跳到正文
11月3日周二
  1. arXiv · AI38

    学习型智能体记忆中的时空涌现

    研究发现,基于模型强化学习智能体在执行量子信息任务时,其内部规划器自发发展出时空特征零结构,能高保真重构闵可夫斯基度规的因果结构。智能体无需直接获取时空度规信息,仅通过最大化局部量子探针与量子场间的量子互信息来学习,其预测与行动揭示了时空几何源自操作性量子经验。

  2. arXiv · AI31

    MIRA:通过欺骗性上下文增强强化多模态推理

    MIRA 提出一种无需人工标注的训练框架,通过在训练过程中注入经过筛选的欺骗性视觉上下文,解决了现有强化学习框架中感知与推理脱节导致幻觉累积的问题。该框架包含基于组的反思触发机制,帮助模型自主检测并纠正视觉线索与逻辑约束间的矛盾。实验显示 MIRA 在域内推理基准上平均提升 7%,已在 NeurIPS 2026 被接收。

  3. arXiv · AI23

    MultiMental-IAS: 面向上下文感知非IID评估的多模态驾驶员心理状态分析数据集

    MultiMental-IAS 基于 CARLA 构建,收录 23 名被试在 148 个试验中记录的车辆遥测、EEG、PPG 及座舱视频,覆盖六种诱导心理状态。 数据集提供跨被试非IID评估协议,多模态融合在已知驾驶员上 macro-F1 达 0.94,未知驾驶员上由 0.408 提升至 0.485。 该资源为驾驶员监控中的非IID泛化、个性化与联邦学习提供具体测试床。

  4. arXiv · AI30

    DINOFAS:用于人脸反欺骗的真人中心表征学习

    DINOFAS 提出一种基于 DINOv3 的人脸反欺骗(FAS)框架,采用 LoRA 和风格-内容解耦模块(ASCD)。 在标准 OCIM 协议下,该模型在留出未见领域上的平均 HTER 为 9.09%。 在合成到真实的泛化测试中,DINOFAS 取得了最低的 21.41% 平均 HTER 和最高的 86.14% 平均 AUC。

  5. arXiv · AI28

    AVID:用于听觉诱发视觉心理意象解码基准测试的5T fMRI数据集

    AVID 发布了首个用于听觉诱发视觉心理意象(VMI)解码的训练级 5.0T fMRI 专用资源。 数据集包含 9 名参与者的约 67 小时记录,分为场景级复杂部分与受控简单部分,并提出了标准化评估协议。 AVID 为心理意象专用模型开发和 VMI 解码基准测试提供了数据基础,显著减少了感官污染。

  6. arXiv · AI27

    E$^2$Forecast:嵌入空间地球表面变化预测模型

    提出 E$^2$Forecast 模型,在嵌入空间预测地球表面变化,有效规避光谱值预测中的噪声干扰。该 Transformer 模型包含高斯分支和整流流分支,在 Sentinel-1 和 Sentinel-2 基准上将余弦距离减半至 0.10。无监督异常检测任务中 F$_1$ 分数从 41.58 提升至 48.70,代码已公开。

  7. arXiv · AI20

    具身视觉语言模型如何利用场景图记忆?一项诊断研究

    针对具身智能体回答问题时的场景图记忆机制,研究提出图交换测试以诊断模型是否真正依赖图结构。 在包含两至七间房间路径的问答基准中,文本形式记忆比无记忆提升30分,而图编码形式表现不佳;将每个节点分配独立输入token可额外提升8.3分,且通过交换测试验证增益源自图结构。

  8. arXiv · AI39

    ReConSpatial 基准揭示 LVLM 空间智能差距:结构理解优于度量重建

    新基准 ReConSpatial 评估 18 款前沿 LVLM 的多视角 3D 场景重建能力,指出相对结构与度量重建存在一致差距。 GPT-6-Astra 在结构任务得分 81.4%,但度量重建仅 58.7%;9 项原子空间问答任务关联原子能力与重建质量。 实验表明 3D 地图注入可区分场景构建与路径规划,空间微调在通用视觉语言基准上实现广泛迁移。

  9. arXiv · AI36

    阶段式多模态大语言模型微调用于多框架 WebUI 代码生成

    针对多模态大语言模型在生成 React、Vue 和 Angular 代码时因负迁移导致的编译失败,提出了一种基于兼容性与异质性信号的阶段式微调方法。 该方法首先应用保持原生语法的归一化映射,离线估计跨框架异质性与兼容性以自动确定训练分组及顺序,最终通过阶段式适配器调优减少干扰。实验表明,该方法在多个基准测试中提升了生成质量与编译成功率,相关研究已被 NeurIPS 2026 接收。

  10. arXiv · AI23

    基于混合深度学习的多变量时间序列异常检测方法

    提出一种混合深度学习方法用于多变量时间序列异常检测,整合变分自编码器中的2D卷积网络与门控循环单元,以捕捉时空信息。 该方法利用2D卷积网络提取特征,结合基于预测的深度神经网络,在公开数据集上与最先进方法对比实验验证了其潜在效果。 适用于电厂、智能家居和服务器等智能系统监控,有助于预防系统故障并维持功能。

  11. arXiv · AI31

    EgoMo3R:联合自中心运动与场景重建

    EgoMo3R 提出联合优化框架,从休闲自中心视频同时重建 3D 人体运动和场景几何。该框架整合单目深度、光流等底层视觉几何原语,并结合基于扩散的人体运动先验进行一阶优化。在 EgoExo4D 和 Nymeria 数据集上,EgoMo3R 在 3D 场景重建和自中心运动估计方面均优于专用基线模型。

  12. arXiv · AI28

    GSExplorer:基于持久化 3DGS 世界状态的交互式世界生成

    GSExplorer 提出生成-重建框架,通过持久化 3DGS 世界状态实现高精度交互式世界生成。 框架利用 3DGS 场景提供多模态渲染条件,结合相对射线编码注入相机几何,并通过 SLAM 后端进行不一致性过滤与捆绑调整,构建了 293K 训练数据对。 该方法在单步和三步 WorldScore 评估中取得最佳性能,单步相机控制得分达 99.07,在 481 帧回溯测试中表现出强重访一致性。

  13. arXiv · AI24

    JADE 联合去噪器让 VLM 与动作专家在机器人大脑中协同生成动作

    研究提出 JADE 联合去噪框架,让预训练视觉语言模型(VLM)与扩散动作专家在机器人动作生成中协同去噪,而非仅作为静态条件输入。 在 RoboDojo 基准上,JADE 基于 $\pi_{0.5}$ 方法取得 12.67% 的平均成功率,为评估中同类方法最高;相比 $\pi_{0.5}$,在四项真实双臂任务上的平均成功率提升 20.8 个百分点。

  14. arXiv · AI23

    PhoneValue-Bench 提出双真值基准与 ValueAgent 管道

    针对二手手机远程估值痛点,研究者推出双真值评测套件 PhoneValue-Bench 及弱标签训练集 PhoneValue-Corpus。 PhoneValue-Corpus 包含超 2 万订单与数十万张描述图像,ValueAgent 在 Bench-Full 基准上取得 84.1/100 分,外观字段填充率为 97.0%。 该工作为多模态二手交易估值建立了可执行基准与参考管道。

  15. arXiv · AI28

    全模态嵌入的综述与路线图:从碎片化到融合

    提出覆盖、可比性与组合性三级能力框架,指出全模态嵌入研究正基于对比学习与Transformer架构趋向收敛。 三条统一路径为:变换扩大覆盖、对齐实现可比、联合嵌入达成组合性,主张联合嵌入为终极目标。 该立场论文提供首个统一、跨领域处理的全模态嵌入研究综述与路线图。

  16. arXiv · AI24

    Pano2BIM:基于几何约束的视觉-语言智能体,从平面图与单张360°图像生成竣工BIM模型

    Pano2BIM 提出了一种几何约束的 VLM 智能体,利用已知房间尺寸的平面图和一张 360° 照片生成 LOD 200 级的近似 IFC4 模型。 VLM 识别地标与物体,确定性工具估算相机位姿并通过射线投射计算度量位置,Measure 工作流的家具足迹 IoU 达 0.53,单次运行耗时 3.8 分钟、成本 1.63 美元。

  17. arXiv · AI27

    ReactionBench:基于人类参照的视频反应建模基准

    研究人员提出 ReactionBench,这是首个以人类为锚点的视频反应特异性理解基准。 该基准包含 31,834 个刺激-反应视频片段,涵盖 433 小时时长及 8 个领域,用于评估反应强度排序、时序匹配及解释推理能力。 在七个多模态模型中,最佳模型在四选一匹配任务中准确率仅为 50.9%,表明反应特异性接地仍具挑战性。

  18. arXiv · AI27

    基于智能手机的实时障碍物检测与距离估算:面向视障及分心行人的轻量化解决方案

    针对视障与分心行人需求,一款 Android 应用利用重训练 YOLOv8 检测 18 类城市障碍物,实现低延迟实时预警。 通过剪枝、量化及早退出分支,配合 Android NNAPI,中等手机推理延迟由 3.2 秒降至 0.39-0.48 秒,推荐配置在 0.42-0.48 秒内保持 0.81 召回率,且无需专用传感器。

  19. arXiv · AI30

    多模态大模型基准测试评分规则审计:同一输出分数差异可达22分

    研究复现8个基准测试的官方评分器,发现仅评分规则差异就能使同一模型输出准确率变动高达22分。 研究使用5个单张16GB GPU可运行的开源视觉语言模型,通过盲测人类与LLM评审仲裁(Cohen's kappa=0.956)恢复真实答案,指出不同解析规则导致显著分数偏差。 该研究已获WACV 2027接收,并发布代码、标签及协议,建议基准测试报告不合规率并采用至少两种评分规则。

  20. arXiv · AI31

    自主智能体动态优化 MSA 组织以提升蛋白质复合物结构预测效果

    该研究引入自主智能体,将 AlphaFold 3 视为黑箱实验仪器,通过假设驱动迭代优化 MSA 序列选择与配对策略。 在 1,015 个蛋白质-蛋白质界面上,智能体在提升整体 DockQ 的同时,平均 MSA 序列量比默认管道减少 60%。 跨物种杂二聚体收益最大,FoldBench 平均 DockQ 从 0.465 升至 0.612,HD439 从 0.482 升至 0.562。