跳到正文
10月28日周三
  1. arXiv · AI28

    VitalAgent:基于可穿戴生理数据反应性与主动性监测的工具增强型智能体框架

    VitalAgent 提出了一种基于 ECG/PPG 信号的 mHealth 工具增强型智能体框架,支持反应性问答与主动性监测。 该框架构建了纵向生理记忆,并引入了 VitalBench 基准(含 1,862 个问答对和 90.2 小时连续记录)。 实验显示其反应性评估比基线提升超 25 分,能实现长期生理信号预警,获 NeurIPS 2026 工作坊接收。

  2. arXiv · AI37

    EEGaze: 基于 EEG 显著性优化的多模态视觉搜索注意力预测

    研究提出首个整合 EEG 信号的视觉搜索人类注意力预测方法 EEGazeNet,并发布最大公开多模态数据集 EEGaze 140。 数据集包含 36 名参与者在 140 个自然场景下同步记录的 EEG 与眼动数据,涵盖桌面图标搜索及杂乱车间寻物两类场景。 在综合评估中,EEGazeNet 持续优于所有基线方法及消融条件,验证了 EEG 引导显著性优化在适应用户认知状态方面的有效性。

  3. arXiv · AI21

    CounterFlow:基于目标条件流匹配的视觉反事实解释框架

    CounterFlow 提出一种基于条件流匹配的新框架,通过直接引导源图像转向用户指定目标类来生成视觉反事实解释。 利用目标条件向量场,该框架在标准基准上达到 SOTA 性能,兼顾视觉真实感与目标类切换,且计算开销低于传统 GAN 或扩散架构。 直接在原始像素空间工作,CounterFlow 为真实世界部署提供了更具实用性的解决方案。

  4. arXiv · AI27

    基于多模态框架对齐自主机器人与人类目的

    提出利用LLM和VLM实现开放环境自主机器人与人类目的对齐的多模态框架。 该框架分为语义对齐、任务生成和驱力建模三层,通过双向交互循环将自然语言人类目的转化为机器人任务与驱力。 仿真与实体机器人实验验证了其生成有效任务与行为的能力,支持交互式场景下的有效人机对齐。

  5. arXiv · AI40

    GUIFlow:面向 GUI 智能体时间冗余感知增量推理框架

    GUIFlow 框架提出时间冗余感知增量推理,在离线多图像基准测试中实现最高 3.39 倍几何均值加速。 框架通过位置对齐注入历史 KV 状态、变更信号引导视觉与语言模型选择性更新、早期动作响应作为投机草稿由目标模型验证,实现全流水线增量推理。 该方法无需额外训练、独立草稿模型或修改模型可见输入,在 OSWorld 在线交互中加速最高达 3.49 倍,任务性能与密集基线相当。

  6. arXiv · AI28

    Gangqinpu:一个对齐音频、MIDI 与乐谱的多流派钢琴数据集

    Gangqinpu 发布了一个包含 18,786 组乐谱-演奏对、1,007.1 小时源音频的多流派钢琴数据集,具备自动音符级对齐功能。 该数据集覆盖流行、古典、爵士、民谣、摇滚及布鲁斯,通过自动管道生成标签并构建与 ASAP 的联合划分。 下游实验表明其在节拍跟踪任务中取得跨数据集增益,且在转写与表现力渲染任务中提供域内收益。

  7. arXiv · AI26

    Audio-R1:基于自监督任务的音频推理强化学习框架

    研究团队提出 Audio-R1,这是一种针对大型音频语言模型的强化学习后训练框架。该框架利用自监督学习作为可验证奖励来源,通过自动判定答案来验证模型响应并计算奖励。 实验表明,Audio-R1 在多种音频基准测试中带来了稳定的性能提升。与监督微调相比,Audio-R1 不仅提高了自监督任务准确率,更显著增强了模型在独立下游任务上的表现及推理轨迹质量。

  8. arXiv · AI25

    CNN-ViT 交叉注意力融合模型在急性卒中分类中的多中心外部验证

    该 CNN-ViT 模型在内部卒中数据集上取得 95.48% 的 F1 分数,多中心外部验证 F1 分数下降至 58%-62% 区间。 内部高分受硬件噪声干扰,模型缺血性卒中敏感性仅 57%,易误诊为出血性卒中;DenseNet201+ViT 骨干多随机种子方差最低(0.59),稳定性最高。 研究强调未来需结合 3D 体积提取与临床数据的多模态架构,以解决内部验证假象问题。

  9. arXiv · AI32

    无证据的坚定:医学视觉语言模型判决稳定性独立于视觉 grounding

    研究发现医学视觉语言模型在缺乏诊断图像时,其判决的坚定程度与有图像时并无差异。 在 60 道测试题中,对抗性压力导致无图判决翻覆率(98.1%)略高于有图(94.4%),且模型在内容空洞的怀疑下未稳定,平均发生 7.4 次变更。 表明用户无法通过认知信号区分基于证据的诊断与虚构结论,模型即使识别缺失证据也无法在压力下维持弃权。

  10. arXiv · AI33

    T2L-ICAG:通过上下文适配器生成提升大型音频语言模型的组合泛化能力

    研究人员将Text-to-LoRA(T2L)扩展至大型音频语言模型(LALM),提出上下文适配器生成(ICAG)方法,生成指令条件LoRA适配器以增强组合泛化。 在SIFT-50M上监督微调后,T2L-ICAG在两个代表性LALM骨干上持续优于静态LoRA和全局嵌入基线,且在结构化域外任务上增益更大。 该方法表明从指令生成任务特定适配器是提升LALM组合泛化的有效方向。

  11. arXiv · AI29

    RoboReason:通过可扩展数据生成提升机器人相关 VLM 推理能力

    RoboReason 提出基于双目和手腕相机图像的空间时序排序任务,以评估视觉语言模型(VLM)在机器人下游任务中的推理能力。 实验表明当前 SOTA VLM 在排序任务上表现不佳;采用自主数据生成管线,结合监督微调(SFT)与强化学习(RL),可显著提升模型在时空排序及机器人下游任务中的推理性能。 该方法有助于克服真实世界评估成本高的难题,推动 VLM 在机器人操作管线中的实际应用。

  12. arXiv · AI28

    DROA-CLIPSeg: 基于提示引导的低光条件下细裂缝分割方法

    DROA-CLIPSeg 框架通过微调 CLIPSeg 视觉语言主干解决低光条件下路面细裂缝分割难题。 该模型仅训练 1.93M 参数(占全模型 1.3%),注入 QKV 低秩适应与领域残差正交适配器模块,提升裂缝拓扑保留能力。 在两个数据集上超越 13 个基线,零样本泛化至 MVTec AD,论文已被 BMVC 2026 接收。

  13. arXiv · AI26

    WorldFailBench:世界模型是否理解策略失败

    研究提出 WorldFailBench 基准,用于评估世界模型能否忠实模拟机器人策略的失败原因、阶段及边界。 该基准涵盖 LIBERO 和 RoboTwin 仿真环境及 G1 人形机器人的操作任务,包含三项评估任务。 实验测试了七种世界模型,发现其在理解策略失败方面存在显著差距,为提升策略评估可靠性提供了指导。

  14. arXiv · AI28

    VLMProbe:用于视觉语言模型探测与解释的开源库

    开源库 vlmprobe 整合了 lens 读出、注意力归因及稀疏自编码器分析,提供统一模型接口以解释视觉语言模型内部表征。 框架包含共享适配器与评估流水线,支持跨架构对比。研究发现不同分析目标下,局部归因估计可能与实际干预效果不一致。 该库为比较解释方法结论及测试模型行为假设提供了可重用基础。

  15. arXiv · AI24

    Aerial-R1:在 MLLMs 中强化空中推理与分割

    Aerial-R1 是首个通过强化学习机制增强空中视觉推理与分割能力的 MLLM 框架。该模型借鉴 DeepSeek-R1,引入 H-GAWR 策略以适配非自回归掩码生成,并建立显式拒绝机制以抑制模型幻觉。在 VSAI-Ref 基准测试中,Aerial-R1 的分割精度显著超越 SFT 基线,有效缓解了低信息场景下的严重幻觉。

  16. arXiv · AI35

    NPC-RubricBench:纵向癌症护理中多阶段临床推理的大语言模型基准

    研究人员发布 NPC-RubricBench,这是首个感知阶段的基准,用于评估大语言模型在鼻咽癌全病程中的多阶段临床推理能力,该基准基于405名患者的941个患者-阶段单元构建。 评测显示,30个大语言模型在诊断阶段的高性能未能转化为下游护理优势,且医疗适配模型的遗漏率高于通用模型。 该研究指出,静态诊断基准不足以保证临床可靠性,凸显了多阶段医疗AI中阶段自适应保障机制的重要性。

  17. arXiv · AI34

    SAP-ViT:用于医学图像分类的自归因补丁视觉Transformer

    提出SAP-ViT模型,通过聚合最后一层补丁嵌入替代CLS token进行预测,实现分类结果可分解为补丁级贡献。 采用稀疏正则化增强权重分布简洁性,并引入输入空间反向映射机制定位关键输入补丁。在多个医学图像分类数据集上验证,该模型在保持高分类性能的同时提供一致且可解释的补丁级解释。