跳到正文
11月2日周一
  1. arXiv · AI23

    Nedimo:基于证据的多语言 AI 生成助眠故事流水线

    Nedimo 构建了一个将不确定的助眠音频证据转化为保守工程要求的多语言生成与朗读流水线。 该原型通过分离确定性规划与大语言模型生成、实施四阶段注意力衰减及发布门控机制,确保输出符合固定的响度与真峰值限制。 系统被定位为放松与注意力支持工具,明确不宣称临床疗效,需通过前瞻性协议评估其对入睡的影响。

  2. arXiv · AI23

    音频大语言模型中多模态语音情绪识别的不一致感知评估

    研究通过两成分高斯混合模型构建无阈值不一致分数,发现不一致性在eNTERFACE'05等三个语料库中均提高了音频模型的情绪识别错误率。 文本通道的单独影响不可靠;移除情绪词典后的重建分数仍是六个替代方案中唯一能预测全部语料库错误的无标签分数。 开源了支持该评估的代码、数据表和提示词。

10月31日周六
  1. 千问大模型93

    阿里巴巴与Apple达成合作,将千问集成至Apple智能

    阿里巴巴与Apple达成合作,千问将集成至Apple智能,支持Siri问答、系统级写作及视觉识别功能,该功能将于12月随iOS 27.3面向中国用户推出,用户数据不会被用于模型训练。

    推荐理由:阿里确认千问接入Apple智能及iOS 27.3,明确了中国用户通过Siri调用多模态能力的入口路径与隐私边界。

  2. 阿里云85

    阿里巴巴与 Apple 达成合作,将千问集成至 Apple 智能

    阿里巴巴与 Apple 达成合作,将千问集成至 Apple 智能,使中国用户能在 Siri、写作工具及视觉智能中直接调用千问的文本与图像理解及内容生成能力。该功能将于 11 月 4 日起随 iOS 开发者 Beta 版开放测试,并计划于 12 月 iOS 27.3 正式发布时面向中国用户推出。用户需自主开通该集成,且相关请求与回复不会被阿里巴巴用于模型训练。

    同一新闻,精选展示《阿里巴巴与Apple达成合作,将千问集成至Apple智能》

10月30日周五
  1. 月之暗面 Kimi65

    Kimi 官方教程:如何结合外部工具制作 3D 作品

    Kimi 官方教程说明如何基于 Kimi K3.1 Pro 与 3D 制作工具制作网页、建筑、小游戏和预告片。教程区分参数化建模和网格化建模,并介绍 kimi.com 的 3D Make、Kimi Work、Kimi Code 和 Kimi API 四类入口,以及 Blender、Unreal Engine、Unity、Godot、Tripo、Meshy 等工具。

    推荐理由:文章将官方宣发的 3D 演示拆解为可复用步骤,并指出不同入口与外部工具在复杂场景制作中的分工。

  2. arXiv · ML30

    VLM 实验室安全监测:通过场景结构学习识别危险

    研究人员提出 SAGA 框架,利用强化学习让视觉语言模型先构建场景图再预测实验室危险。基于 1,207 个合成数据的实验显示,Qwen 3.5 和 Gemma 4 的 F1 分数近乎翻倍,真实数据集提升约 3 倍。 该方法解决了 VLM 在无文本场景图时难以从像素提取结构化关系的问题,同时保留了一般视觉问答能力。

  3. arXiv · ML36

    RAID:用于测试 AI 生成图像检测器对抗鲁棒性的数据集

    研究团队发布 RAID 数据集,包含 216k 张多样化的对抗性图像,用于评估 AI 生成图像检测器的鲁棒性。 该数据集基于 4 种文本生成图像模型,并针对 7 个最先进检测器的集成优化攻击生成。 实验表明 RAID 图像能迁移至未参与优化的检测器,使其性能下降,失败即指示检测器缺乏对抗鲁棒性。

  4. arXiv · ML20

    Sticky Jump Diffusions:统一掩码、连续与混合扩散的视角

    提出Sticky Jump Diffusions(SJDs),一种离散锚点为词嵌入的连续时间马尔可夫过程。 前向过程中锚点按风险率释放质量并在连续空间扩散,时间反转结合得分驱动SDE与粘性跳跃核。SJD在极限情况下恢复掩码、连续及混合扩散,其反转机制解释了各家族的特性。 基于通量平衡设计非粘性核,在CIFAR-10、Text8和Sudoku上优于恒等核混合模型。

  5. arXiv · ML38

    去噪分数匹配损失作为局部内在维度(LID)估计器

    局部内在维度(LID)量化高维数据存在计算瓶颈,现有方法依赖大量前向传播或梯度计算。去噪分数匹配损失(denoising score matching loss)被证明是LID的下界,可作为高效LID估计器。 在Stable Diffusion 3.5实验表明,该方法在问题规模增大和量化水平提高时,相较于计算和内存受限场景,具有更优的精度、可扩展性和更小的内存占用。

  6. arXiv · ML21

    精准农业土壤水分估算:一种知识蒸馏方法

    该研究提出基于知识蒸馏的多模态学习框架 Soil Moisture Distillation(SMD),利用单模态教师模型提升精准农业中土壤水分估算的准确性。SMD 在最新基准测试中取得显著优势:相比最先进基线,其平均绝对百分比误差(MAPE)在土壤斑块上改善 2%,在作物图像上改善 1.2%。

  7. arXiv · ML20

    BEVLight:基于无人机鸟瞰图的泛化交通信号控制框架

    BEVLight 提出了一种从无人机鸟瞰图直接推导交通信号动作的框架,在 16 个场景中的 12 个实现了最低平均等待时间。 该模型将视觉特征映射到车道并组合为相位表示,利用超过 5K 个人类控制决策及重渲染轨迹进行训练,以增强视觉鲁棒性。 闭环实验显示其零样本泛化能力优于感知基线,平均等待时间降低 7–9%,且能迁移至真实无人机观测数据。

  8. arXiv · ML34

    表格基础模型无法作为校准临床风险预测捷径的模拟研究

    预注册模拟表明 TabPFN-3.5 等表格基础模型并非校准临床风险预测的捷径。在 58 个场景下,其校准斜率与 FLIC 差异极小,仅在 n=200 且事件率 3% 时表现更佳。 即使拥有 3,000 名患者,63%-83% 的样本仅能得到接近真实风险的平均值,TabICLv2 表现显著更差。实际数据显示,模型无法抵抗不同人群间事件率变化,需在本地数据上重新校准。

  9. arXiv · ML23

    隐式神经表示的 Meta-Initialization 加速形变医学图像配准

    针对隐式神经表示在形变医学图像配准中适配速度慢的问题,研究发现使用先前任务学习到的初始化可加速早期适配。 基于 KAN-IDIR 模型,Reptile 元初始化和 STRAINER 迁移方案在 OASIS-1 数据集早期迭代中均优于随机初始化。Reptile 在小迭代预算下数值表现更优,但 STRAINER 预训练仅需 39-40 分钟,远低于 Reptile 的 44.98 小时。

  10. arXiv · ML28

    OMatG-FC 框架条件性开放材料生成方法

    OMatG-FC 模型通过框架条件生成范式预测无机晶体材料,利用离散流匹配与随机插值实现。 该方法固定分数坐标与晶格向量,相比无约束生成大幅降低问题维度,且优于现有原型约束方法。 在 MP-20 数据集和 LeMat-GenBench 基准测试中,该方法取得低于凸包的前沿 S.U.N. 率。

  11. arXiv · ML22

    D-MOD:用于加速 MRI 的扩散模式估计算法

    D-MOD 是一种用于加速 MRI 重建的确定性扩散模型后验模式估计算法。在 fastMRI 脑数据集上,其单次重建在 PSNR 指标上优于 DPS 等方法的 10 样本平均,且速度比 MMSE 估计快 11 至 73 倍。该算法通过显著降低计算成本,为临床环境提供了实用的加速重建方案。

  12. arXiv · ML31

    流匹配中的耦合引导

    研究人员提出 Coupled Guidance,一种基于几何视角的流匹配专用引导机制,通过利用训练中的耦合结构,解决了直接移植扩散引导导致的不稳定性问题。 在 ManiSkill3 机器人避障、Adroit 灵巧操作及 ImageNet-128 图像生成任务中,该框架在无任何额外开销的情况下,提升了样本质量与引导稳定性。 该工作已被 NeurIPS 2026 接收,论文共 25 页。

  13. arXiv · ML31

    AI 的转折点:从 ChatGPT 经神经网络到神经形态 AI

    该专著对比了连接式 AI 的高能耗与神经形态 AI 的低功耗优势,指出人脑仅耗 20 瓦能量,而大型 AI 模型消耗达吉瓦时至太瓦时。 文中以 ChatGPT 文本生成模块为例,对比 Transformer 原理与脉冲神经网络 SNN 的编码、学习方法,涵盖突触可塑性、时间编码及 Loihi 2 等硬件。

  14. arXiv · ML29

    条件混合下掩码扩散模型的端到端保证

    本文为学习型去噪器在条件混合(CM)下提供端到端 KL 散度界,核心误差项为 \(\varepsilon + N\varepsilon'\)。 去噪步数只需 \(T=\mathcal{O}(\tau_c\log(N|\mathcal{V}|/\varepsilon))\),远少于固定随机顺序所需的 \(\Omega(N)\) 步;该指数阶在 minimax 意义下最优。

  15. arXiv · ML36

    FitzRoy:基于强化扩散模型的高保真降水预测系统

    FitzRoy 首个实现美国大陆区域 SOTA 预测技巧与物理真实性的系统,采用强化学习优化的条件离散扩散框架,支持 24 小时内的低延迟实时部署。 该系统解决了点精度与结构保真度的长期权衡,在 2025 年德克萨斯山丘洪水等案例中捕捉到现有模型普遍遗漏的破纪录降雨量。 通过弥合真实性与技巧的差距,FitzRoy 确立了高保真降水预测的新前沿。

  16. arXiv · ML23

    REVBRAIN: 基于残差向量量化的实时概率性 EEG 预测

    提出概率深度学习方法 REVBRAIN,实现实时 EEG 预测。利用残差向量量化(RVQ)将输出空间标记化,在完整预测窗口上一次性生成结果。 在 200 ms EEG 时间序列(alpha 频段 8-13 Hz)任务上,相比 WaveNet 模型实现 50 倍以上的推理加速,且在笔记本电脑 GPU 上达成实时性能,预测精度更优。

  17. arXiv · ML23

    Floor It, Then Fill It:基于十亿用户规模模拟创作者生态的公平视频内容推荐系统

    针对视频平台“富者愈富”的推荐偏差,提出一种基于真实平台分布的模拟框架,对约4.2万名创作者及其12周内的观众交互进行建模,以评估公平观看分配策略。 该模拟系统捕捉创作者多样性、行为保真度及群体有效性,将公平分配策略构建为预算多臂老虎机问题,通过保护底线和差距奖励机制实现创作者推荐公平性。

  18. arXiv · ML26

    MassSpecGym 上的可分性并非对齐性:面向谱图-分子检索的表征分析

    研究指出,基于冻结表征对齐的谱图-分子检索路径存在根本局限,且解决了数据稀缺问题的方法并非架构层面创新。 在 MassSpecGym 基准中,研究发现某些预测目标固定了分子身份但未确定度量指标;基于候选项的目标奖励了一种谱图无关的先验分布,模拟谱图效果优于冻结几何结构。 该工作已作为海报论文被 NeurIPS 2026 物理科学表征研讨会接收。