GeoGuesser Bench 评测视觉语言智能体在交互地理定位中的表现
GeoGuesser Bench 发布 282 项任务,评测 23 个视觉语言模型在离线街景环境中的交互地理定位能力,地点命名最高准确率 62.5%,物体寻找最高准确率 35.0%。
GeoGuesser Bench 发布 282 项任务,评测 23 个视觉语言模型在离线街景环境中的交互地理定位能力,地点命名最高准确率 62.5%,物体寻找最高准确率 35.0%。
端侧多模态智能体面临注意力结构不整除与KV缓存随轮次膨胀两大部署错配问题。PARC通过一阶泰勒重要度进行结构化剪枝,使注意力维度可被核心数整除,并按时效性重组KV缓存,让历史图像移出持久缓存。在七核部署下,该方法将视觉编码器延迟降低11.4%,解码吞吐量提升23.8%,每堆内存峰值降低12.7%。任务感知恢复训练恢复了98.7%的动作类型准确率差距。
summary_zh: MAGAR 提出了一种针对 3D 机械装配的多模态智能体框架,并发布了包含 4,000 个样本的基准测试 MAGAR-Bench。 MAGAR 采用选择性校正机制,通过冻结策略将任务平衡聚合指标从 37.50 提升至 41.39,其中 209 次干预中有 70 次成功纠正错误。
论文提出 BGC-Bench 基准框架,解决生物合成基因簇(BGC)现有评测在小型数据集上区分度低的问题,支持跨泛化水平的科学任务。 框架源自 MIBiG 数据集,构建 5 项任务,在基因型/表型偏移分割及主动学习场景下评测 12 种编码器,覆盖核苷酸、氨基酸及 Pfam 域序列。 研究证明无单一表征占优,最优粒度取决于生物尺度,预训练编码器并非一致优于其他表征,该框架可推广至 BGC 领域外。
研究使用 VC-DATNet 在三个公共语料库上实现 EEG 内部言语解码,其中 SyncSpeech 报告了首个解码结果。 模型参数量约为 131,000,在 Thinking Out Loud、BISpeech 和 SyncSpeech 上准确率分别为 39.48%、20.60% 和 25.53%。 传感器空间与皮层源空间表示具有互补性,性能瓶颈更多源于信号质量而非模型容量。
ClickSight 是一个利用 LLM 分阶段流水线解读学生点击流并评估学习策略遵从度的框架。 评测基于 2 个学习环境、365 名学生及 12 个模型底座,推理模型表现优于指令微调模型。 该框架将细粒度点击流与理论定义的学习策略相结合,为研究数字学习环境中的学生行为提供灵活方法。
论文提出一种后处理修复模块,利用 VLA 预测的短视域动作检测障碍物并生成导航路径,通过软引导项改善 CBF-QP 安全性过滤。 该方法将路径引导加入 CBF-QP 目标函数,保持安全约束严格有效,从而修正被局部截断的任务轨迹。 在 SafeLIBERO 基准测试中,该方法在碰撞规避、任务成功率及安全成功率方面均优于 AEGIS。
小米发布 Auto World Model 2.0,这是一个统一的流式因果世界模型,用于 Physical AI 中的因果物理演化建模与生成。
Uni-LaSpec 提出一种负载自适应的推测解码框架,通过复用验证器注意力选择关键视觉 token,在 17 个基准测试中将文本吞吐量提升至 5.11 倍,多模态吞吐量达 3.24 倍。 该框架根据 GPU 负载动态调整验证结构,在轻载时使用草稿树,重载时截断线性草稿,在 6 种负载水平和 3 种 GPU 上均优于自回归解码。 在突发到达场景下,其平均端到端延迟比线性验证降低 47.6%。
FOCUS 是免训练三层框架,通过时序门控和空间焦点地图减少 VLM 调用次数。 在 EgoSchema 子集上,基于 Qwen3-VL-8B 达到 74.8% 准确率,仅耗 25.4 次调用。 较均匀采样减少 57% VLM 调用,显著提升流式视频处理效率。
系统 GURU 采用层级神经符号多智能体架构,在计算流体动力学中将未知几何收敛模拟率从不足 1% 提升至 74%。 该系统在 100 个单次尝试案例中验证了效率,并通过符号层提升了边界层捕捉能力。在太空态势感知领域,该方法在 conjunction risk 评分上超越了五种方法,包括全量微调的语言模型。
PSM-Bench 基准包含 800 道题目,OpenPerov Flash 在 13 个闭卷系统中排名第一。OpenPerov Pro 将 Scientific Mastery 从 87.6 提升至 89.1。
XPeng 发布 X-World 1.6 世界模型技术报告,旨在提升自动驾驶模拟器的可靠性与场景控制能力。该模型支持交通灯、道路标记等细粒度控制,并实现了单图生成多摄像头未来视频。 报告称升级后的模型具备更强的时空一致性,增强了后训练框架以支持高效因果生成,并引入专用评估套件。这些改进支持了更广泛的自动驾驶开发应用。
BrainGFM 在 48 项下游任务中提升了有限监督下的分割与分类表现,并实现高保真图像增强。 该模型基于约 130 万张 MRI 和 CT 切片预训练,支持低数据预测学习及图像重建的后训练适配。 4,796 名卒中患者的多中心临床验证显示,其生成的 FLAIR 图像接近实际采集质量,且使人-机协作诊断准确率提升 14%。
Taurus 利用 LLM 环流框架实现 CT 主动脉标注,主要指标表现与使用 Claude Opus 5.5 的自由智能体无显著差异,但单病例成本仅为 $1.22,低于后者的 $2.71。 该框架通过自动化路径处理扫描,并结合固定规则平滑标签表面及多项选择检查以修正大型错误,在 38 个留出病例上取得主要增益。 此类标注自动化使得专家时间可从绘制标签转向核查,提升了效率。
summary_zh: MAD 框架在空间转录组学双组学编辑场景中,实现了对一个特征组进行定向修改同时保留另一组的功能。 基于 CosMx SMI 肾组织足细胞评估,MAD 在病理组学编辑中取得 MAE=0.6636 和 FID=25.19,性能超越所有对比基线。
研究团队提出包含 118 个模糊任务的移动 GUI 基准 MemU-Bench,旨在测试智能体从长历史中恢复缺失上下文的能力。 基准引入交互效率 IE 和加权成功路径长度 SPL 指标,以区分基于真实记忆或盲目搜索的成功。评测显示 GPT-5.5 在 AppMem 框架支持下 SPL 从 15.7% 提升至 66.9%。
NVIDIA 正联合伙伴在全球多地城市部署物理 AI 与智能体服务,基于 GTC Berlin 宣布的举措扩大共享计算基础设施覆盖。 具体案例包括马德里使用 Nemotron 等模型处理市政事务,以及马来西亚 ITMAX 通过 RTX PRO 6000 GPU 支持超过 17,000 个摄像头,并于 2027 年前实现交通管理优化,减少高峰时段通行时间多达 26%。
美团正式发布面向长程智能体任务的原生多模态模型 LongCat-2.5,总参数量 1.6 万亿,每个 token 激活约 480 亿参数。模型在 2.0 基础上通过长序列训练、大规模长程强化学习提升复杂代码库开发与完整项目构建能力,并具备将视觉信号表示为多层级离散 token 的原生视觉理解能力,支持 Visual Coding、创意设计和 3D 等任务。
推荐理由:美团给出了 LongCat-2.5 在 1.6 万亿参数规模下的工程化方案,读者可据此了解长程智能体多模态模型的训练与推理路径。
利用 Amazon Bedrock AgentCore 和 Nova Multimodal Embeddings 构建多智能体工程助手,自动化装配替代零件评估证据并生成文档,由 Claude 系列模型驱动路由与综合。
爱诗科技旗下 PixVerse 与 OpenAI 宣布开启深度合作,完成 PixVerse 插件、CLI 与 Codex 的深度产品集成,并首次共同推出“从提示词到成片”教育计划。
Kling 4.0上线后,八位全球创作者反馈其在动作表现、镜头调度、全能参考融合及人物塑造上显著提升。 创作者作品展示了更迅猛的动态物理反馈、稳定的镜头叙事能力及灵活的多模态参考整合,支持写实至怪诞等多种风格。 这些实际案例验证了模型在提升画面真实感与创意表达自由度上的核心价值。
Kimi 发布游戏开发与创意工作解决方案,基于 Kimi K3.1 Pro 模型及 Kimi Code 等 Agent 产品。 支持连接 Unity、Unreal Engine 等工具,协助团队在 1-2 天内制作可试玩原型,实现从立项到运营的全流程支持。 显著降低创意验证成本,帮助游戏团队更高效地推进工程与美术制作。
智象元一亮相2026腾讯全球数字生态大会,展示自研原生全模态UiT架构。 底座构建HiDream-O1模型矩阵,在Artificial Analysis等榜单获全球领先成绩。 商业化推出HiHarness平台,及HiBurst、vivago R1等智能体,实现产业落地。
上海交通大学等团队提出 EvidenceConnect 框架,通过 20.4K 条单图合成数据训练 ZwZ2-4B、9B 和 27B 模型,使其在 25 个基准上平均准确率分别达 54.79%、56.59% 和 60.51%,均超各自基座模型。
推荐理由:团队用 20.4K 条单图合成数据训练 ZwZ2 系列模型,在 25 个基准上全面超过基座,并展示了向多图与 Agent 任务迁移的能力。
提出结合焦点损失与监督对比学习的统一训练目标,解决 CEFR 等级预测中的类别不平衡问题。 在单语和跨语言的句子及文档级评估中,该方法在所有设置下均持续优于强基线模型,刷新多项基准 SOTA。 有助于提升教育自然语言处理中文本 CEFR 等级自动评估的准确性。
研究者提出 Grounded Generative Speech Recognition (GSR),将语音识别重新定义为生成语义文本,并建立 GSR-Bench 评估基准。 该基准涵盖会议转录、方言翻译等场景,结合 LLM 语义判断进行多维度评估,揭示了转录保真度与生成式重构能力之间的权衡及典型失效模式。
针对偏好认知不确定性下的自适应个性化,研究构建包含250个人设、5种语言、2.5万轮对话的多语言基准,并测试8个闭源与开源模型。 研究发现模型在开放式生成中策略校准度下降35-46%,默认采用先利用策略且忽略偏好不确定性。针对性训练可缩小33%的用户接受度泛化差距。
Qistas 协议针对大语言模型提出公平性评估方案,首个实例化为伊拉克社会场景。该协议测量程序对称性、差异拒绝及刻板印象依赖,采用配对统计方法。其 58 项种子库测试中 24 个模板组未通过检查,揭示了反事实基准的通用缺陷。 作为预注册协议论文,Qistas 固定了假设、指标及分析计划,但尚未评估具体模型。作者指出该缺陷模式是公平性基准的普遍风险,而非仅针对单一社会。
研究评估14种最先进的文本到视频检索方法,发现简短清晰的描述召回率更高,复杂事件仍是难题。 注意力驱动架构更适合处理多步骤查询,而双编码器和多模态融合模型在简单类别上表现更好。 这些发现为开发更有效的文本到视频检索系统提供了指导。
论文提出视角不变的视触觉预测模型 FlowTouch,旨在通过视觉信息预测触觉信号以支持接触密集型操作。 该模型利用物体局部 3D 网格编码丰富信息,并整合场景重建与基于 Flow Matching 的图像生成模型,从细节中抽象出场景依赖性。结果显示 FlowTouch 能弥合从模拟到现实的差距并泛化到新传感器,其生成的触觉图像可用于下游抓取稳定性预测。
研究团队提出基于抛物线的视觉位置编码 PaPE,旨在解决现有方法对视觉特性考量不足的问题。该方法基于平移不变性、旋转不变性(PaPE-RI)、距离衰减、方向性和上下文感知等原则设计,支持视频、事件流、图像及点云等多种视觉 token。
针对离散扩散模型的分子优化,文章提出结合获取、奖励整形、去偏、回放与有效性控制的在线微调方法。 该方法在9项结合亲和力与蛋白适应任务中优于离线微调与推理时搜索,在高奖励分子需大幅偏离先验时增益最大。 其结果被NeurIPS 2026接收,为反馈高效的分子优化提供了实用配方。
研究者提出 ORACLE 智能体框架,作为首个基于流式应用使用轨迹进行早期诈骗预判的系统,旨在意图显化前干预多阶段跨应用诈骗。 该框架包含自进化上下文管理器以整合分散证据,并采用在线自蒸馏方案让教师模型指导未接触反思信息的学生模型。 实验表明 ORACLE 在真实流式场景中持续提升了早期诈骗预判效果,在提供及时预警的同时降低了误报率。
提出利用公共锚点和中心核对齐训练全局多模态Transformer的框架。 使用公钥对齐分离的私有流形,配合子空间稳定微调和精度加权平均处理大型模型。 确立联邦非配对基础模型的数学基础,实现无集中存储下的统一表征学习。
一项覆盖 9 个数据集和 19 种多模态方法的大规模实证研究指出,增加多模态复杂度常导致混淆而非有效融合。 在标准化实验条件下,复杂多模态架构无法稳定跑赢单模态基线及 SimBaMM,甚至顶级文献中仍存在方法论缺陷。 作者主张多模态学习应重点关注方法论严谨性,而非追求架构创新。
研究发现宽带光的时间闪光斑可原生表征概率权重,克服了数字硬件采样贝叶斯权重的瓶颈。 该技术通过光编码独立调控均值与方差,使单个光源并行存储多组权重,无需复杂随机数生成。 所构建的光子处理器每37.5ps完成一次概率卷积,实现了分类与分布外检测,为高速不确定性感知AI提供了新路径。
研究指出标准强化学习在多智能体社交困境中易导致 LLM 形成机会主义策略。 团队将 Advantage Alignment 适配用于微调 LLM,并引入群相对基线简化优势计算,确保策略不可被贪婪智能体利用。 研究发布了 Trust-and-Split 社交困境环境及代码,旨在支持 LLM 多智能体合作训练。
针对离散 token 推理与连续图像生成间的模态不匹配,提出连续空间潜在推理框架 LARC。采用两阶段训练:课程式 SFT 将 token 级推理转化为潜在推理,信息增益 RL 实现无监督自演化。在 GenEval 基准上比 BAGEL 提升 7%,并展现清晰的测试时扩展行为。
该研究提出 DT-Morph Combined Loss、3D Group Prompt 及 Many-to-One Conditional Segmentation Head 三个轻量级模块,以提升医学病灶分割在数据稀缺及计算受限环境下的临床适用性。