跳到正文
11月18日周三
  1. arXiv · ML45

    研究扩散模型学习基本视觉技能泛化能力

    研究人员提出受控实验框架 Visual Generative Lab (VGL),用于评估扩散模型在尺寸、位置等7项基本视觉技能上的泛化表现。该框架通过生成合成数据,发现模型的外推能力有限,组合泛化效果主要取决于技能组合数量而非数据集大小,且各项技能通常独立失败。 VGL 采用基于规则的任务指标精确测量泛化能力,揭示了默认设计下尺寸与位置外推在训练范围附近迅速退化,计数准确率仅约50%。

  2. arXiv · AI35

    CueClash:前沿视觉语言模型在接近图像平面的 3D 关系判断中存在偏差

    研究提出 CueClash 数据集,揭示 Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等前沿视觉语言模型在判断 3D 关系时依赖 2D 视觉线索。 低推理力度下,这些模型的“捷径差距”达 +18 至 +37 个百分点;提供地面坐标后可正确率达 99% 至 100%。 模型生成的场景地图多保留深度顺序但缩短深度,表明其 3D 空间理解仍存在局限。

  3. arXiv · AI21

    EgoHandWAM:探索第一人称视角世界行动建模中手部运动的作用

    EgoHandWAM模型预测3D手腕轨迹与未来视觉特征,在751,065个EgoDex窗口上训练,使用冻结的DINOv2编码器。 仅预测动作将使2秒手腕末端误差从60.26降至56.48mm,添加未来特征监督对轨迹精度影响甚微;利用记录的手部历史使平滑L1误差降低1.32%,随机打乱历史则会消除这一增益。

  4. arXiv · AI29

    模型是否使用其引用的内容?针对小型视频语言模型中基于依据的推理链的反事实测试

    该研究通过反事实干预测试了 2-3B 视频语言模型是否真正依赖其引用的区域。 结果显示,在 CLEVRER 数据集上引用间隙为 0.089,而在 NExT-QA 上仅为 0.003。 这表明仅检查引用位置不足以验证推理有效性,必须移除链条中明确命名的实体以检测答案依赖。

  5. arXiv · ML24

    视觉语言模型检索增强中的接地错觉:GIB-200K 对 LLaVA 与 InternVL3 的评估

    研究指出视觉语言模型在检索增强中存在“接地错觉”,即正确答案未必基于图像证据。 基于 COCO 等数据集构建的 GIB-200K 基准显示,LLaVA 存在知识惯性(文本权重高于图像),而 InternVL3 偏好图像;干净输入准确率虽达 92.5%-94.2%,但在恶劣条件下骤降至 41.3%-59.9%。

  6. arXiv · AI23

    基于 Token Commitment 的掩码扩散生成控制面

    该研究提出将 Token Commitment 作为独立控制面,通过反事实目标感知承诺与校准自适应预算机制引导扩散生成。在 LLaDA 家族及 Dream-7B 模型上,两种机制实现了目标质量的单调权衡,且无需额外方向即可应用于对话摘要与图像描述任务。

  7. arXiv · AI26

    PeriaTrace:基于根尖X光片的牙位级诊断与患者导向解释框架

    PeriaTrace 是一款整合牙位级诊断、视觉定位报告生成及患者友好解释的三阶段框架。在内部评估中,该框架宏观 Dice 系数达 85.35%,联合牙位定位及 FDI 识别 F1 分数为 94.37%。外部评估显示资深牙髓病医生认为 91.16% 和 84.52% 的报告适合保留或修订,生成耗时平均 4.41 秒,比手动起草快数十倍。

  8. arXiv · ML38

    Gaze-RL 利用潜在奖励落地场重新分配多模态强化学习中的轨迹级奖励

    多模态强化学习中结果奖励分配在完整生成轨迹上,而视觉证据在响应中位置稀疏且不均匀,限制了token级优化。 Gaze-RL 提出一种表征驱动的策略优化方法,通过计算内部跨模态几何结构和局部预测不确定性得到“潜在奖励落地场”,将轨迹级优势重新分配到视觉锚定且承担决策的关键位置,保持均值为一、保留每次 rollout 总信用并仅改变逐位置分配。

  9. arXiv · ML21

    视觉-语言融合扩展定律:VLM 早期与晚期融合的权衡

    该研究提出统一扩展定律,揭示视觉-语言模型(VLM)中早期融合与晚期融合在固定数据预算下的性能权衡,表明模型规模扩大时早期融合优势更显著。 定律通过分离基础学习轨迹与模态竞争驱动的分布偏移来建模验证损失,实现了对混合比例、训练步长和模型规模下损失的准确预测。

  10. arXiv · ML24

    视觉相似度选择演示并非有效:基于闭环效用的上下文演示选择方法

    在检索增强视觉-语言-动作模型中,基于闭环效用选择演示的池在760集配对回合中成功率达66.4%,视觉相似度选择仅达55.7%。 效用比相似度高出10.8个百分点,且在19个任务中的18个未平局任务上表现更优;相似度选择与随机选择无显著差异(+0.1个百分点)。 通过效用筛选的5演示池比预置20演示池高7.0个百分点,效用排序检索在完整池内高4.5个百分点。

  11. arXiv · ML20

    PCGRL 用于复杂平台游戏:通过膨胀包络和正向课程生成可玩且多样化的关卡

    物理感知课程引导 PCGRL 框架解决复杂平台游戏长序列生成中的探索瓶颈与扩展限制,显著提升结构多样性并维持高物理可玩性。 引入膨胀体积包络机制将连续运动可行性融入 MDP 离散状态空间,结合中间状态转移反馈和多阶段正向扩展课程学习实现长时程稳定信用分配。

  12. arXiv · AI36

    EDA:面向证据驱动多模态抑郁症分析的观察、验证与评估框架

    提出EDA框架,通过观察、验证和评估三个阶段实现基于证据的多模态抑郁症分析,解决长录音摘要中单一观测来源及决策相关性难以审查的问题。 在D-Vlog和LMVD数据集上,基于7B冻结骨干的EDA支持使F1分数在D-Vlog Leave-Query-Out和LMVD上分别比直接预测提高7.61和9.88个百分点。

  13. arXiv · AI24

    DARWIN:用于海洋智能的地理空间基础模型

    DARWIN 是一款海洋地理空间基础模型,在预测 2022 年 氯-a 浓度时,每月相对误差均低于无编码器基线及随机初始化模型。 模型采用缺失感知编码与傅里叶位置嵌入,基于 26 年 Copernicus 再分析及 GEBCO 水深数据预训练。 在仅使用 10% 监督数据时,其表现已超越使用 100% 数据训练的随机初始化模型。

  14. arXiv · ML31

    首个 AI 驱动的 OSSE 框架评估 FourCastNet V2、GraphCast 等模型物理一致性

    研究人员提出首个基于 AI 的观测系统模拟实验框架,用于评估 AI 气象模型对物理一致性的复现能力。 实验涵盖 FourCastNet V2、GraphCast、Aurora 和 Prithvi WxC 四个模型,在 60 天预报周期中植入 ERA5 温度场以推断大气状态。 不同架构模型对观测响应的表现各异,基础模型产生最强影响,而 GraphCast 在特定层级配置下出现可修正的数值不稳定现象。

  15. arXiv · ML22

    用于识别犯罪报告潜在差异的城市表示学习方法

    基于墨西哥城逾 180 万条犯罪记录,提出自监督城市表示学习框架及 NPD 指标,用于检测异常报告模式。 该方法在 1058 个 H3 区域中实现 0.4052 的平均 Silhouette 分数,显著优于 Hex2Vec 的 0.2863。 NPD 排名在邻域尺寸变化中保持高稳定性(Spearman 0.9720-0.9951),可作为识别需进一步调查区域的内部审计机制。

  16. arXiv · ML25

    AdaFlowLite:面向异步移动端多模态数据的非阻塞推理框架

    AdaFlowLite 通过机会性推理和分层模态亲和度矩阵,实现了异步移动端多模态数据的实时非阻塞推理,支持多种模态和下游任务而无需重新训练。 该方法采用多模态轻量级 Swin Transformer(MMLST),将推理延迟最高降低 80.4%,准确率最高提升 62.1%,能耗接近降低 50%,并可用于增强 LLM 处理异步数据的预处理性能。

11月17日周二
  1. arXiv · ML26

    LatentUM:潜空间统一模型释放交错跨模态推理潜力

    论文提出 LatentUM 模型,在共享语义潜空间表示所有模态,消除像素空间中介,实现灵活的交错跨模态推理与生成。 该模型在 Visual Spatial Planning benchmark 上取得 SOTA 性能,并通过自反思提升视觉生成、预测未来视觉状态,展示了世界建模能力。 代码和模型已在官方链接公开,该工作入选 NeurIPS 2026 Oral。

  2. arXiv · ML20

    CB-LNL:利用带噪标签学习实例分割

    提出结合前景与背景证据指导局部监督的CB-LNL方法,旨在应对噪声标签下的实例分割挑战。 该方法基于COCO和LVIS标注审计,并引入覆盖人类标注及SAM2弱提示掩码的基准测试。 实验显示,相较于直接教师掩码替换,CB-LNL在程序化轮廓噪声训练上性能更优且有害编辑更少。

  3. arXiv · AI22

    DeCO:通过判别性证据组合实现细粒度数据集蒸馏

    DeCO 方法将细粒度数据集蒸馏转化为预算受限的判别性证据保留问题,并在 CUB-200-2011 等基准上超越现有基线。 该方法利用预训练 TransFG 教师进行注意力展开以识别信息斑块,通过空间多样化减少冗余,并将同类区域打包成紧凑的网格图像。 该研究被 NeurIPS 2026 高效深度学习基础研讨会接收。