉智能体推理

    ZETA架构通过分离路由策略与动作执行,显著提升了科学视觉智能体对邻近语义边界的科学意图路由准确性。 在包含51个科学意图查询的零样本基准测试中,引入显式路由策略使Qwen 3.8的分割路由准确率从6.2%提升至75.0%,检测路由准确率达到100%。 该架构使路由决策与下游工件可独立观测,为区分意图选择错误与视觉执行失败提供了关键基础设施。

  10. arXiv · AI45

    EvoWorld:面向生成视频模型视野外世界演化的因果推理框架

    EvoWorld 提出“视野外因果演化”问题及脑-渲染器协作框架,将视觉语言模型作为世界大脑维持状态并推理事件后果。 实验表明,EvoWorld 相比近期模型显著提升了事件条件因果演化能力,同时保持视觉质量与一致性。 该工作建立了推理引导下超越当前视野的自主世界演化基准,填补了扩散模型在状态维护与因果一致性上的机制空白。

  11. arXiv · AI21

    Human Motion Prediction 中通过持续先验补偿实现时序预测

    研究者提出持续先验补偿框架(CPC)及增强版 CPC++,以解决人类动作预测中短期预测受长期预测干扰的问题。 该框架将预测任务划分为多个子任务并分阶段训练,通过引入可学习的先验补偿因子(PCF)及细粒度先验补偿因子(FGPCF)来显式衡量和缓解先验知识遗忘。 在三个基准数据集及 PGBIG、siMLPe 等主流模型上的实验证实了该方法的有效性与灵活性,相关成果已被 IEEE TPAMI 接收。

  12. arXiv · AI26

    Traffic-VL:用于可泛化端到端交通信号控制的强化视觉语言模型

    Traffic-VL 是一款 80 亿参数的视觉语言模型,通过直接映射多视角图像和自然语言相位描述生成信号决策,实现了端到端交通控制。 基于 SynTra-V 数据集,模型采用离线强化学习适配视觉编码器,并在闭环模拟中进行在线策略优化,性能超越 Gemini 3 Pro 等通用模型。 该模型在十路口为期三周的部署中证明了其视觉泛化能力和有效约束控制。

  13. arXiv · AI25

    Prism: 用于统一多模态模型的双向自教学

    Prism 提出一种双向自教学后训练方法,在无需外部验证器的情况下,通过自生成轨迹提升统一多模态模型的生成与理解能力。 在 SenseNova-U1 模型上,Prism 使 GenEval 从 85.8 提升至 89.2,MME 总分从 2282.6 提升至 2311.6;BAGEL 模型也观察到一致的性能提升。

  14. arXiv · AI24

    MonoLaDN:通过语言引导去噪的单目 3D 目标检测方法

    MonoLaDN 提出一种语言引导去噪框架,将 VLM 的几何推理能力转移至单目 3D 检测器,保持部署模型纯视觉特性。 训练时使用冻结 VLM 生成遮挡、深度等结构化推理并注入噪声,检测器通过重构干净推理内化几何先验;在 KITTI 3D 和 nuScenes 数据集上性能优于 SOTA 且具备良好泛化能力。

  15. arXiv · AI23

    多模态大推理模型中的推理感知跨模态关联遗忘

    针对多模态大推理模型中视觉输入可能泄露敏感信息的问题,研究提出 Visual-Keyed Counterfactual Rebinding (VKCR) 框架。该参数高效框架通过定位紧凑的参数子空间并反事实重绑定,在特定视觉上下文抑制目标行为,同时保留允许场景下的知识访问。实验表明 VKCR 显著降低了图像条件的目标泄露与幻觉重关联,且有效保留了非敏感视觉推理能力。

  16. arXiv · AI26

    Qwen3-8B 通过纯文本训练与 NER 方法实现零样本视频时间定位

    纯文本训练的 Qwen3-8B 在视频时间定位任务上实现零样本性能,Charades-STA 达成 14.45 mtIoU,QV-Highlights 达成 20.72 mtIoU。 采用 LoRA 适配 134K 样本语料,引入 NER 技术映射最近实体嵌入,解决视频帧与文本间的模态差距。 结果优于现有四种基线,部分实现从文本到视频的跨模态迁移,推动无配对标注的多模态模型训练。