MDUFS-Net:基于流形深度展开的无监督特征选择网络
MDUFS-Net 通过 $\ell_{2,0}$ 范数增强 PCA 框架并展开 ADMM 算法,实现了端到端的无监督特征选择,解决了超参数手动调优和数据依赖问题。
MDUFS-Net 通过 $\ell_{2,0}$ 范数增强 PCA 框架并展开 ADMM 算法,实现了端到端的无监督特征选择,解决了超参数手动调优和数据依赖问题。
Reviser 是一种仅解码器 Transformer,通过插入、移动等光标动作编写和编辑文本,其自回归步骤成本与普通 AR 模型相当。 模型在 CoEdIT SARI 上比同尺寸 AR 模型高出 4.5 至 7.2 分,且解码步骤和延迟减少至三分之一;在续写任务中,Reviser 以 62%-74% 胜率击败同规模扩散语言模型。
该方法在 2,942 个注入事件中检测到 96.3% 的异常,误报率为每小时 0.22 次。 使用 Kalman 跟踪器、CUSUM 及 Hampel 中位数等检测器组合,单通道归因准确率 91.2%,双通道达 99.0%。 在 Skoltech 基准上中位延迟 15 秒,误报率 46 次/小时,低于滚动 z-score 的 11 次/小时比较需结合具体场景。
Priming Models 提出简单两阶段框架,通过像素去噪预训练后接特征分布微调,彻底解决单步生成的分布训练难题。 在 ImageNet 256×256 分辨率下,该方法以约十分之一训练算力实现 1.19 的 SOTA FID,显著优化算力与生成质量帕累托前沿。 代码库已开源,适用于类条件图像生成、文生图及世界模型等任务。
KANLab 是一款开源浏览器可视化工具,基于 TensorFlow Playground 分叉,用于交互式教学 Kolmogorov-Arnold Networks(KAN)核心概念。 工具省略残差连接和可学习缩放参数,使 B-spline 激活曲线直接对应可训练控制点;用户可调整激活函数、初始化方案并观察梯度下降修正干扰,支持激活方差、交互剪枝和重训练现象探索。
双曲目标条件强化学习通过引入双曲空间测地距离,使64层双曲智能体性能超越1024层欧氏网络。该方法训练速度快12倍以上,参数量减少13倍左右。在复杂迷宫中,双曲模型行为表现更佳,能沿走廊到达目标。
提出 GroundGUI-8B 模型及 ScreenRef 数据集,通过蒸馏强化学习(D2RL)提升 GUI 智能体的视觉定位能力。 GroundGUI-8B 在 ScreenSpot-V2 基准测试中达到 95.2% 准确率。该模型基于 Qwen3-VL-8B-Instruct 微调,代码、模型和数据集均已开源。
对10个开源模型在8种语言中的审计显示,70个模型-语言对的刻板印象分数均低于英语水平,但平均分降低不能证明模型更公平。 英语原项得分与翻译项得分的相关性(0.23)远低于仅改写英语项的相关性(0.48),表明平均分无法区分偏见降低与评分模式改变。
Delta Tokenizer 实现仅对新增文本分词,相比 Hugging Face 基准模型将单次会话分词速度提升约 40 倍。 其分块并行路径在 16 核 CPU 上处理四百万字符请求时,比串行编码快 8.2 倍,比 LoPT 快 1.6-2.1 倍。 在 SGLang 中,该方法将 100K 令牌请求的 P99 TTFT 降低 23 倍,且输出与参考编码完全一致。
summary_zh: JetSpec++ 提出算法与系统协同设计,将推测解码中起草 token 的边际耗时几乎清零。 该框架结合块内自精修、跨块预视起草与流水线化起草验证三个组件。
Qwen-MT-Lumen 在 WMT2026 通用机器翻译共享任务中表现优异,14B 参数模型在翻译质量与指令遵循上比肩头部专有系统,综合评分达 4.60 分。
针对 SE(3) 等变结构预测中的动态 k-NN 图重建开销,提出两遍拓扑调度设计,通过阻尼信赖域补偿实现精确非翻转证书与 BLUE 重放增益推导。 具体实现 L1、L2、L3 三级补偿机制,其中 L2 在去信赖域时精确复现 Pass-1 边集,L3 单调插值;实验测得 1.5 倍 Pass-1 加速和 1.76 倍 epoch 加速,且无测量损失差距。 开源实现及实验数据已发布。
面壁智能联合 OpenBMB 社区正式发布并开源端侧多模态模型 MiniCPM-V 4.7,包含 35B-A3B 和 1B 两个版本。其中 35B-A3B 是全球首个可在端侧无损流畅运行的开源 MoE 多模态模型,在约 3GB 内存的 iPhone 17 Pro Max 上实现每秒 13+ token 的生成速度。
推荐理由:原文披露了 35B 参数 MoE 模型在 3GB 内存端侧运行的具体性能数据与 LES 调度技术细节。
**summary_zh:** 提出 LSTM-GNN 耦合框架,实现非线性、路径依赖加载下微观结构局部应力场重建,比有限元仿真快三个数量级。 模型在 10,000 条非比例加载路径上训练,对两倍长度的测试序列累积误差为 1.9%。由于依赖网格连接而非单元类型,该代理模型无需重新训练即可直接应用于不同单元类型及不同分辨率的网格。
研究人员提出RAM,一种形态条件化的隐式神经表示,用于快速替代位姿可达性计算,能泛化至未知形态并处理自碰撞。 RAM基于3×10¹⁰样本训练,达到84%平衡准确率,推理速度比生成式基线快三个数量级。 该速度优势延伸至下游任务,使形态与轨迹优化加速一至两个数量级,成果已被CoRL 2026接收。
World-Value-Action (WAV) 模型通过统一框架实现视觉-语言-行动(VLA)系统的隐式规划,在长时程任务中一致超越现有最佳方法。 该模型学习未来轨迹的结构化潜在表示,由世界模型预测状态及价值函数评估效用,并将动作生成转化为潜在空间推理,以提升长时程决策效率。 WAV 模型在仿真与真实实验中显著提升了任务成功率、泛化能力及鲁棒性,代码已公开。
Agentic Real2Sim 提出基于视觉-语言智能体的物理世界建模框架,将真实机器人交互记录转换为可仿真的情景孪生体。该框架在刚性物体操作、软体交互及人形运动场景中均有效,支持策略微调与评估。 采用开源 VLM 后端即可达到与前沿模型相当的转换成功率,且成本大幅降低。代码已开源,可作为真实世界策略评估的有效替代方案。
NoRA 发布包含 1,420 个标注视频片段的基准,涵盖 HumanGold-190 和 LLMSilver-1230 子集,要求模型生成动作并构建支持图。 评测 12 个多模态系统发现,视觉语言模型(VLMs)虽能恢复合理动作,但难以构建完整动作空间并绑定正确依据。 该基准将评估焦点从选择动作转向基于可见理由的论证,使规范性推理差距可量化。
PatchKV 提出一种无需训练的框架,通过计算上下文特定的权重补丁,在保持推理成本不变的前提下提升 KV 缓存压缩效果。 该权重补丁基于岭回归以闭式解形式生成,将部分上下文信息编码至模型权重中,使长上下文问答和数学任务在激进压缩预算下性能显著改善。
提出量化鲁棒遗忘框架,在 MUSE 和 TOFU 基准测试中实现更抗量化的遗忘效果。 利用曲率准则识别敏感权重,应用敏感度引导噪声正则化以收敛至平滑极小值。 通过仅更新 forget-critical 层平衡遗忘与效用,代码已公开。
研究提出 DualOPSD 框架,通过在 Qwen3-8B/4B/1.7B 模型上进行联合更新,在三个数学基准测试中将 avg@12 准确率比原有 OPSD 方法提高 9.83 个百分点。
Flux-OPD 利用演化上下文作为训练监督信号,通过注入上下文修正信号并依据冲突项加权,解决了大语言模型在开放式领域缺乏可验证奖励导致的蒸馏不稳定问题。 该方法基于 reverse-KL 分解表征上下文蒸馏,证明学生模型向上下文的几何均值教师蒸馏,实验显示其在现有 OPD 范式中获得最佳结果。 该研究展示了将教师监督与演化上下文结合作为训练监督信号的潜力,为形式化任务偏好提供了新思路。
MoMa-SG框架通过统一扭转估计方法,从RGB-D序列构建含铰接物体的语义运动学3D场景图,支持旋转与棱柱关节参数估算。 框架包含Arti4D-Semantic数据集,涵盖62段野外RGB-D序列及600次物体交互,在四足与移动机械臂上验证了真实家庭环境的铰接操作能力。
UnSAMv2 通过自监督学习增强 SAM-2,实现无需人工标注的任意粒度分割。仅用 6K 无标注图像及 0.02% 额外参数,在 11+ 基准测试中显著提升 NoC90、1-IoU 和 AR1000 指标。 代码、数据集及 Demo 已公开,语言引导管线将 1-IoU 从 40.4 提升至 47.3,验证了小样本无标注数据的有效性。
提出一种基于自博弈强化学习的驾驶策略训练方法,通过仅使用30分钟人类演示数据作为正则化目标,解决了纯自博弈策略行为异化的问题。 相比模仿学习,该方法所需人类数据减少2500倍,仅需15小时在单张消费级GPU上即可完成训练,生成的策略能与未见人类轨迹协调。
研究人员提出名为Polygons Transformer(PoT)的新架构,结合Combinatorial Optimization Reinforcement Learning(CORL)框架解决二维不规则嵌套问题。
研究人员提出 GAC 噪声感知自适应混合控制器,在数学、代码、科学和逻辑基准上比 HPT 提升 3.8 分,并将 KL-漂移面积减少 28%。 该方法基于 CHORD 的逐 token 重新加权,引入 EMA 平滑和调度先验,计算开销低于 1%;性能增益随模型从 1.5B 到 14B 增大而提升。
论文提出神经SE(3)等变嵌入NeuSE,作为紧凑点云代理以支持基于对象的SLAM。 该潜在编码具备SE(3)与尺度等变性,可从部分观测生成,直接推导帧间变换并适配常见位姿图优化,保持轻量级物体中心地图。 在合成与真实世界多类别、多尺寸序列上,该方案独立或配合常规SLAM运行,提升了定位能力与变化感知映射一致性。
FedRevive 提出一种数据无关知识蒸馏方法,用于在异步联邦学习中恢复陈旧更新,提升训练效率与精度。 该方法通过服务器端 DFKD 流程结合元学习生成器合成伪样本,实现无数据访问下的知识迁移,缓解优化不稳定问题。 实验显示,FedRevive 在视觉和文本基准上相比基线加速训练达 29.7%,最终精度提升最高 11.4 个百分点,已被 NeurIPS 2026 接收。
JaxAHT 是首个基于 JAX 的开源库,通过硬件加速实现约 95 倍于 PyTorch 的加速。 该库提供 teammate 生成、ego agent 训练及评估的统一框架,并包含 Level-Based Foraging 等多场景测试套件。 大规模基准测试表明,目前没有单一算法在所有 AHT 场景中表现最优,且从头强化学习会低估 best response 收益。
多步语言模型智能体在处理不断增长交互历史时产生高额上下文成本。Vision-text compression 通过将其渲染为图像来降低此成本,但模态转换会导致显著的能力差距。
Sim-PE 框架证明模拟器可替代基础模型 API 生成差分隐私合成数据,拓宽了 Private Evolution (PE) 的适用域。 图像合成中,该方法使下游分类准确率最高提升 3 倍,FID 降低 80%,且效率显著更高,支持生成复现私有观测分布的控制信号。 代码已在 Private Evolution Python 库中开源。
该研究证实,使用结构保留型去标识化(用同类型替代值替换标识符)在处理后的文本中,PHI 检测器的召回率保持稳定。 在一项涵盖 7 种语言、1,750 份文档的实验里,替代跨度(replaced spans)的掩码召回率从 75.8% 变为 74.6%。该结果仅在金融、法律和企业文本中得到部分复现。
研究团队发布 MajorTOM:Elliot Pretrain,这是包含 279,166 个 10 公里图块的多传感器、多时间尺度地球观测预训练数据集,总大小 6.3 TB,以云优化 GeoTIFF 形式开放获取。
研究团队推出 LATTEArena 框架,将 15 种 LLM 特征工程方法归纳为 6 维分类法。该框架通过 24 种核心配置进行评测,量化了 token 效率并得出 17 项实证发现。
MemQ 将 TD(λ) 资格迹应用于记忆 Q 值,通过记录新记忆创建时检索了哪些记忆的溯源 DAG 进行反向信用分配。 信用权重随 DAG 深度 d 按 (γλ)^d 衰减,该框架被形式化为外生上下文 MDP。 在五个交互、代码生成和智能体基准测试中,MemQ 在平均留出、最终运行时和累积成功率上分别比基线高 2.53、4.23 和 2.13 个百分点。
OracleProto 框架通过知识截止与时间掩码技术,在受控环境中实现大语言模型预测能力的可复现评估。 该框架在 24,300 次预测试验中评估了 27 组模型配置,经审计检索结果中残留信息泄露率仅为 1.37%。 OracleProto 将已解决的预测任务转化为可复用资源,支持预测数据集的持续积累与系统性评估。
针对现有评估缺乏层级化攻击面与部署级安全标准的局限,Risky-Bench 提出基于部署的生活辅助智能体安全评估框架。 该框架在食物配送、店内辅助及在线预订等场景下,对 7 个先进智能体执行 750 项任务,攻击成功率介于 25% 至 60% 之间。 研究揭示了威胁模型特定漏洞、攻击面依赖风险集中度及显式推理的模型依赖性效应。
提出动态切空间 LoRA(DT-LoRA),通过稳定分支和动态分支分配固定秩预算,捕获 LoRA 变体中未被利用的残差梯度方向。 方法基于正交补和秩约束下的局部二次模型最优更新,采用无矩阵随机化 SVD 避免显式构建残差梯度,实现训练稳定。
智能体 ATTUNE 在 Llama-3.1-405B 和 GLM-4.5 上分别将吞吐量提高 6.7% 和 33.9%。 其调优在相同预算下优于 OptiCo 和贝叶斯优化,并在 1 天内收回 GPU 成本。 团队开源了 ATTUNE 代码及 TrainingThroughputBench 基准。