跳到正文
11月4日周三
  1. arXiv · ML27

    Web 用户偏好多代理解释的审计框架:识别边界与弃权

    提出审计 Web 用户偏好多代理解释的框架,区分点识别、部分识别与弃权。在特征依赖代理偏差下,未污染归因的严格多数中值可恢复潜在归因的方向与幅度。 在冻结基准和 Amazon 研究中验证,中值聚合降低了比较器相对条件符号错误,6 个预指定对比的 Bonferroni 区间排除零。 该框架揭示当前代理配置极少支持严格符号结论,比较器校准限制了证据范围。

  2. arXiv · ML25

    利用注意力偏差优化 Transformer 计算效率

    该研究提出在 Transformer 注意力公式中引入输入相关偏差项,以明确 token 的绝对重要性并实现注意力图剪枝。 这一方法在多种模型尺寸下显著降低了 FLOPs 和推理延迟,同时保留了大部分分类精度。 代码和模型已公开,论文被 WACV 2027 接收。

  3. arXiv · ML27

    RGDM:一种鲁棒图扩散模型

    研究团队提出鲁棒图扩散模型(RGDM),旨在生成能无缝融入现有图的带标签合成结构,提升对抗鲁棒性。 该模型由鲁棒图自编码器(RGAE)和潜在扩散模型(LDM)组成,利用边缘选择机制和低秩正则化,在对抗攻击下仍能生成高质量结构。 实验表明,基于增强图训练的图神经网络(GNN)在半监督节点分类任务中显著提升了针对多种图对抗攻击的鲁棒性。

  4. arXiv · ML25

    基于多点听诊录音的自动心脏杂音特征表征

    该研究提出将自动杂音表征作为五级患者分类任务,使用CirCor DigiScope数据集735名患者进行多点听诊。 三种策略中,晚期融合策略表现最佳,未加权平均敏感度达85.56%–93.81%。结果表明,多点杂音表征在融合型和联合学习架构中均可行,为结构化杂音报告提供了路径。

  5. arXiv · AI28

    CleanVideo:面向文本到视频扩散模型的自适应概念擦除框架

    CleanVideo 框架通过低维子空间干预和三模态门控机制,在保持视觉保真度和时间连贯性的同时,有效擦除视频生成模型中的目标概念。 该框架联合处理时空视觉特征、时间步信号和文本语义,决定何时、何地及是否进行干预,并在可明确定义自然替代概念时引导被擦除内容。在三个视频扩散模型上的实验显示,其在帧级和概念恢复攻击评估中优于现有基线。

  6. arXiv · AI24

    扩散模型在位置与速度表征下的眼动轨迹生成研究

    研究采用扩散模型在位置和分量速度表征下生成无条件眼动轨迹,基于28名参与者的8秒视觉搜索轨迹进行评估。 模型在8个位置衍生特征上的平均Jensen-Shannon散度分别为0.016(位置模型)和0.037(速度模型)。速度阈值显著影响扫视计数结果,评估方法对结论有重要影响。 结果为无条件眼动生成提供定量参考,并揭示评估选择如何影响生成眼动结论。

  7. arXiv · AI28

    老年人与远程家庭间基于传感器的大语言模型摘要分享中的权力动态

    研究通过12名远程家庭成员和2名老年人的访谈及一个双人体三月份部署案例,发现每日AI生成的多模态传感器数据摘要虽维持超90%参与度,但双方在使用中展现出围绕自主权、隐私与信任的动态张力。 该系统采用研究式设计方法迭代优化,揭示出传感器限制及既有沟通错位如何影响家庭护理动态,为未来AI中介分享系统的设计提供了现实约束考量。

  8. arXiv · AI33

    揭示视觉语言模型中的视觉谄媚与信念分裂现象

    研究提出三层诊断框架,在9000个样本中发现28.1%的视觉谄媚现象,即模型在图片缺失时仍输出错误答案。 该现象具有模型特异性,Qwen3-VL在空白输入下拒绝率达93-98%,而Pixtral-12B作答率高达72%;随着模型规模扩大,视觉谄媚比例显著上升。 盲评实验证实,80%的谄媚回复中无文本迹象表明图片缺失,揭示了模型感知与回答之间的信念分裂。

  9. arXiv · AI35

    VidVec 利用视频 MLLM 嵌入实现视频-文本检索

    VidVec 结合中间层嵌入与校准 MLLM 头部实现零样本视频-文本检索,无需训练即可获得强劲性能。 该方法采用基于文本的轻量化优化策略,利用稠密视频描述作为视频语义的文本替代,无需配对的视觉数据。 实验表明,这种仅基于文本的优化效果优于使用配对视频-文本监督的方法,且在常见基准测试中达到了当前最佳水平。

  10. arXiv · AI33

    权重空间编程在审计临床决策网络中的研究

    研究表明,Claude Opus 5.5 在盲审模式下成功识别并修复了 16 个含缺陷临床网络中的 16 个,仅通过中位数 3 个参数修改实现修复。 该模型在 18 个缺陷网络中准确指出了 16 个错误规则,所有发现均通过约 42 万次请求测试验证,证明小网络中权重空间编程可定位阈值偏移等缺陷。

  11. arXiv · AI34

    MedPhysBench 评测大模型在医学物理计算与错误检测中的表现

    研究发布 MedPhysBench 基准,涵盖 1,200 道医学物理计算题与错误检测任务,用于评估大模型在放疗、影像等领域的准确率。在计算任务中,12 个模型得分介于 33.3% 至 100.0%,其中表现最佳的四个模型准确率达 99.3%-100.0%。五个模型能检测出 96.7% 以上的植入错误,误报率不超 4%,而 Claude Opus 5.5 在特定错误检测中接受率达 6/20。

  12. arXiv · AI20

    语言子空间干预在提升多语言推理准确率与保持回答语言一致性中的权衡分析

    研究表明,语言子空间干预无法彻底移除激活中的语言信息,且最能提升 MGSM 准确率的干预会导致回答语言保真度下降。 实验基于 Qwen2.5-7B,仅有一种干预将联合准确率提升 1.60 分;仅修改提示词也能复现增益但严重损害语言保真度。 作者主张因果干预评估需超越准确率指标,以充分考量语言替代权衡。

  13. arXiv · AI38

    DeepMem:提出因果多尺度架构实现高效字节级语言建模

    DeepMem 提出因果多尺度架构,将语义压缩与字节精确保留分离,在 FineWeb-Edu 等数据集上表现优于同等规模的字节级 Transformer。 该架构通过可逆子带变换构建层级序列,瓶颈细化计算量较全分辨率推理降低约 7,600 倍。 DeepMem 在代码建模、多选题推理及字节级损坏鲁棒性方面保持竞争力,并在 PIQA 任务中提升准确率。

  14. arXiv · AI28

    RFWorld:基于无展开世界模型的全自动驾驶轨迹评估方法

    RFWorld 提出一种免展开(rollout-free)世界模型用于端到端轨迹评估,在 NAVSIM 和 Bench2Drive 上取得 SOTA 性能。 通过构建共享场景记忆,利用轻量级训练时时间读出与语义监督进行塑造;推理时候选轨迹通过稀疏空间读出直接查询记忆评分,计算成本降低约规划时程乘以候选轨迹数倍。 该方法避免了递归展开误差,学习了对规划更友好的世界表示,显著提升了推理效率。

  15. arXiv · AI22

    VIGOR:用于缓解多模态离散扩散语言模型幻觉的视觉增益排序

    VIGOR 是一种无需训练、即插即用的推理策略,通过重排掩码位置缓解多模态离散扩散语言模型幻觉。 该策略在去噪步骤中比较原始视觉与视觉消融路径下的置信度,优先支持视觉证据更强的位置。在 LLaDA-V 和 Lumina-DiMOO 模型上,VIGOR 一致减少幻觉并提升多模态推理性能。

  16. arXiv · AI21

    面向推理与行动的几何抽象:智能体策略需要观察每一步吗

    提出通过 3D 几何抽象将机器人常规空间推理从图像转移至文本和符号,以提升多步操作完成率。 接口利用校准 RGB-D 生成带类型和证据的符号引用,并在动作后返回紧凑文本检查点,减少了重复多模态查询。 研究结果被 CoRL 2026 会议接受,证实了显式几何状态是机器人智能体策略的有效基础。

  17. arXiv · AI33

    Mobile AI 2026 挑战报告:在移动 GPU 上实现学习式智能手机 ISP

    Mobile AI 2026 挑战要求在移动端 GPU 上从 RAW 数据重建 RGB 图像。参赛模型需在骁龙 8 Elite Gen 5 和天玑 9500 芯片上运行,基于 FujiFilm UltraISP 数据集进行训练。 头部方案在 Adreno 和 Mali GPU 上重建 500 万像素图像耗时均低于 100 毫秒,实现了高性能计算摄影算法在资源受限移动硬件上的有效部署。

  18. arXiv · AI22

    VisSearch-Bench:多模态智能体长时程视觉搜索基准

    VisSearch-Bench 发布 204 个人工编写任务,涵盖 7 大领域,旨在评估多模态智能体在视觉密集任务中的视觉上下文管理能力。 该基准测试了 16 种多模态模型,要求结合物体外观、局部细节、空间关系与外部信息,最佳系统仅完全解决 26.47% 的任务。 现有系统难以将视觉证据与搜索结果有效关联,凸显了长时程视觉搜索在完整回答生成方面的挑战。

  19. arXiv · AI24

    Cycle WAM:通过循环一致性耦合动作与视频

    论文提出 Cycle WAM,统一框架处理视频与动作的因果关系,实现前向和逆向动力学建模。 采用双向转换和可微循环重建目标,在 LIBERO-Pro 上达到同等方法 SOTA,显著改进 DROID 上的 DreamZero 表现。 与 UWM 对比展示了更优的逆向动力学能力和前向预测中的视觉细节。

  20. arXiv · AI28

    DenseTwins:用于多模态自监督学习的密集模态解耦方法

    DenseTwins 是一种多模态自监督框架,通过解耦密集特征空间为共享和模态特定组件,学习密集表示。 该框架结合密集跨模态对应关系与冗余减少目标,联合优化模态内和跨模态目标,在多个多模态基准测试中达到最先进或具有竞争力的性能。 代码已开源,适用于机器人和自动驾驶等领域的计算机视觉应用。

  21. arXiv · AI24

    Therapy-FIS:评估心理治疗情境下促进性人际技能的数据集

    研究团队推出 Therapy-FIS,这是首个公开的标准化心理治疗促进性人际技能(FIS)评估数据集。 该数据集包含 890 条治疗师视频和 8 条模拟患者视频,并基于此构建了 DyadicFIS 基线模型。 DyadicFIS 在两项下游任务中分别取得 0.2807 和 0.3299 的宏 CCC 分数,提供了可复现的自动化评估资源。

  22. arXiv · AI24

    BtsPruner:面向大型视觉语言模型的角色感知视觉Token剪枝框架

    BtsPruner 提出免训练的视觉 token 剪枝框架,在 LLaVA-1.5-7B 中仅保留 5.6% 的 token 即维持 91.6% 性能。 该方法通过识别角色转换点并递归检索局部细节,在 LLaVA-NeXT-7B 高分辨率场景下实现 5.95 倍 CUDA 延迟加速。 该框架在 LLaVA、Qwen-VL 等 5 类模型实验中展现了激进的 token 压缩能力与高性能保持。