FlowTranslator:一种基于流式编辑的免训练图像内机器翻译方法
FlowTranslator 提出了一种免训练的图像内机器翻译框架,利用 OCR 和 LLM 生成提示词注入 T2I 扩散模型。 该框架引入区域耦合释放与耦合扩展两种轨迹控制机制,在 EasyOCR 协议下取得 20.6 的 PRIM BLEU 和 57.2 的 COMET 分数,优于 UniTranslator 基线。 结果表明,基于流式的编辑技术可成为图像内机器翻译任务中强大的免训练基线。
FlowTranslator 提出了一种免训练的图像内机器翻译框架,利用 OCR 和 LLM 生成提示词注入 T2I 扩散模型。 该框架引入区域耦合释放与耦合扩展两种轨迹控制机制,在 EasyOCR 协议下取得 20.6 的 PRIM BLEU 和 57.2 的 COMET 分数,优于 UniTranslator 基线。 结果表明,基于流式的编辑技术可成为图像内机器翻译任务中强大的免训练基线。
在 VinDr-Mammo 数据集的受控研究中,训练 18 个检测器得出:分辨率从 512x416 提升至 1600x1280 时,中位 mAP50 从 0.626 升至 0.660。
研究显示,在 3D ResNet-18、ResNet-50 和 ViT 架构中引入前列腺分区掩膜等解剖学指导,普遍提升了 PI-RADS 评分预测和具有临床意义的前列腺癌检测性能。
针对现有科学3D数据评估缺乏跨学科对比的问题,团队发布ScienceVision跨领域基准测试。该基准包含来自生物学、化学、医学影像等五个领域的250个专家级视觉问答任务。 在测试中,原生3D工件工作流比渲染2D图像工作流的平均分平均高出17.2个百分点,但所有模型的平均最佳得分仅为0.53,显示科学3D理解仍是挑战。
预训练视觉特征比原始像素能更好地预测 BOLD 反应,且在长时程递归预测中优势更显著。 研究在 HCP 电影 fMRI(154 名被试)、BOLD Moments(10 名)和 Algonauts 2025(4 名)数据集上验证,测量 BOLD 历史带来显著增益,但随预测时程延长而减弱。 该发现支持将刺激表征与下游复杂度分开评估,并将历史条件线性预测作为诊断基准。
Dx-Rx 是首个能盲修复三维 MRI 全脑容积的智能体,利用多模态大语言模型先测量后修复,在 148 个 T1 加权容积上平均去除了 64.5% 的伪影误差。 该智能体调用五个诊断和四个修复工具,表现优于或持平于专家规则管线(62.3%),且代码与演示已公开。
研究发现,扩散模型采样过程中的注入噪声对生成数据的强泛化效应起关键作用,能决定该效应的成败。研究进一步指出,当采样处于已具备宏观结构但样本具体身份未定阶段时,注入噪声的变化对样本相似度的影响最大。
针对七个决策模型在 16 项任务上的评估显示,限制模型可输出的选项集并不能阻止攻击者操纵决策。 攻击者利用 Slot Attack 黑盒方法,仅依赖标签概率即可成功将 32%–99% 的正确决策导向错误选项,每次成功攻击中位查询量仅为 17–72 次。 固定答案集仅约束了决策形式而非来源,模型鲁棒性必须按模型、任务和版本逐一测量,不能因输出格式而默认安全。
研究提出 ReVi 框架,旨在从小说直接生成受限于固定时长的自包含音视频回顾。该双循环多智能体系统通过“先编辑后生成”策略,在计划阶段分配事件时间与镜头,并支持跨小说递归自我改进。实验显示 ReVi 在回顾质量和时长合规性上优于基线模型。
提出 JHiMA-WebRL 框架,通过联合训练任务分解器与执行者处理长程网络任务。 在 WebArena-Lite-v2 基准测试中,JHiMA-WebRL-14B 模型组合达成 37.2% 平均成功率。 该框架使用 7B 模型参数,超越同等条件下经 RL 微调的 32B 单体智能体。
WebCatalyst 框架在少于 1K 次请求下,将 Qwen3.6-35B-A3B 的 Cookie-Bench 得分从 68.8 提升至 75.3,WebGen-Bench 从 48.8 升至 56.9。
研究基于柏拉图表征假设,利用 6 名受试者观看电视剧时的 EEG 数据,测试 EEG 基础模型在模态内与模态间的表征是否随规模增加而收敛。 结果显示 EEG 模型的可解码性与跨家族对齐度正相关,但这种关联并不随模型参数数量增加而一致增强。 跨模态收敛性依赖于具体模态和评估指标:高可解码性 EEG 模型与语言模型的全球结构对齐更强,但与视觉模型及局部邻域相似度无一致关联。
针对多模态情感分析中跨模态情感线索不一致及全局局部融合失衡问题,DGC-Net 提出动态门控与全局引导补偿网络。 该网络采用跨模态贡献感知动态专家路由,利用辅助全局上下文引导局部专家选择;结合全局引导动态补偿融合,在保持全局语义为主锚点的同时自适应引入专家精炼的局部线索。 在五个多模态基准数据集上的实验验证了 DGC-Net 的有效性与通用性,消融实验确认了各组件的贡献。
研究人员提出自然文本不可学习样本(NTUE)方法,用于防御大型视觉语言模型(LVLMs)的数据隐私问题。 NTUE 通过微调图像标签建立捷径,在 5% 的投毒率下实现高成功率的误导向。 该方法在保护多模态数据方面展现了实用潜力。
RAHC 提出了一种基于规则增强的超关系知识图谱框架,用于补全材料合成的缺失实验条件。 该框架通过构建可追溯的规则目录并结合图结构与规则证据,在五个数据集的单槽与联合补全任务中提升性能。 在 Semi-inductive 设置下,RAHC 的 MRR 指标较 MAYPL 提升最高达 15.6%,并改善了 ILPC'22 Small 基准的性能。
该空间记忆系统使光学透视 AR 眼镜能回忆物理交互,双摄像头原型通过分层视觉获取与源链接存储实现分阶段检索。 在 131.35 秒自我中心重放中,获取策略从 648 个监测观测中选出 6 个 RGB 视图,特征提取在 97.7% 的观测上运行,并识别频繁本地推理为剩余成本。 系统为持久 AR 辅助提供了实用的获取到回忆架构,明确界定捕获证据、索引解释与历史主张边界。
提出 OSGR 框架解决地球观测问答中的检索与推导难题,利用离线观测支持图进行概念级推理。 在 Earth-Bench 和 DisasterM3-Reason 基准测试中,OSGR 将 GPT-4o 的准确率从 49.3% 提升至 63.7%。 该框架通过时空兼容性内核实例化观测项集合,同时将执行步骤比率从 2.9 降低至 2.5。
研究团队提出统一评测基准 DualWorldBench,用于评估智能体在受控符号-时序与接地-拓扑复杂度下的多目标规划能力。 该基准包含 TextWorld、SimWorld 和 DualWorld-VQA 三个组件,分别隔离测试符号规划、接地路径规划及感知理解。实验发现智能体在将局部感知转化为全局一致计划时存在普遍缺口,无法可靠将接地观察转化为可行动作序列。
summary_zh: GlucoAgent 是一种基于 LLM 的智能体系统,通过动态生成代码分析多模态个人背景(如 CGM、智能手表数据、餐食日志),实现个性化血糖预测。
针对视觉-语言-动作模型(VLA)中动作头对VLM高方差维度敏感度集中的问题,提出无参数机制AdaIE。 该机制根据下游敏感度动态重加权预训练表征,在RoboCasa-GR1基准上提升成功率5.28个百分点,在5项真实操作任务中平均提升19个百分点。 研究还表明该方法能推广至扩散策略和世界模型,提升了下游任务性能。
研究定义“对齐漂移”为 LLM 智能体在交互讨论中失去初始立场的现象,并证实其具有模型特异性。测试显示 gpt-4.1 保持观点聚类分离,claude-sonnet-5 部分保持,而 gpt-5.6-sol 和 claude-opus-5 则完全放弃。这种异质性使 LLM 选择成为社会模拟的一级效度变量。
Amazon Bedrock 新增印度本地推理,支持 Moonshot AI 的 Kimi K3 模型在孟买和海得拉巴运行。 该功能满足严格数据驻留要求,Ultrahhuman 用户反馈通过 prompt caching 使 LLM 成本降低 80%,多轮对话速度提升 85%。
商汤科技发布SenseNova 6.8 Flash正式版,核心升级聚焦于办公自动化与多模态设计生成。该模型支持基于长期记忆的主动交互,能识别信息变化并主动提出调整建议,同时在设计领域支持Web、SVG、Three.js、Blender及动态PPT等交付形态。
商汤科技CEO徐立指出,AI正推动教育回应个体差异,实现因材施教。 借助商汤小浣熊教育版,教师可生成差异化课件,视障者曹文伟利用该工具开发“光桥AI”无障碍材料。 自2022年起,商汤与沙特合作累计覆盖3万名学生和2500名教师,帮助AI跨越语言文化惠及更多人。
研究表明多模态模型在算法视觉谜题上的瓶颈在于感知而非推理。 将图像替换为文本描述后,Claude 模型平均性能提升超过 20 分。 使用 GRPO 训练 Qwen-2.5-VL-7B,特定奖励设计带来 5.56 分的性能增益,验证了感知感知奖励设计的潜力。
研究提出离散潜在推理(DLR),首个将连续潜在状态转化为显式离散 token 的方法,解决了传统方法训练不稳定且轨迹不可解释的问题。 受基于渲染的压缩启发,DLR 将思维链文本渲染为图像并提取视觉特征,通过基于聚类的微调构建离散潜在词汇。
论文提出 TOPol 方法,挑战 NLP 中单维情感极性视图,将主题映射至 Transformer 残差流中统计可复现的双极性语义轴集合。 在 Gemma 3 4B 模型及 9,986 条 Amazon 评论上,盲测重导出情感轴(余弦相似度 0.71-0.97),认证 543 个轴,其中 106 个近正交于情感,显示极性为主题表示几何的属性。
DR Pixel 是首个开源端到端多模态深度研究智能体,将渲染页面图像作为唯一检索与推理单元,在 GPT-5.4 等模型上超越 OCR 基线。 该智能体在 106 万页面语料库上运行,并构建 DRPixelBench 进行评测。通过反事实信用重加权微调,检索召回率提升约 15 点,最终准确率提升超 10 点。
视觉文本压缩中 VLM 存在“读用差距”,Qwen3-VL-8B 识别在 15 像素饱和,使用需 24 像素,2B 至 32B 扩参未缩小该差距。 提出 ALOUD 方法,冻结 Qwen3-VL-8B 在 5x/10x 压缩长文档上准确率从 27.7% 升至 54.8%,优于 LensVLM-9B 等保留原文的方法。 证明瓶颈在于使用而非恢复,ALOUD 以更少计算量超越现有基线。
提出无训练推理方法 ConstraintMatch,将实体级区域一致性转化为匹配成本,提升组合图像-文本匹配准确率。 在 Qwen 2B 和 CORE 2B 骨干模型上,该方法比全局匹配分别提升 7.70 和 5.63 个百分比点,优于 SGI 基准。 确立了实体级证据选择作为组合多模态检索的实用评分原则。
研究引入 SAC-Bench,包含来自 188 个声事件类别的 616,031 个独特片段,用于测试 Audio-Language 模型在语音断言与声学证据矛盾时的响应。
研究团队提出包含 2,507 个历史数学图示的基准 HistGramBench,用于评估多模态模型将其重绘为 TikZ 代码时的结构恢复效果。该基准涵盖 1551 至 1933 年间 8 种语言的 95 部著作,测试 6 款 AI 模型,最佳模型仅能恢复约五分之三的关键几何关系。
该数据中心化框架利用未标注文本语料和数字字体,无需人工标注图像即可为低资源文字构建端到端 OCR 系统。 在克什米尔语(Perso-Arabic Nastaliq 文字)演示中,系统基于 YOLOv8 检测器和 CNN-RNN 识别器,在留出词集上达到 0.39% 字符错误率(CER),在数字页面合成数据上为 10.0%。
针对过程感知LLM反馈的学习者感知开展混合方法研究,43名本科英语学习者使用评分与开放题评估基于最终稿、中间快照及按键记录生成的反馈。 74.4%至95.3%参与者在6个Likert项目中打4-5分;单侧符号检验在Holm校正后均显著,且修订分析对应度与感知效用正相关(Spearman's ρ_s=.327,p=.032)。
研究表明,多语言情感词汇表可替代现有方法,作为低资源语言激活引导的有效信号。 在中等及低资源语言中,聚合的多语言词汇表优于英文衍生向量,可缓解因英文大向量淹没紧凑表征导致的“语言坍缩”。 该发现为跨语言模型行为控制提供了实用机制解释。
研究提出 MultiInpaintCOCO 基准,将 InpaintCOCO 扩展至 13 种类型学多样的语言,包含 953 个最小对样本。 该基准涵盖五大语系,测试了轻量级 VL CLIP 类编码器与大型语言模型在跨语言检索中的表现。结果显示低资源语言性能显著下降,且多数模型表现出对英语的系统性偏好。
Omni-Life 基准测试了 12 种主流全模态实时 AI 模型在 400 个视频中的表现。 在需要协助的 290 个视频中,模型完全处理正确的比例最高仅为 4.48%,显示现有模型难以提供可靠帮助。 增加任务提醒可将召回率提升 17.12 个百分点,但每分钟约增加 4.6 个多余响应。
PGuard 将安全监控集成至大模型骨干中,利用中间表征实现 token 级安全检测,不改变原有推理路径。 支持动态层门控及多种表征架构,在 Qwen3.5-122B-A10B 上端到端开销仅 0.82%-2.26%。 在 30 余个基准测试中表现领先,Qwen3.5-9B 文本查询平均 F1 达 0.836,接近专用外部护栏。
研究者利用英语、西班牙语、法语和德语的1.2万条Reddit本地帖子,对3个开源及3个API模型的性别、种族和宗教偏见进行了审计。 研究发现宗教维度的选择失衡在所有模型中最高;API模型得分全面低于开源模型;负面性别偏见在英语语境下更显著。 这些结果揭示了聚合分数可能掩盖特定类别和语境的偏见行为,强调了部署前进行细致检查的必要性。
EEG-HealthLLM 采用非对称层级适配策略,在异构 EEG 健康评估任务中取得 69.58% 的平均平衡准确率(BAC),优于其他评测方法。 该框架使用任务特定 EEG 适配器保留时空动态,结合注入 LLM 骨干(如 Phi-3)的统一共享 LoRA 实现高效参数共享,相比单任务适配降低 80% 语言侧适配器规模。