Agile Deliberation:Google 开放源码协助人类定义主观 AI 分类界限
Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。
Google 开源 Agile Deliberation 框架及代码,旨在通过迭代对话协助人类界定主观视觉概念。该框架包含概念界定与概念迭代两阶段,利用视觉语言模型挖掘边界图像以优化提示词。 研究在 18 场时长 1.5 小时的人工现场测试中验证效果,结果显示该框架显著降低用户疲劳与焦虑,使模型性能超越标准基线。
Qoder 插件市场新上架 diagram-design 项目,该 GitHub 项目获 6.25 万 Stars。它将设计师规范转化为 Agent Skill,让 Qoder 按专业逻辑出图。 用户无需懂设计,只需提供资料即可生成产品爆炸图、RAG 架构图、甘特图等 8 类场景图表。 生成的图表可通过 Qoder Sites 一键发布为展示网页并分享。
腾讯混元 Hy4 正式发布,首次引入视觉与电脑操作能力,金融综合表现及内部科研评测位居开源第一。官方计划开源模型权重,已在腾讯云等渠道上线,API 价格与预览版保持一致。
推荐理由:原版在金融众测与科研任务上取得开源第一,并展示了从代码到生物建模的跨领域生产力落地。
AI 视频创作者 TechHalla 实测 Kling 4.0 与 Kling 4.0 Flash,在真实项目中验证了模型在多镜头硬切、复杂物理动作及长时角色一致性上的表现。
MosaicAudio 采用多教师在策略蒸馏,整合语义、同步、审美与空间四个维度反馈,推理时无需调用教师模型。 学生模型为 518M 参数,采用 25 步采样,单张 A800 生成 9 秒立体声音频仅需 0.6 秒。 该方法在 VGGSound 和 AudioCanvas 上取得领先的四维感知表现,并提升人工音视频一致性评分。
大晓机器人联合南洋理工大学S-Lab发布世界模型Mundo。该模型支持输入1至12张图像构建可探索三维空间,并将物体质量、摩擦等物理属性纳入场景程序。Mundo通过物理引擎计算运动碰撞,结合视频模型渲染,使场景能响应动作。此能力为机器人导航与操作训练提供环境支持,助力其进入商业场景。
商汤小浣熊依托SenseNova U系列模型,支持复杂指令与多轮调整,用户通过它将诗句转化为国风画作并生成业务关系图。 技术层面,U1 Pro擅长处理多层要求的复杂任务,不易滑向“过度3D”;U1.5 Lite则基于Neo-unify架构,支持超长指令与灵活修改,适合高频快速迭代。
summary_zh: ColorConceptBench 评估了9个领先T2I模型对1281个隐含颜色概念的理解,发现各模型在语义类别间表现差异显著且对抽象语义缺乏敏感度。
发布三语口语对话事实核查基准 TRILOGUE,涵盖英语、俄语、哈萨克语。 包含近 12K 段对话、187K 个话轮及 390 小时配对音频。支持 ASR 转录与词级时间戳对齐,含约 5K 个人工录音文件。 发表于 EMNLP 2026 Findings,实验显示检索证据能显著缩小与金标准验证的差距。
研究提出含 12,013 条样本的三语语音幻觉检测基准,覆盖英、俄、哈新闻及三种合成篡改类型。 微调多语言编码器在文本到转录本的转换中性能下降与 ASR 错误率相关。 仅 Gemma-3n 在转录本上超过二元多数类基线,宏观 F1 分数优于其他四个零样本解码器。
研究提出动态基准框架 Multicultural Spyfall,利用社交推理游戏评估 LLM 多语言文化能力。 模型在非英语语境处理本地实体及规则遵循时表现显著弱于英语环境。 该游戏化方法可扩展、抗数据泄露,并补充了传统 NLP 基准的不足。
研究在六个开源权重 MLLM 上评估文本、音频、视频等输入表征的效度。七项新闻相关构念中,原生视频输入的 macro-F1 稳定在 .70-.77,而提取文本输入的 macro-F1 在 .52-.80 之间波动。
该研究分析了大型视觉语言模型(LVLMs)内部的图像检索机制,提出了ICIR-MCQ探测工具和“指针头”与“书写头”两种头部分析方法。 研究发现,基于注意力的指针头与基于输出的书写头识别出的关键头部集合重叠度低,仅35至47个头同时满足两种标准,但最一致的因果效应出现在两者的交集头部中。
研究评估了 GPT、Gemini 和 Claude 在边缘型人格障碍质性临床分析中的能力,采用混合方法由盲评专家及神经嵌入方法对比人机语义差异。 结果显示 AI 分析与人类解释重叠率波动在 0 至 58% 之间,且所有模型均识别人类遗漏的主题;在盲评内容效度及语义风格嵌入上,Gemini 2.5 Pro 表现与人类专家无显著差异,外部评估者亦无法可靠区分人机主题。
研究引入先验归一化截断泄露分数,审计文本去标识化后的隐私评估结论。 在 MedQA 压力测试中,一种反向编辑策略虽误导大多数对,却因 AUC 解读偏差排名靠前;仅对手模型能反转比较结果。 SACC 编辑工具通过消融实验展示了其优势失效的具体边界。
提出路由级安全干预框架 TraceRouter++,采用“发现-追踪-重对齐”范式。 该框架利用稀疏自编码器解耦激活,通过约束最优传输重对齐不安全激活边际,在大型语言模型、多模态模型及扩散模型实验中优于基线。 有效提升了对抗鲁棒性,并维持了安全与实用性的平衡。
TEMPO 通过有限标量量化扩展 LLM 词汇表,利用冻结的 Tokenizer 将四步补丁映射至 625 码本,结合 Qwen3-4B 骨干模型实现时间序列理解。 在任务特定微调后,TEMPO 在活动识别、睡眠分期和轴承故障诊断中分别取得 89.0%、85.0% 和 86.0% 的宏观 F1 分数。 该方法证明了离散词汇扩展在整合信号表示与文本语境方面的效用。
提出免训练方法 ReListen,利用冻结音频语言模型通过 Jev 风格扫描定位小时级音频中的关键证据。 模型对 20 秒窗口进行评分,选出最高分的一分钟作为证据,在 VoiceGiraffe 数据集上 88.5% 的问题定位优于转录检索,准确率比全转录高 9.2 分。 该方法推理速度优于所有基于转录的系统,且显存占用恒定,无需额外训练即可处理超长音频。
研究推出平行多语言基准Omnilingua-AudioMC,包含354个对话和1404个评分项。 测试6个语音语言模型发现,性能差异强烈依赖模型和语言,文本表现无法可靠预测多语言语音对话能力。
该研究提出一种自监督方法,利用 VLA 模型零样本生成的在线交互轨迹作为额外训练数据,以解决新硬件部署下的性能下降问题。 方法使模型继承预训练任务、提升专家任务成功率,并缓解对非微调任务的遗忘。在 ALOHA 机器人和 RoboTwin 基准上验证了泛化效果。
针对45个视觉模型进行格式塔分组测试,发现人类对齐度比基准准确率更能反映感知组织能力。 该测试涵盖标记颜色异常、计数、剪影识别等四任务,揭示多个闭源模型的对齐度远低于其基准分数预期。 为可视化研究提供了无需新用户研究的模型审计工具。
研究在两台 NVIDIA DGX Spark 上通过 Tailscale VPN 远程部署分布式 NanoChat 预训练,896.5M 参数模型处理 52.2 亿 token。 利用 200 Gb/s 光纤直连,4980 步训练耗时 4 天,平均 63.4 秒/步。 验证了桌面级加速器多节点训练可行性,但 CTI 微调在未见威胁情报泛化能力接近零。
DynaFLIP 提出动力学感知多模态预训练框架,通过图像-语言-3D 流三元组监督训练纯图像编码器,将运动理解前置至感知层。 该方法在共享超球面空间最小化三模态单纯形体积,结合余弦正则化与对比目标,表征在下游 VLA 策略中表现优于基线。 在多样仿真与真实场景中验证,分布外(out-of-distribution)场景性能提升达 +22.5%。
CurEvo 提出课程引导式自我进化框架,通过多模态提问与自适应评估在7个backbone和4个VideoQA基准上提升性能。 在 Qwen2.5-VL(7B) 上,ActivityNet-QA 准确率从67.84%升至69.91%,NExT-QA 从76.94%升至79.61%。 该框架无需人工标注,为视频理解提供了稳定的自主进化路径。
研究人员推出事件级基础模型 EVENET,其在重共振搜索中超越现有基准。 模型使用 500 million 模拟碰撞事件预训练,支持量子关联观测值的精确提取。 建立可复用骨架,降低后续分析适应成本。
SpellerSSL 框架结合自我监督学习(SSL)与 P300 聚合,旨在解决脑机接口信噪比低及泛化差的问题。 该模型采用 1D U-Net 骨干网络预训练,在 II-B 数据集上以 94% 识别率实现 21.86 bits/min 的最高信息传输率。 SSL 将校准数据需求减少 60%,是首个应用于 P300 拼写器的 SSL 研究,推动了 EEG 基础模型发展。
Tadpole 被 NeurIPS 2026 录用,是用于 3D PDE 的新基础模型。它通过自编码方式在合成 3D PDE 数据上预训练。 该模型可扩展至数百 TB 的训练数据。它利用 LoRA、潜在空间转换和重新引入的跳跃连接实现参数高效微调。 Tadpole 展示了其在动力学学习和生成建模等下游任务中的强大性能。
summary_zh: SAMBA 提出基于 Mamba 的 U 型编解码自监督框架,用于长上下文 EEG 信号建模。 采用多头差分 Mamba 模块抑制冗余,并通过三维欧氏空间嵌入解决电极布局差异。
研究提出自博弈框架 PROVE,通过“扰动-修复-验证”闭环训练视觉-语言验证器,无需外部标注或更强裁判,提升细粒度组合理解。 该框架基于同一多模态骨干网络,通过 Mutator 引入对象、属性或关系扰动,Verifier 提供文本反馈,Repairer 生成忠实描述,从而生成结构化奖励以优化共享参数。
基于NIH ChestX-ray14训练的卷积网络与Vision Transformer在两个外部医疗站点评估303,768次决策。 研究发现Grad-CAM定位病灶的命中率(最高0.575)远低于放射科医生(0.888)。
研究人员提出 MiCaDe 方案,利用 3D/2D 边界框几何一致性指标,在线检测自动驾驶系统中 LiDAR 与相机的外参失准变化。 该方案无需标定靶板或修改感知栈,通过 Change Point Model 监测似然流,在多组长序列及真实诱导失准数据集上验证了可靠性。 代码已公开,可支持长期部署下的传感器校准监测。
针对 DroneAudioDataset 存在的数据泄露问题,该研究采用源分离的分组评估协议,修正了随机划分导致的性能高估。 该协议下,融合 57 个手工声学描述符与 YAMNet 预训练嵌入的堆叠集成模型,平均准确率达 95.29%,单片段 CPU 推理耗时仅 51.0 ms。
3D World Simulator 框架通过混合粒子体素自编码器与动作条件潜在动力学模型,统一预测外观、几何和触觉观察。 该模型在统一 3D 表示支持下实现 50 Hz 的交互式长时域多模态预测,并可用于策略训练的数据生成。 该方法扩展至包含多样化物体和机器人配置的大规模数据集,支持模型基于规划,验证了混合粒子体素动力学在 3D 世界模拟中的基础潜力。
针对视觉-语言模型在测试时腐蚀下的模态偏差问题,提出名为 CDIM 的在线测试时适应方法,优于对比的 CLIP 基线。 方法整合冻结自监督骨干(如 DINO v2)与 CLIP,通过交叉协方差 logit 集成及门控信息最大化目标,在 ImageNet-C 等数据集上表现更优,代码已开源。
KeyWise 采用 1.3M 参数的轻量架构,将视频钢琴转录速度提升 4.7 倍,在 100ms 粒度下 onset F1 达 97.8%。 模型将键盘分割为 88 个 ROI,利用已知几何结构替代全局特征学习,在 key release 和 velocity 识别上也优于 SOTA。 该成果为无需音频的视觉钢琴转录提供了高效解决方案。
研究者扩展了球面傅里叶神经算子(SFNOs),构建了可处理任意自旋场的 Spin SFNOs。通过提升球面卷积实现精确旋转等变性,在现有基准测试中达到最先进性能。 该模型基于旋转群上的 Mackey 函数框架,利用球面与旋转群的采样定理实现高效计算。实证测试显示旋转等变性保持至机器精度,且旋量感知模型在新基准上优于标量模型。
Qwen2.5-VL-7B 与 InternVL3.5-8B 在建筑击撞危害检测中产生大量误报,研究证实误报主要源于决策阶段受共现先验支配,而非对象识别或空间关系编码缺陷。
10种点云架构在5个领域下的姿态、噪声和遮挡测试表明,3种旋转不变(RI)架构具备最佳姿态鲁棒性,但在5个领域中的4个领域噪声鲁棒性排名最低。 通过为嵌入引入简单不变损失并重训所有架构,不变训练在目标扰动族上提升显著(平均遮挡+10.5,激光雷达+13.4准确率百分点),且最优标准骨干与最优RI架构在未见腐蚀上性能持平(各种子内差距2.5个百分点以内)。
研究团队发布 BEND 2.0 基准,测试 DNA 语言模型预测基因变化效果及指导序列设计的能力。 该基准包含基于五个实验数据集构建的八项任务,发现冻结表征上的线性读出性能可匹敌或超越模型原生输出。 基准揭示基因组模型具备通用性但尚未在简单任务上达到饱和。
MolCrew 是本地部署系统,协调 4 个分子专家模型、语言模型编排器与 RDKit 计算。 在 ChEBI-20 上,MolCrew 的精确结构恢复率为 96.4%,Atomas-large 为 38.7%。