跳到正文
10月30日周五
  1. arXiv · AI21

    AnyMo 结合 Residual FSQ 与掩码建模 Transformer 实现任意模态条件人体运动生成

    AnyMo 提出结合 Residual FSQ 运动 tokenizer 与可扩展掩码建模 Transformer 的统一框架,实现任意模态组合下的高保真人体运动生成。 框架基于 OmniHuMo 数据集构建,该数据集包含超 5,000 小时运动数据和 320 万条序列,带有文本、语音、音乐和轨迹等对齐的多模态标注。

  2. arXiv · AI34

    ClueTracer:用于多模态推理中无训练幻觉抑制的问题到视觉线索追踪

    ClueTracer 是一款无训练、无参数、架构无关的插件,可抑制大型多模态推理模型中的幻觉,并通过追踪问题到视觉线索的传播来定位任务相关区域。 该方法在推理基准上使包括 R1-OneVision、Ocean-R1 和 MM-Eureka 在内的所有推理架构性能提升 1.21 倍,无需额外训练。 该论文已被 EMNLP 2026 接收为 Oral 论文。

  3. arXiv · AI26

    PepEVOLVE:基于组内相对优势的位置感知动态多肽优化

    PepEVOLVE 提出位置感知动态框架,同时学习编辑位点与多参数优化策略,以解决多肽先导化合物优化难题。 该框架结合动态掩码预训练与多臂老虎机路由,并在 Rev-binding 基准中超越 PepINVENT,平均优化评分达 0.8,最优候选物评分 0.97。 此方法实现了可复现的线性及大环多肽优化路径,加速了设计周期并提升多目标设计质量。

  4. arXiv · AI33

    BRAID:基于双水平潜在动力学的多人交互动作生成模型

    研究人员提出Bilevel Representations for Agent Interaction Dynamics(BRAID)模型,这是一种用于生成式多人交互的分层序贯潜在变量模型。 该模型将社会动作生成公式化为元迁移学习问题,通过组级和个体级潜在状态,实现全量、稀疏或部分观测下的连贯生成,并可用于社会预测、追踪及反应生成任务。

  5. arXiv · AI35

    Pharos-ESG:用于 ESG 报告多模态解析、上下文叙事与分层标注的框架

    Pharos-ESG 是一个统一框架,通过多模态解析、上下文叙事和分层标注将 ESG 报告转化为结构化表示,在实验中持续优于专用文档解析系统和通用多模态模型。 该框架整合基于布局流的阅读顺序建模模块、由目录锚点引导的层级感知分段,以及将视觉元素转化为连贯自然语言的多模态聚合流水线,并输出 ESG、GRI 和情感标签。

  6. arXiv · AI23

    行李再识别:面向真实世界应用的策略研究

    论文研究了基于多视频流的端到端行李再识别(ReID)管道,旨在解决真实环境中遮挡和杂乱背景导致的性能下降问题。 在真实环境基准数据集上评估了选择和合并不同视角及镜头的策略,以优化再识别性能。 该研究被2026年IEEE基于内容的多媒体索引会议(IEEE CBMI)接收。

  7. arXiv · AI34

    WxCrop:首个结合天气与农业信息预测作物损失的智能体

    WxCrop 是首个通过因果分析结合天气与农业信息可靠预测作物损失的智能体,在佛罗里达州针对飓风、冻害和干热进行了验证。 该模型利用保险记录校准损失模型,飓风指数检测 AUC 达 0.98,历史损失复现误差在 2% 以内,县级排名相关系数为 0.63。 智能体可向政府、农户和科学家提供每个作物组损失占预期季节价值比例的溯源数据,以快速应对农业灾害。

  8. arXiv · AI26

    视觉基础模型中的空间状态表征研究

    基于冻结特征探针,一项研究发现视觉基础模型中可见场景的强解读数,并不能确保物体持久性或未来特征检索的准确性。 在静态室内环境的流式自我中心观察研究中,四项能力分析显示物体持久性和可操作性依赖于相机位姿的解读数,而特征预测依赖于可见场景的解读数。 这项研究强调,评估空间表征不仅要看可解码的信息,还要看该信息是否能在观察后保持并用于目标导向行为。

  9. arXiv · AI32

    利用预减影和自训练提升跨中心X射线造影冠状血管分割性能

    针对X射线造影冠状血管分割在外部数据上性能不足的问题,该研究利用ARCADE数据集的nnU-Net预测和减影图像生成伪标签进行自训练。 在XCAD外部数据集上,该方法将宏平均Dice分数提高了2.7分(95% CI 2.3-3.2),而对照组下降0.6分。 结果表明自训练收益取决于生成初始伪标签模型的敏感度,且使用完全标注模型可显著提升无标注数据集性能。

  10. arXiv · AI30

    TaskFrame:连接任务级规划与帧级控制的游戏智能体框架

    TaskFrame 提出分层规划-控制框架,通过 GRPO 优化任务规划器并连接帧级键鼠控制。 规划器将目标分解为原子指令,其隐藏状态作为目标嵌入复用;因果 Transformer 控制器结合观测预测离散动作与连续相机运动。 实验显示,TaskFrame 在 Minecraft 闭环评估中的战斗成功率优于基线。

  11. arXiv · AI24

    EventSeeColor 利用扩散模型从单色事件重建彩色图像

    EventSeeColor 结合事件重建的灰度图与对齐事件,通过扩散模型实现单色事件数据的彩色重建。 该方法利用灰度语义上下文辅助颜色推理,并通过区域平衡色度监督改善颜色分布与纹理细节。 在两个真实事件数据集的外部方法对比中,EventSeeColor 在结构相似度和感知分数上表现最佳。

  12. arXiv · AI37

    LoCo 框架实现自回归视觉模型概念定位

    研究提出 LoCo,首个模型无关框架,用于定位自回归模型中视觉概念的生成位置与时机。 LoCoBench 数据集涵盖 10 个类别以系统评估概念路由,测试显示定位结果具有可解释性和因果关联。 该方法应用于概念擦除与个性化任务,实现最先进性能并大幅降低计算开销。

  13. arXiv · AI34

    MTG-AD:端到端行内音频描述的基准数据集与细粒度评估框架

    研究团队提出 MTG-AD 数据集与 MTG-AD-Eval 评估框架,用于提升视觉媒体对盲人和低视力用户的可访问性。 MTG-AD 包含 36 小时视频及 8000 余条由视障与明眼专家共同标注的描述,MTG-AD-Eval 通过生成音频轨道评估时序适配性。 实验显示,多模态大语言模型虽能减少语音重叠,但在叙事节奏上仍有差距;自动指标与人类评分显著相关,该成果已发表于 NeurIPS 2026。

  14. arXiv · AI45

    VLM 3D 推理失效分析:BedBench 揭示的局限

    研究发现视觉语言模型在 3D 推理中难以一致利用物体属性,新基准 BedBench 显示其在按颜色计数任务上准确率仅 7.2%,而人类达到 93.3%。 针对微调模型 3.0% 至 68.6% 的准确率提升仍伴随内部不一致,探测 Qwen3.5-27B 表明精确计数可恢复但极少被采纳。 文章建议评估 3D 推理需关注精确正确性、一致使用性及图像依赖性,代码和数据集已公开。

  15. arXiv · AI25

    DeCoRL:通过分解一致性强化学习提升多图合成效果

    DeCoRL 是一个强化学习框架,将整体一致性分解为对象级一致性,以提升多图合成(MICo)质量。 该方法通过定位参考图像中的对象对应区域,并利用基于 VLM 的奖励模型生成细粒度反馈,以此引导后续训练。 实验在 DeCo-Bench 和 MICo-Bench 上显示,该方法在多图合成一致性方面带来了持续提升。

  16. arXiv · AI25

    提出加权 t-SNE 方法以可视化并评估高维数据集的特征评分结果

    研究提出加权 t-SNE 方法,通过修改嵌入空间中数据点关系来反映特征评分器赋予的特征重要性,并提议使用轮廓系数对结果进行数值评估。 实验在合成和真实表格数据上测试了包括互信息和神经网络在内的 9 种特征评分器,展示了加权 t-SNE 在比较评分器、选择最优方法以及增强机器学习模型可解释性方面的应用。 加权 t-SNE 能够直观呈现特征重要性及模型对数据的组织方式,从而提升机器学习模型的可解释性。

  17. arXiv · AI21

    PACK3D 提出 3D 注意力算子以解决几何数据打包中的位置编码失效问题

    PACK3D 将局部注意力与压缩远程上下文分离,使用基于真实 token 网格坐标的轴向 RoPE,避免仅依赖序列位置导致的几何信息丢失。在合成任务和 Allen WTC-11 数据上,该方法优于参数匹配的 3D U-Net 基线,且融合 Triton 实现在 65k tokens 下保持窗口注意力延迟。该算子已被 NeurIPS 2026 接收,证明其在大规模训练中的可行性。

  18. arXiv · AI35

    人工智能人格模型在对话智能体中的实证研究

    该研究通过三项实验(N=395)实证评估了融合人类与机器维度的人工智能人格模型(APM),并开发了专门的人格问卷(APQ)。 研究发现宜人性等人类维度可部分迁移,且特定机器维度影响了用户满意度与社会临场感,而BFI-2量表在该场景下可靠性不足。 该成果为对话智能体的设计提供了经过实证检验的理论框架与测量工具。

  19. arXiv · AI24

    8B 级模型零样本视觉语言导航中的时空记忆机制研究

    该研究提出结合任务、时间与空间记忆的时空架构,用于 8B 级模型的零样本视觉语言导航。 在 R2R-CE val-unseen 基准中,该系统优于 Qwen3 基线,且移除时间记忆会使平均路径长度从 16.9m 激增至 39.1m。 在 Unitree Go2 机器人实验及 LAW2 评估中,该方法展现了比后训练基线更高的成功率与更好的指令遵循能力。

  20. arXiv · AI31

    The Prestige:使用魔术表演评测认知视觉推理的视频理解基准

    The Prestige 提出通过专业魔术表演评测认知视觉推理的视频理解基准,测试模型对意外结果事件的跟踪与解释能力。该基准包含从时序因果理解到对抗性问题鲁棒性的开放问答题,评估显示最强视觉语言模型与人类表现存在显著差距。研究还发现自动化评分与人类评分存在系统性偏差,且模型在多选题正确但独立解释失败的情况下依然存在,凸显了视频理解评测的局限。

  21. arXiv · AI21

    智能家居如何适配自闭症儿童:家庭劳动与受监控的独立性

    一项针对自闭症家庭使用智能家居的定性研究发现,技术既可通过环境输出调整提供支持,也可能因感官强度成为障碍。 研究基于 5 名照顾者访谈及小红书、微博帖子,提出“关系适配”和“受监控的独立性”等概念。 研究指出了可调整交互、可读性故障恢复等设计启示,以平衡安全、隐私与控制。

  22. arXiv · AI20

    地震基础模型是否只是高级特征提取器?

    基于 Mamba 架构的九种地震基础模型在 300 万窗口数据集上训练,结果表明改变自监督目标仅重分配下游技能而非提升整体能力。 模型增强掩码压力使少样本 P 波拾取精度提升 6.9 分,但少样本分类准确率下降 9.6 分,未实现通用化。 在少样本场景下优于任务专用基线,但全量数据下表现落后,核心瓶颈在于缺乏跨事件的学习目标。