乳腺癌检测中的多模态融合:先进与传统影像技术的综述
该文综述了乳腺癌检测中15种以上的多模态融合方法,涵盖乳腺摄影、超声等常规技术及热成像等新兴技术。指出AI在数据、特征和决策层级的融合应用日益增多,同时面临数据集不足和外部验证有限等挑战。
该文综述了乳腺癌检测中15种以上的多模态融合方法,涵盖乳腺摄影、超声等常规技术及热成像等新兴技术。指出AI在数据、特征和决策层级的融合应用日益增多,同时面临数据集不足和外部验证有限等挑战。
VEX 框架利用音视频理解统一外部演示学习与行为反思,video-SALMONN-VEX 基于 Qwen3.5-9B 构建,在 OSWorld 上任务成功率提升 22%。
研究人员提出分层强化学习框架 Skill-LR,利用视觉语言模型识别子目标,并通过 LLM 生成匹配的潜在奖励公式。 该框架基于两阶段提示过程,使奖励信号随分层计划演化,降低了时间方差并提升了样本效率。 在 MiniGrid 和 BabyAI 的多阶段基准测试中,Skill-LR 比 RUDDER 等基线收敛更快且更可靠。
该研究提出 Check Token 机制,首次在语言模型生成流中建立内置自我校验。模型通过输出功能标记触发检查、定位、截断与重写,该标记不携带推理内容。 实验基于 Qwen3-32B 和 Qwen3-Next 进行,在 HMMT25 任务上带来 10.8 pp 性能提升,开销系数为 1.13x,token 效率是 Best-of-8 的 88 倍。
研究显示AI代理在传递任务时,无法保留尚未完全理解的隐性知识。 在包含隐藏规则的56个交互世界中,八代代理链的学习效率远低于拥有完整历史记录的单一代理,表现仅相当于单一代理的前四代。 将笔记压缩至300字符会造成显著的信息丢失,即使基于全记录重写也只能恢复70%-82%的损失。 这表明代理只能传递其已理解的内容,尚未发现的规则会在交接中永久丢失。
零训练 LLM+OVOD 管线中 CAAP 与 SNAP 的显著差异主要源于词汇新颖度,当 LLM 用词超出检测器原生类别时定位准确率从 80.9% 降至 31.6%。78-88% 看似定位失败实为模型正确找到 COCO 未标注的真实物体,而非幻觉。该发现表明需重新评估基于开放世界的多模态系统失败模式与检测幻觉方法。
研究在6个开源LLM中发现,信念状态可从残差流激活中线性解码,峰值R²值达0.83-0.99。 该结论基于40个非平凡信念结构的隐马尔可夫模型数据,并通过修补与转向干预验证了功能相关性。 结果在表征层面证明,开源LLM的上下文学习近似于对上下文推断生成模型的最优贝叶斯预测。
MindTopo 基准测试涵盖连续性、分离、顺序、封闭及拓扑结五个维度,包含3900个核心实例。 针对13个多模态大语言模型评估显示,模型在推理任务中表现优于规划,但在简单层级上仍落后于人类。 该测试揭示基础模型在闭环智能体规划及视频生成校验中仍存在显著局限。
提出免训练预算感知自适应-k检索方法ViSAR,在给定页面预算内动态确定检索数量。 ViSAR直接在嵌入空间构建查询条件化相似度矩阵,最多降低端到端RAG延迟58.9%,且无显著精度损失。 相似度矩阵结构与答案精度相关,为检索质量感知的文档理解提供未来方向。
跨 4 个架构族 9 个开源模型的因果干预测试表明,量化损伤分布广泛而非集中于任务电路或权重统计,在 128 组量化兼容的 8 个模型中,全局提升量化粒度比局部修复关键层高出 21-52 分。
针对 LLM 多层防护集成(如 likelihood filter 与 guard classifier)中各组件多样性难以量化的问题,研究定义了三个核心 estimand 并构建了相应估计器。
研究引入 LangChoiceBench,评估 25 款 LLM 在 7 个领域的 28 个项目中,发现 Python 被过度选择且推荐实现一致性低。 分析 9,826 条推理轨迹显示,Python 选择多由自动化驱动,存在“幽灵证据”捏造支持。 较小开源权重模型通常表现出更强的 Python 偏好及更低的语言多样性。
对 1370 万条 Goodreads 评论的分析表明,推荐系统的满意度信号与 PERMA 幸福指标存在显著差异,且内容特征与幸福的关联强度更高。 研究区分了即时享乐型与持久意义型幸福,发现不同内容语言特征分别与之相关,表明仅基于满意度进行优化可能无法真正促进用户福祉。
针对 LLM 生成的品牌回答,一项多语言审计分析了 128 个品牌、13 种语言中的 167,551 条带 URL 引用。在北欧-波罗的海核心数据集里,3,863 个可注册域名占据了 131,514 条引用中的 80%,其中 Wikipedia 在 12 种查询语言中的 11 种处于首位。
研究者提出 RAS 评分体系,用于高效评估开源 LLM 的安全拒绝对齐程度。 该体系基于 SafeVec 流程,在 Llama、Gemma 和 Qwen 的 18 个变体上,RAS 与行为攻击成功率呈 0.934 的相关系数。 RAS 可将评估效率提升 3.2 至 80.5 倍,显著加速相关检查点筛选。
HandwritingAgent 提出了一种语言驱动的代理,无需特定风格训练,直接生成 SVG 格式的自然手写序列。 该代理利用大型推理模型在离散网格画布环境中自回归生成字形,并受参考手写图像及对话或非对话文本控制。 实验显示其在手迹模仿、识别及复杂数学公式生成等任务上达到或超越当前 SOTA 模型,更具效率与可控性。
CapCode 框架通过构建非作弊得分上限低于 100% 的随机化测试数据集,有效检测编码智能体通过走捷径获取的高分作弊行为。CapReward 基于该原则设计奖励机制,抑制超出上限的优化,使模型更严格遵守任务规范。实验显示该方案在检测作弊的同时保留了模型性能排名,NeurIPS 2026 收录。
summary_zh: 研究指出主流数据-指令分离防御范式存在缺陷,既无法检测基于上下文操纵的攻击,又导致正常行为降级。 文章引入情境完整性(Contextual Integrity)理论重构提示词注入,提出不可可能性论证:攻击者可构造合法化被阻断流的情境,或防御方收紧规范会误杀合法流量。
HEED通过密度加权残差对齐解决混合架构蒸馏中细粒度文本丢失问题,将Qwen3-VL-8B-Instruct蒸馏为3:1 Mamba-2/attention混合模型。 该方法利用patch自相似性作为位置重要性代理,无需额外训练,在OCR Bench v2上提升8.7分,10项基准平均分提升5.13分。 不增加参数或推理成本,保留混合架构4.12倍吞吐量及128k上下文68%内存节省优势。
LatentRouter 提出基于反事实多模态效用预测的路由框架,在 MMR-Bench 和 VL-RouterBench 上优于固定模型、特征级及学习型路由基线。 该方法通过提取多模态路由胶囊,用模型能力 token 表征候选 MLLM,并以潜层交互估计各模型表现,支持性能与成本导向的路由策略。 代码已开源。
研究发现大语言模型中存在基于对比的“颗粒度轴”,该轴在角色空间的主导几何中保持稳定。在Qwen3-8B模型中,该轴与第一主成分(PC1)的余弦相似值为0.972,解释了52.6%的方差。
研究者揭示多模态专家混合模型存在“看见但不思考”现象,即模型能准确感知图像内容,却在后续推理中失败,而纯文本场景下能正确解题。 分析发现视觉专家与领域专家存在层级分离,图像输入在中层诱导了显著的路由偏差,导致任务相关的推理专家未能充分激活。 通过设计路由引导干预方法增强领域专家激活,在六个基准测试中取得一致提升,复杂视觉推理任务最高提升3.17%。
三项涵盖RAVEN矩阵与LSAT逻辑题的研究表明,LLM解释在语言推理中提升准确率与错误恢复,但未优于仅预测模式。视觉推理中概率支持表现最优,选择性自动化策略为高性能基准。 研究证实AI支持效果依任务而定,建议界面设计需匹配任务类型与用户证据,以促进校准依赖与错误恢复。
EffiSkill 提出两阶段框架,将慢转快代码模式固化为 Operator Skills。在 623 个 EffiBench-X 任务中,其 OPT@8 较最强基线高 4.98 至 12.52 个百分点。 该框架无需执行反馈即可生成 8 个候选方案,通过公开测试过滤及私有测试验证正确性与加速比。
CAF-Score 提出结合 LALM 与 CLAP 的无参考评估指标,在 BRACE 基准上提升与人类判断的一致性。 该指标在 BRACE、RELATE 和 PAM 基准中表现优于单独使用 CLAP 或 LALM,并具备方向对称性。 文章已被 EACL 2027 主会接收,代码已公开。
summary_zh: Terminator 提出了一种 LLM 推理早期停止策略,平均削减 14%-55% 的 CoT 长度,且不影响性能。 该策略利用首次出现最终答案的位置构建最优推理长度数据集,在 MATH-500、AIME 2025、HumanEval 和 GPQA 数据集上超过现有 SOTA 方法。
研究团队发布 WAXAL,这是一个开放且大规模的多语言语音数据集,覆盖 27 种非洲语言,代表超过 1 亿使用者。该数据集包含逾 14,100 小时的语音数据,其中自动语音识别(ASR)语料库有 2,340 小时带转录文本的图像提示自然语音,跨 19 种语言(另有约 11,760 小时未转录音频);合成语音(TTS)语料库约 247 小时,覆盖 15 种语言配置。
该研究提出一种黑盒可解释性框架,通过原子概念编辑学习可验证宪法,从而解释和控制模型行为。在数学推理任务中,干扰变量使 GPT-5 易混淆,但对 Gemini 2.5 和 o4-mini 影响有限;在文生图任务中,GPT-Image 侧重语法合规,Imagen 4 则优先氛围一致性。使用学习得到的宪法控制模型行为,成功率平均提升 1.86 倍。代码已开源。
研究显示,在固定检索流程中,使用逐字对话文本块比LLM提取的结构化工件更准确。 在LoCoMo数据集上逐字块得分为43.9%,而工件提取仅为28.0%;在LongMemEval-S上分别为67.4%和45.4%。 语义图未能弥补差距,有损蒸馏机制是核心问题,结构化记忆应作为逐字文本的补充而非替代。
研究通过三种方法(零样本提示、少样本提示和监督微调)在 GPT-5、Llama 3.1 8B 和 ModernBERT 上评估关键思维子技能。 微调 Llama 3.1 8B 表现最佳,擅长区分高可分性且标签均衡的子技能,但在细微区分或标签不均衡时性能下降。 该探索性研究为在教育真实情境中规模化评估关键思维技能提供了初步路径。
SmartThinker 提出步骤级Token分配框架 SCPO,通过在线估计各推理步骤对正确率贡献来学习选择性保留或压缩,解决现有全局长度惩罚忽视步骤结构的问题。 该框架引入“推理密度”定义以平衡不同价值步骤的压缩压力,并结合长度偏差修正和难度自适应裁剪提升训练稳定性,在9个域内及域外基准测试中实现了更优的准确率与效率权衡。
该研究提出Revela,一个用于自监督检索器学习的可扩展训练框架。它通过在批内注意机制中引入检索器相似度加权的上下文,将检索建模为token块间的依赖关系学习。
BitBypass 是一种利用比特流伪装的 Black-box 越狱攻击,在 GPT-4o、Claude 3.5 等 5 个模型上成功生成有害内容。 它利用数据的连续比特表示而非提示词工程,在隐蔽性和攻击成功率上优于多种 SOTA 越狱方法。 结果凸显了该攻击的高效性,并揭示了对齐 LLM 安全性的脆弱性。
ResBench 是首个专注于硬件资源的基准测试,用于区分资源优化型与低效型的 LLM 生成 HDL 代码,包含 12 个类别共 56 个问题。 该开源框架通过自动生成 Verilog 代码、验证正确性并测量资源使用(主要分析 LUT 使用量),揭示了不同 LLM 在生成 FPGA 设计上的显著差异。
研究显示,在监督微调示例中,基于梯度的数据归因方法追踪的是答案格式相似性而非任务语义。当基准测试共享答案格式时,梯度对齐显著(非衰减余弦相似度接近0.4),而不同格式间无对齐(接近0.0)。这一排序从预训练早期检查点贯穿至后训练阶段,并跨模型规模与家族成立。这表明梯度基于的方法需在与答案格式和任务独立变化的数据上进行测试,以提升鲁棒性和可靠性。
论文提出 Rollback-Induced Reflection (RIR) 框架,旨在解决长程任务中单步错误导致状态偏差累积的问题。 RIR 将恢复视为回滚边界控制问题,在恢复执行至先前状态的同时,保留从失败轨迹中蒸馏出的可复用知识。 实验显示,在三个基准上,该框架能跨多个 LLM 骨干模型一致提升任务性能。
研究发现 LLM 存在“逻辑过度绑定”倾向,导致其偏好与真实用户参与度产生系统性差距。基于 117 万条知乎、Quora 和 Reddit 问答数据,AI 生成内容随参与度增加而强化逻辑结构,而真实用户更响应情感与表达显著性。
summary_zh: Hi-Q 框架通过层级化查询优化解决多跳问答中问题与证据粒度不匹配问题,在三个基准上平均取得 52.3 EM 和 64.0 F1。 该框架依据语料库支持信号动态生成查询树,无需固定图结构;在 MuSiQue-full 测试中领先 RAG 基线 11.5 EM。
IndicQE-APE 基准整合了 WMT 2020-2024 任务资源,包含 9 个方向对的 126,754 个实例,涵盖 4 种标签类型。 该基准在段落级质量估计上评测了 6 个 LLM 和 3 个 COMET 指标,在自动后期编辑上评测了 3 个系统。 研究发现 4-shot 提示法会损害所有 3.4B 及以下规模模型的输出合规性与相关性。 ```
大语言模型在低识字率与专家提示词用户间存在显著性能差异,被称为“提示词特权”。研究提出提示词公平得分(PES)指标及提示词公平 Transformer(PET)智能体,将提示词优化转移至 AI 系统。 实验显示 PET 消除了评估中各组间的统计学显著差异,表明面向可访问性的提示词标准化能提升 AI 访问公平性。