VOIM: 面向 RGB-D 和单目 SLAM 的免训练开放词汇 3D 实例映射
免训练系统 VOIM 通过累积软标签证据,实现了从 RGB-D 或单目 RGB 视频构建开放词汇 3D 实例地图。 该系统在 ScanNet++ 上达到最高 present-class mIoU,比最强基线高 10 分,单目视频性能也超越带深度传感器的 HOV-SG 和 ConceptGraphs。
免训练系统 VOIM 通过累积软标签证据,实现了从 RGB-D 或单目 RGB 视频构建开放词汇 3D 实例地图。 该系统在 ScanNet++ 上达到最高 present-class mIoU,比最强基线高 10 分,单目视频性能也超越带深度传感器的 HOV-SG 和 ConceptGraphs。
论文发布 LAION-BVD 开源视频数据集,包含8000万条视频,总时长达1350万小时,用于视频、音频及图像的多模态预训练。 数据集通过 CommonCrawl 爬取,利用内容感知场景检测提取片段并生成合成视频与音频字幕。 研究人员将开源该数据集,以大规模扩展多模态视频的公开访问范围。
为改进自动启发式设计中语言模型生成的奖励机制,研究者提出了“搜索价值信用”(SVC)。 该方法基于程序进入保留集的实际情况及短期父代曝光代理,在无需评估子代的情况下计算候选程序奖励,从而优化在线后训练过程。 在四个组合优化任务的对比中,SVC 在三个任务上取得了六组条件中最高的平均最终搜索性能,支持了利用搜索保留与选择信息构建奖励的有效性。
基于 44 个独立训练的视觉与语言编码器,位移向量在单一正交对齐下显著保留,验证了柏拉图表征假设。 研究发现语义组件在各模型间呈线性对齐,而能力组件存在差异;微调会降低位移相似度。提出的 ShadowCLIP 通过单次前向传播导入能力,以更低计算量超越微调基线。
该研究提出一种神经符号方法,将弱标注与领域先验统一为连续逻辑约束,用于在弱监督下微调Segment Anything Model(SAM)。 微调后的SAM生成更高质量的伪标签,并训练第二阶段的无提示分割模型。实验在Pascal VOC 2012和REFUGE2数据集上显示,该方法达到SOTA性能,常超过密集监督基线。 论文已被WACV2027接收。
论文提出高阶线性循环单元(H-LRU)和块对角线性循环单元(BD-LRU),通过更丰富的状态混合提升线性循环网络表达力,同时保持效率。 架构采用选择性门控归一化确保训练稳定性,并在 PyTorch 和 Triton 中实现块对角并行扫描,吞吐量可与对角线性循环网络竞争。 在合成序列建模和语言建模任务中验证了改进的有效性,为解决线性序列模型效率与表达力之间的差距提供了实用路径。
基于采样的规划器配合低比特世界模型时,舍入误差若在所有候选中共享且跨迭代持久,会导致成功率下降多达 100 分;在相同位宽下,使用每迭代重绘的共享抖动(dither)可消除大部分性能损失。
针对超高分辨率遥感图像,GeoScope 利用纯文本语言模型解析问题为空间程序,无需训练即提升 Qwen3-VL-8B 区域计数 16.3 分,空间关系 10.5 分。
研究人员提出 K-prop 方法,通过传播核增益大幅降低实时循环学习(RTRL)的计算与内存成本。该方法在序列学习、分类及强化学习任务中,性能超越现有 RTRL 近似,并接近通过时间的反向传播(BPTT)。K-prop 在 NeurIPS 2026 会议上被接收发表。
论文提出多智能体强化学习(MARL)系统的模块化建模视角,将其解构为智能体、环境、学习等8个功能模块,以解决文献碎片化导致的评估与复用困难。 该视角在MARLKIT框架中实现,模块具备明确且可互换的特性。实验表明该框架支持模块的原型设计、比较、复用及组合,并能显式化不同配置间的差异。
研究指出 Transformer 在图规模增长时停止学习图搜索,且需大量样本才能学习 SET 游戏。论文提出深度定律和尺寸定律,前者表明 L 层网络仅能覆盖 2^L-1 步逻辑路径,后者指出存在性识别需满足特定温度与边际关系。
summary_zh: Crustify 是一款智能体共翻译器,为仓库级 C 库自动生成安全 Rust 绑定,在 libgit2 和 ffmpeg 中分别覆盖了 41.9% 和 42.8% 的公开 API。
JoMoHa 提出首个通过强化学习联合训练可执行 harness 生成策略与任务执行策略的框架,解决单一组件优化受限及交替训练导致的不兼容性问题。 该方法在 ALFWorld、WebShop 和 DBBench 上均优于仅优化权重或 harness 的基线方法,ALFWorld 平均成功率为 70.3%,最高达 97.0%。
研究者发布 LogCDM,这是一款参数仅 8.1-8.8M 的日志异常检测器,无需 GPU 即可在 CPU 上实现 5.5-10.5 ms 的评分速度。 模型通过融合 Transformer 惊奇度、图注意力嵌入距离及转移漂移统计,在 HDFS、BGL 和 Thunderbird 数据集上分别达到 0.984、0.870 和 0.850 的 F1 分数。
针对任意阶特征交互的神经网络,本文提出可计算可证明且充分的最小特征子集。 证明了常数阶交互下问题具有 $\Sigma_2^P$ 硬度,但在稀疏交互或强充分性设定下存在多项式时间算法。 所提方法比标准算法生成的解释更小、更快,且模型精度显著高于标准神经加性模型(NAM)。
研究团队发布了EEGFaceSem数据集,包含30名参与者的67,200条与生成式人脸图像配对的EEG记录。 该数据集提供生成潜向量,支持单试次语义分类及脑监督图像生成,代码已在HuggingFace开源。 这为语义级视觉显著性检测及脑机接口研究提供了新工具。
summary_zh: Atomic Split-K=8 导致 vLLM 中 97.61% 的 FP32 输出比较不一致,引发 17.30% 的 GSM8K 及 14.96% 的 MBPP 生成结果差异。
TrialJev 是一款开放权重临床试验资格评分器,利用 LoRA 适配的 Qwen 模型与 pointer head 在单次前向传播中完成评分,避免自回归解码。在 TREC 数据集测试中,Qwen3.5-27B 模型准确率达 80.97%,推理耗时仅为传统生成方法的 1/2.45 至 1/2.70。该模型可在单 GPU 本地运行,患者文本无需传输至外部 API。
LoRazor 提出结合早期释放适配器与感知活跃行的 GPU 内核,在两个骨干模型和四项任务上将请求吞吐量提升最高 3.02 倍。 其机制是动态调整 LoRA 内核启动以修剪空闲 GPU 块,同时将平均相对任务准确率降低控制在 2.89% 以内。
研究在 Gemma 3 和 Qwen 3 等 9 个开源模型中复现了涌现式失准现象,微调后的不安全代码生成失准率为 0.74%,远低于 GPT-4o 的 20%。
研究团队提出 OGDA(本体驱动数据智能体),利用紧凑本体降低探索开销,并在 KramaBench 和 DiscoveryBench 上比最强基线提升最高 10.82 分。 该方法通过生成器-验证器架构构建本体,并由任务图约束数据处理动作,避免上下文窗口耗尽导致的推理退化。 明确建模数据湖是迈向可靠端到端数据智能体的关键步骤。
Micius-Flash 是一款拥有 27B 参数、256K-token 上下文窗口及原生多模态输入的开源模型。 该模型通过 MOPD 技术集成半导体与硬件专家模型,在硬件代码基准中平均得分 64.2%,半导体智能体基准得分 62.4%。 研究团队开发了 Micius Harness,支持连接 EDA 工具与 KiCad,已开源以推进工程智能体发展。
MNN-Pocket-0.3B 开源发布,这是专为端侧部署设计的 3 亿参数稠密语言模型。 该模型支持 32K 上下文,INT4 部署体积仅 173MB,在 iPad Pro M5 上解码吞吐量达 466 tokens/s。 基于约 4.1 万亿中英文 token 预训练,其在同类开源模型中表现领先,并优于部分 0.5B 参数模型。
MixUA 是一种记忆系统,通过提取用户-智能体轨迹中的经验教训并分配至不同隐私范围,提升多用户多智能体协作效率。在 CrossLearnBench 基准测试中,MixUA 相比无记忆方案通过率提升最高 16 个百分点,比单一全局记忆高 5 个百分点。该系统保留最高 90% 的历史偏好,且仅 0.02% 的隐私探针在禁止范围内发现私有事实,提供可扩展的用户与智能体共同进化路径。
两个从头训练、仅基于希腊语文本的解码器专用语言模型发布:LexisLM-1B(1.09B 参数)和 LexisLM-500M(502M 参数)。
NVIDIA 在 CoRL 会议上推出了 GR00T 2 世界动作模型和 Isaac Lab 3.0 机器人学习框架,用于提升机器人在精细操作和工业自动化中的表现。
推荐理由:官方发布了 GR00T 2 等机器人模型及 Isaac Lab 3.0,展示了通过仿真训练和 Agentic 工作流提升机器人操作精度的方法。
韩国企业正利用 NVIDIA 技术强化 Agentic AI 生态。 现代汽车集团探索 NemoClaw 蓝图,AIM Intelligence 将 Starfort 平台集成至 OpenShell 运行时,旨在通过沙箱执行和策略控制提升 AI Agent 安全性。
ATMOS基于State Space Models(SSM),通过Pairformer状态转移与扩散解码模块,生成原子级分子动力学(MD)轨迹。 ATMOS旨在解决生成模型忽略时间相关性或难以条件化长历史的局限,实现原子级轨迹生成。 ATMOS在蛋白质单体和蛋白质-配体构象轨迹生成中达到state-of-the-art性能,推动生物分子动力学基础模型发展。
研究人员提出递归验证合成框架RST,通过15轮迭代生成了37,484个终端代理任务,成本约为每任务$0.05。 任务难度随轮次显著增加,中位参考解决方案从67行增长至374行,执行命令从40条增至244条。 使用Qwen3.5轨迹进行监督微调,使模型在Terminal-Bench 2等三项基准上得分提升最高10分。
Sentinel Agents 提出由 Coordinator Agent 监管的规则、行为与 LLM 语义检查层,以隔离异常 Agent。 在 1,000 条消息语料上,Gemma 4 12B 实现 F1 0.86 且误报率 0.11,Qwen3 8B 校准后 F1 提升至 0.80。 实验表明检测器组合效果取决于模型校准与聚合逻辑,为多智能体安全部署提供了可操作指引。
Caterpillar GNN通过图级聚合替代消息传递,利用游走基矩阵和加权自动机实现多项式时间扩展,避免组合爆炸。 模型能显著减少计算图隐藏层节点数,并基于广义毛毛虫图的同态计数层级表征表达力,支持低阶表达力的系统研究。 该文已被NeurIPS 2026会议接收,表明该方法在图学习领域具备重要学术价值。
FOSCAR 通过仿射折叠技术显著降低量化 KV 缓存的解码注意力延迟,并在 H100 上实现最高 3.36 倍加速。 该算法将缩放和偏移运算减少两个数量级,H100 和 B200 上 INT2/INT4 内核分别达到 3.36 倍和 2.83 倍加速,较 TensorRT-LLM FP8 提升 2.03 倍和 1.71 倍。
ENGRAM框架将训练准入与记忆释放分离,通过验证智能体经验来优化模型权重,从而降低外部检索依赖。 该方法利用演示感知门控和验证门控,在保留基准测试中表现优于固定权重控制组,并显著减少可检索足迹及输入token消耗。
提出可缩放的 GNN 框架 FiLSim,在超过 150,000 个节点的图上保持精度,单 GPU 数秒内完成评测。 针对 GED 和 MCS 计算难、现有方法难以扩展的问题,FiLSim 结合序贯图编辑策略构建大规模数据集,并在四个基准及四个新数据集上验证了有效性。 克服了基线方法内存不足或无法学习的瓶颈,实现了从小规模到大规模图的高效相似度计算。
提出 DW-FedADMM 联邦优化框架,结合原对偶协调与性能依赖的客户端动态加权,解决部分参与和模型质量差异导致的优化不稳定问题。 在 Drebin、Malgenome 和 TUANDROMD 三个 Android 恶意软件基准上,DW-FedADMM 在 9/18 个数据集-客户端-轮次配置中取得最佳平均准确率,Drebin 上种子平均准确率达 97.64%±0.20%,并实现最低平均误报率。
针对现有指标无法衡量推理轨迹彻底性的问题,本文提出转移效用方法,通过弱模型补全不完整轨迹来量化可读性。 在评估12个推理模型的84k条轨迹时发现,性能最高和效率最高的模型转移效用反而最低。 该指标能预测弱监控器对数学和逻辑密集轨迹的验证能力,但开源奖励模型与正确性信号解耦。
研究团队发布首个土耳其语多模态视频事实核查数据集 TeViD,并对比两种基于 Qwen 模型的验证管线。 管线 1 结合 Qwen2.5-7B 与 Qwen2-VL-7B,管线 2 通过 LoRA 微调 Qwen2.5-7B;两者均报告了 accuracy 与 F1 指标。 填补了低资源语言视频核查空白,数据源自 IFCN 认证组织。
该研究提出一种结合 LLM 与强化学习的电商支付欺诈检测方法,将交易风险建模为多步马尔可夫决策过程(MDP)。 LLM 利用其推理和编码能力迭代优化奖励函数,实现了零样本欺诈检测性能提升。 在真实数据上的长期评估证实了该方法的有效性、鲁棒性及对 LLM 在工业 RL 应用中潜力的支撑。
提出 FinEvolveKG 框架,通过分离通用与角色策略模块并限制 GEPA 优化器作用域,实现金融知识图谱构建中提示词的可归因进化。 该框架在三个种子均值下,使完整工作流 v4 相比冻结基线 v1 性能提升 19.4% 至 30.9%,并在所有九组成对种子比较中优于无约束全流程 v5。 双专家盲审支持在 70.1% 的对比判断中优先选择 v4 生成结果,证实机械可归因进化可与强实证表现共存。
研究团队提出 Diffusion-Driven State Space Model (DDSSM),通过将隐状态转移替换为扩散模型,解决了自编码器与扩散模型在序列数据上的联合训练难题。 该模型在拟合具有多模态转移的模拟时间序列时,实证性能优于最先进的深度状态空间模型。 DDSSM 扩展了时间序列隐扩散模型的研究领域,为捕捉潜系统动态提供了新方案。