MarketImage 诊断框架:交易价格能否反映视觉偏好
研究提出 MarketImage 框架,诊断多模态语言模型能否从交易价格恢复视觉偏好。实验显示仅 24.2% 的图片对存在非平局价格方向,其中 34.7% 与人类多数一致。
研究提出 MarketImage 框架,诊断多模态语言模型能否从交易价格恢复视觉偏好。实验显示仅 24.2% 的图片对存在非平局价格方向,其中 34.7% 与人类多数一致。
summary_zh: SERIAL-7 发布首个韩英双语文档,基于 177 个规范工件构建跨 7 种表示的可执行验证框架,旨在解决结构化输出的语义正确性与执行可靠性脱节问题。
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。
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。
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。
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》
Nemotron语音智能体将ASR、Bolt E4B、Magpie TTS和Audio2Face-3D整合在单工作站中,实现端侧语音角色交互。
Qoder 仅用 6 分 55 秒完成 Excel 世界锦标赛决赛题,135 题全对,拿下 1250 分满分。 冠军人类选手耗时 35 分钟,赛事官方已禁止 AI 参赛。Qoder 还能直接处理文件、写公式、画图,并通过 Sites 共享结果。
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。
扩散模型服务系统 FlashDiff 提出自适应区域执行与调度,降低推理延迟。 该系统将潜变量分解为区域,通过轻量控制器跳过低影响更新,并利用亲和性感知调度器平衡负载。 在图像、视频和音频任务中,其端到端延迟降低 30-97%,吞吐量提升 1.2-2.2 倍。
IsoNet 发布了一种基于人脸引导的语音提取系统,利用 4 个麦克风和 9.4 cm 孔径,在困难测试集上实现 SI-SDR 9.31 dB,较混合背景提升 4.85 dB。 模型融合 U-Net 掩码估计器与辅助声源到达监督,在 -1 至 10 dB SNR 区间表现最优,其 4.9M 参数变体推理速度比实时快 26 倍。
提出KamonBench,包含20,000个合成家徽及多模态描述,用于评估视觉语言模型的组合因子恢复。 数据集支持程序代码指标、因子重组及反事实组测试,基线结果涵盖ViT-Transformer、VGG解码器及微调Qwen3-VL模型。 该文提供稀疏组合视觉识别的控制测试平台。
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。
GViT 将 2D 高斯基元作为 ViT 的输入 Token,在 ImageNet-1K 上 GViT-B 达到 76.9% top-1 准确率。 该框架利用可微渲染器约束参数,通过分类器梯度引导优化高斯的几何与外观,增强了可解释性。
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。
Flow Matching 被证明在足够大的网络中达到了 Wasserstein 距离下 minimax 最优收敛率(除对数因子外)。 该结论基于核密度估计在最优收敛率上改进高斯核边界的结果。若目标分布位于低维流形,Flow Matching 可从流形周围小管中的较小内在维度中获益,从而获得更快的收敛率。
该研究引入 ScAn-Bench-LLM 和 ScAn-Bench-VLM,旨在填补缺乏系统性评估不同模型类型缩放分析方法的空白。 基准基于 4524 个 LLM 和 8024 个 VLM 检查点构建,首次系统评估了数据获取与外推方法。
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。
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。
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%。
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。
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。
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。
RPKD 模型通过对比共享的随机冻结原型向量向量,放弃对教师与学生特征空间对齐的传统假设。该方法包含 Logit 和 Feature 两个分支,分别在随机特征嵌入空间中操作。
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。
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。
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。
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。
研究提出 LatentWeave 框架,通过在推理时对中间隐藏状态进行分段精修以纠正偏差。 该方法引入轻量级 WEAVE 令牌作为推理锚点,以稳定推理结构并引导生成。 在多个多模态推理基准上,该框架相比基线模型取得了性能提升,且代码已开源。
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。
TaxoMFM 推出了一种将分类学结构整合到自监督学习中的肠道菌群基础模型。 该模型通过分类学感知编码和层次结构重建,实现了 231 个队列中 100,806 个菌群的预训练。 在跨队列零样本迁移中,TaxoMFM 在结直肠癌和 2 型糖尿病预测中分别取得了 0.838 和 0.736 的 AUROC。
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。
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。
研究揭示统一多模态模型在持续学习中的动态规律。 模态特定参数隔离度越高,跨模态干扰越弱;生成侧比理解侧更脆弱。纯后训练能力遗忘率达84%至90%,预训练能力则保持稳定。
HotPOT通过共享编码器与异构神经数值专家,在大规模PDE预训练中超越了MoE-POT模型。 模型在每个匹配规模对比中均表现更优,平均降低50.7%的rollout误差,17M参数模型甚至优于更大规模的MoE-POT。 该优势扩展至未见物理条件下的零样本预测,相关代码已公开。
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。
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。
Clock-Free Event (CFE) 层实现了对事件流切片方式和时间戳连续性的分区不变学习。 CFE 层基于 TM 状态,在 DVS128 Gesture 数据集上比加性状态高 3.5-9.1 分,在 SHD 和 Speech Commands 上分别高 24.5 和 30.6 分。 该模型具备抗时钟鲁棒性,可用于防范 spike-retiming 攻击。
针对热力学状态方程学习中的隐藏本体发现难题,提出了操作性可辨识性理论及构造性多项式时间算法。该算法通过复制对比提取广延与强度标度扇区,利用热接触恢复双余切配对,并验证全局可容许凹势。
在TopoPID-VQA 3000道拓扑题上,Graph-Grounded Harness将Qwen3-VL和Gemma-4的exact match准确率从36.7%提升至74.3%。 该方法在Digitize-PID数据集上恢复图的精确连接F1值为0.742,通过限制模型仅查询七类只读操作符来强制回答引用图证据。 成果已被NeurIPS 2026 VLM4RWD Workshop接收。