NOMAD-EEG:一种独立于电极数量、身份、顺序和输入长度的原生全适配扩散模型
NOMAD-EEG 是一款拥有 12.0 M 参数的 EEG 扩散基础模型,独立于电极数量、身份、顺序和输入长度,在癫痫检测等任务上性能优于 7 个现有模型。 该模型使用 3D 头皮位置识别电极,并在无补丁(patches)状态下沿时间轴交替使用状态空间层。它在 147 小时无标签 EEG 数据上预训练,在冻结线性探针下于 10 个数据集中对 7 个基础模型进行了评估。
NOMAD-EEG 是一款拥有 12.0 M 参数的 EEG 扩散基础模型,独立于电极数量、身份、顺序和输入长度,在癫痫检测等任务上性能优于 7 个现有模型。 该模型使用 3D 头皮位置识别电极,并在无补丁(patches)状态下沿时间轴交替使用状态空间层。它在 147 小时无标签 EEG 数据上预训练,在冻结线性探针下于 10 个数据集中对 7 个基础模型进行了评估。
BCARP框架通过生物学引导的上下文感知残差传播,实现从组织病理学图像预测空间基因表达,在三个空间转录组数据集上取得最高平均相关性。 该方法将组织病理学嵌入视为形态学视觉先验,在转录组潜在空间中逐步优化斑点表示,融合细胞核引导的局部上下文与原型引导的全局传播,经10个HEST-1k队列验证优于其他基线方法。 论文已被IEEE/CVF冬季计算机视觉应用会议2027接收。
该文提出一种基于 JiT 的去噪防御方法,以应对无线信号自动调制分类中的对抗样本。 该方法通过流匹配训练一维 Transformer 去噪网络,将任意输入投影到干净信号流形上,无需预知攻击类型。 在 RML2018.01A 数据集上,相较于 PGD 对抗训练,该方法在 PGD 攻击下的鲁棒准确率相对提升至少 20.58%;在更高攻击强度下,相对提升至少 39.72%。
AgriDefend是一款基于Raspberry Pi 5的离线边缘设备,通过融合MobileNetV2和随机森林实现作物健康预测。 该设备BOM成本为205美元,约是同类商用节点的五分之一,在无云连接限制场景下具有实际应用价值。
研究提出 TimeWorld 框架,旨在改进时间序列世界模型对动作条件预测的处理。 该框架基于预训练的时间序列基础模型(TSFM),通过原型引导的潜在调制(PLM)模块将文本动作转化为时序动态,并结合动作对比学习(ACL)增强特定动作的响应建模。
研究提出框架比较黎曼流形上Wasserstein和MMD的不同几何版本,发现无统一可靠指标。 基于控制噪声和Riemannian Flow Matching样本,分析度量一致性、噪声敏感性及几何体积缩放关系。 提出报告评估距离、比较度量类型及根据样本几何校准指标的实际建议。
研究者提出 Variational Atlas Autoencoders,一种混合图表框架,通过证据下界将图表分配视为后验推理,实现自监督学习。 该框架引入 latent-evidence routing,根据点与图表潜在先验的距离和置信度进行分配,无需标签即可发现数据流形结构。在 CelebA 等数据集上,其潜在空间结构优于容量匹配的基线,采样仅需评估单个图表解码器。
QViD 是一种无训练、查询感知的视觉 token 剪枝方法,利用 Transformer 注意力中查询-键投影隐含的查询-视觉交互矩阵的低秩结构,识别主导潜在交互模式以指导 token 选择。 在图像和视频理解基准测试中,QViD 在相同 token 预算下一致提升性能,且在激进压缩场景下收益最大。 该论文已被 NeurIPS 2026 接收。
OmniReasoning团队提出基准测试与模型OmniReasoning-30B-A3B,以解决视听联合推理能力不足的问题。 该模型在OmniReasoningBench上取得42.5%的成绩,较基座模型Qwen3-Omni-30B-A3B-Thinking提升9.3个百分点。研究旨在推动全模态联合推理的未来发展。
研究人员推出跨数据集基准 FOCUS,在 10 个公开数据集上评估视网膜眼底模型。覆盖 532 个基础配置及 228 个经 LoRA 微调的 MLLM 配置。结果显示通用 VM 编码器平均排名最高,微调后模型在外部数据集上的校准存在异构转移。该工作为医学影像模型评估提供了实用框架。
提出StepTrigger,一种针对VLM驱动四足机器人的接触状态触发后门攻击,利用Unitree Go1在密集地形步行的足地接触模式作为隐蔽触发器。 该攻击从多模态机器人状态学习选择性策略,区分良性压力事件与有毒接触样本。在分层离线评估中,98.75%的干净行为保留率与76.25%的真触发激活率表明其隐蔽性,揭示了本体感知和接触通道中未被现有防御覆盖的后门表面。
研究团队提出 DIP-CAD 代理框架,结合视觉语言模型推理与 CAD 内核操作,旨在从图像生成保持设计意图的参数化 CAD 模型。 该方法引入 Geometry Explicit Reference Dataset 数据基础。在 DeepCAD 测试子集上,静态生成 mIoU 提升 5.6%,参数编辑任务 mIoU 提升 4.2%。
TOPO$^{2}$ 框架通过拓扑学习从强无序的光场中单次恢复拓扑信息,仅使用常规相机即可提取嵌入 Skyrmion 拓扑的扭曲光学场中的拓扑数。 该 AI 框架在基于拓扑字母表的通信方案中展示了性能优势,证实优于传统方法。 这项研究将拓扑光子学与拓扑 AI 结合,为鲁棒的大容量信息编码和处理开辟了新路径。
提出无需训练的committed reveal sampling(CRS)采样器,通过存储并插入选定的argmax token作为持久上下文,改变了离散扩散模型中并行更新token的机制。 在8至64次函数评估预算下,CRS的生成困惑度(GenPPL)低于固定$p=0.95$和$p=0.9$的top-$p$基线,且分布距离SOL同样随持久上下文降低。
EEG-VID 框架在 42 组对比中 41 组提升平均准确率,最大增益达 16.22 个百分点。 在 VIG-48 的 48 区域跨天任务中,该模型 Top-1 准确率为 6.52%,Top-5 准确率为 30.50%。 结果显示任务引导潜空间预测可作为可迁移的预训练策略,辅助目标选择准确率达 40.24%。
医学影像无监督域适应(UDA)研究评估了完整流水线,涵盖9个数据集、11个场景及80,000余个模型,指出无标签选择是主要瓶颈。 虽然存在高性能适配模型,但现有验证器无法可靠选出最佳模型,集成与少量标注策略虽缩小差距却未完全消除。 解决这一选择环节有助于推动当前UDA技术向临床部署迈进。
该策略通过动态分析Token嵌入相关性,在保留10% Token的情况下将视频字幕基准准确性提升7%,同时降低95%计算量。 方法属于事后处理,无需额外训练或微调,能在静态场景大幅剪枝的同时保留动态场景信息。
提出一种无标签准则,联合选择非监督域适应的算法与超参数,在无目标域标签情况下辅助临床部署。 方法利用多个无标签信号提名各算法模型,跨算法聚合形成参考预测,依据预测一致性选出最优候选模型。 在4项脑MRI与4项胸部X光数据集的7种临床迁移场景下,选择性能优于其他方法。
StableHand 提出了一种质量感知的流匹配框架,用于从第一人称视频中估计世界坐标系下的双手 4D 运动。该模型通过分解腕部平移和手指关节角度为四个质量通道,利用 AdaLN 调制 DiT 去噪器以处理遮挡。在 HOT3D 和 ARCTIC 基准上,该方法将 W-MPJPE 降低了 20-25%,被 NeurIPS 2026 接收。
提出REALM回顾性知识蒸馏框架,实现因果LFP行为解码。 该框架预训练Mamba-2教师模型并蒸馏至紧凑因果学生,参数少于CrossModalDistill一半,预训练时间为其十分之一。 该因果LFP-only模型解码精度媲美非因果多模态模型,为下一代无线植入式iBCI提供可行方案。
MicroWorld 提出基于多模态属性图的结构化知识增强框架,无需领域微调即可提升 MLLM 性能。 在 MicroVQA 上,该框架将 Qwen3-VL-8B-Instruct 的准确率从 48.8% 提升至 67.1%,超越 GPT-5 的 59.4%;构建的知识图谱包含约 10.6 万节点和 262 万条类型化边。
研究者推出 OmicsLM,一个 9B 参数的多模态大模型,将转录组表达谱编码为紧凑连续嵌入,可与自然语言指令及其他样本在同一上下文中交错处理。 模型通过 200 亿 token 继续预训练及 521 万对话监督微调进行训练;在 3000 题的 GEO-OmicsQA 基准全部六个变体及 PerturbQA 扰动反应预测中取得对比方法中最佳平均分,消融实验证实连续嵌入优于纯文本基因列表表示。
研究者提出 BatMIL 方法,采用混合双曲-欧氏几何嵌入空间表征病理全切片图像。 模型利用结构化状态空间序列骨干建模长程依赖,并通过混合专家模块动态路由以处理区域异质性。 实验显示 BatMIL 在七类数据集上超越 15 种最先进的 MIL 方法。
研究团队发布首个 GPT-Image-2 公开数据集,汇集 2026 年 4 月 21 日模型发布后六天内的 10,217 张确认图像。 数据经多语言启发式与浏览器自动化验证筛选,涵盖 CLIP 主题分类、OCR 文本可读性及人脸检测等四维度分析。 发现 Twitter CDN 上传会系统性剥离 C2PA 内容凭证,导致社交媒体来源 AI 图像的加密溯源验证不可行。
研究提出 EAR 范式,将视觉规划重构为单步图像变换,并引入 AMaze 数据集用于抽象谜题探测。 实验评估主流编辑模型发现零样本表现不佳,但基础尺度微调可显著提升领域内外泛化能力。 高性能模型仍无法匹配人类解题效率,揭示了神经视觉推理的持续差距,论文已被 NeurIPS 2026 接收。
SPECTRA 提出了一种多模态贝叶斯低秩适应框架,用于音频文本学习中的不确定性感知。该方法冻结文本和音频骨干,仅在 LoRA 适配器内引入随机性,通过交叉注意力机制利用音频作为局部可靠性信号。
提出多模态 PEFT 方法 CoCo-LoRA,将音频作为上下文信号条件化低秩空间的不确定性,而非融合特征流。 该方法通过池化音频嵌入投影至共享上下文空间,结合局部文本适配器特征,实现轻量级异方差不确定性建模,在多任务评测中匹配或超越纯文本基线。 在低资源多模态预测任务中,CoCo-LoRA 提供了稳健且参数高效的替代方案。
提出 AutoWorld 交通仿真框架,通过自监督世界模型将智能体行为直接锚定于 LiDAR 占用等原始传感器观测。 框架采用由粗到细的预测性场景上下文,结合运动感知的隐空间监督与级联 Determinantal Point Process 采样。在 nuPlan 和 Waymo 实验中,该模型将碰撞率降低 36%。
研究提出多模态一致性得分(MCS),独立评估数据融合质量,而非依赖下游任务精度。该指标分解为身份、空间、语义和决策四个维度,权重通过 Nelder-Mead 优化学习。
HiMu 是一个免训练的分层多模态帧选择框架,通过单次 LLM 调用将查询分解为逻辑树,在标准 16 帧预算下实现了 SOTA 准确率。该框架利用 CLIP、OCR 等专家信号生成帧满足度曲线,且匹配 4 倍帧预算的均匀采样精度。它作为即插即用模块,在 Video-MME 等基准上显著提升了 7 种 MLLM 的表现。
提出名为 CAMEL-CLIP 的脑电-文本对比多模态基础模型,旨在解决通道组成或排序变化引发的异质性敏感问题,并在多个数据集的线性探测评估中取得最高平均平衡准确率。
论文提出免训练的单步推理规则 DAG,通过放大稀疏-稠密注意力差异中检索方向对齐的分量来加速生成,在 FLUX.1、FLUX.2 和 Qwen-Image 等骨干网络上提升了文本对齐与人类偏好评分。 该规则基于 Modern Hopfield 动力学分析,具有弱收缩稳定性,适用于 UNet 和 MMDiT 架构及多步/少步场景,仅需在基础采样器上增加微小单图成本。
该综述系统梳理了医学影像分析中视觉型(VFM)与视觉语言型(VLFM)基础模型的架构与应用。 研究涵盖数据集利用趋势及临床任务,探讨了跨域泛化、计算可扩展性及公平性等挑战。 旨在增强基础模型的鲁棒性与可解释性,加速其向真实医疗实践转化。
FediLoRA 提出了一种轻量级联邦 LoRA 聚合框架,旨在解决机构算力异构导致的 LoRA 秩不平衡及现实场景中模态缺失问题。 该框架利用简单平均和结构化编辑,使全局模型与个性化模型同时受益,在通用域和医疗域基准数据集上表现强劲。 实验证明 FediLoRA 适合医疗等实际部署场景,代码已公开,是目前首个同时应对这两项挑战的工作。
summary_zh: PCoreSet 框架在 11 个数据集上验证了 ActiveKD 的有效性,在 ImageNet 上平均提升 29.07%,且是唯一在 5 个学生模型和 3 个教师模型下持续优于 Random 的选择器。
研究回顾评估了10个胸片AI分类模型在来自六国的12个数据集上的表现,主要结局为95%敏感度下的特异度。 MAVL和MedKLIP总体特异度最高(0.37),但PPV仅0.18-0.19;在机构队列中,多数模型特异度比公开基准低0.09-0.15。 这表明公开基准性能高估了模型在未见数据上的表现,部署前需进行外部验证。
该研究对 12 款最新多模态 LLM 进行基准测试,发现表现最优的模型在零样本下具备强泛化能力,在分布外数据集上甚至超越传统检测管线。 使用提示词微调并分析了模型的推理路径;结果发现,针对深度伪造检测这种小众任务,较新的模型版本和推理能力未必带来提升,而模型大小在某些情况下有帮助。 研究强调了将多模态推理集成到未来深度伪造检测框架中的潜力,并提供了关于模型可解释性的洞察。
研究发现,现实中常用的超分辨率后处理会显著削弱现有 Deepfake 检测方法的效能,导致检测精度接近随机猜测水平。 研究团队发布了首个来自在线换脸平台的真实世界换脸数据集,并定性、定量验证了主流检测器在真实场景及经过后处理后的性能大幅下降。 该研究揭示了学术研究与实际应用间的差距,为提升 Deepfake 检测在现实环境中的鲁棒性提供了关键方向。
JRDB-AVR 提出基于真实机器人数据的主动视觉推理基准,评估具身智能体在受限视野下的证据获取与回答准确性。基准包含时间搜索、视角选择等任务,参考方法 JRDB-AVR-Agent 采用基于图的显式世界模型,代码已开源。实验显示当前 VLM 存在答案正确但缺乏视觉证据支撑的缺口,强调主动评估在具身推理中的必要性。
CLWM 通过反事实对比目标解决预训练编码器导致的“反事实坍缩”,使模型能区分视觉相似但行为后果不同的干预。 在遮挡操作和混淆导航任务中,规划成功率分别提升至 74.6% 和 78.9%,延迟厨房场景的失败率降低至 9.7%。 该方法建立的表征无关指标可审计任意编码器,为具身智能体的动作规划提供了可靠保障。