跳到正文
10月26日周一
  1. arXiv · NLP27

    **title_zh**: MathLens基准揭示多模态大模型推理能力的差异化演进

    **summary_zh**: MathLens基准通过拆解感知、推理和多模态特异性组件,指出单一准确率评估掩盖了多模态推理的细微差异。 该基准包含文本几何题及感知探针,实验显示强化学习主要增强感知鲁棒性,文本SFT则促进反思推理。 随着感知与推理能力提升,剩余错误更多归类为多模态特异性,表明模型进步源于子技能平衡变化而非均匀提升。

  2. arXiv · NLP21

    大音频语言模型中认知损伤决策的因果机制:集中控制与分布式信息

    研究通过消融实验发现,在大音频语言模型中,少量特定神经元的激活即可决定认知损伤预测方向,但诊断信息在整体表征中广泛分布。 在8个开源模型中测试,少量神经元消融导致预测显著偏移;对冻结神经元激活进行线性读取,AUC高达0.92–0.97。 表明模型决策由局部因果机制驱动,而非依赖单一诊断信号的全局分布。

  3. arXiv · NLP28

    Omni-UBench 基准测试全模态 LLM 安全护栏

    Omni-UBench 提出首个全模态安全评估框架,基于 183k 样本和 35+ 异构来源,从安全性、效用及可靠性三方面评测 15 个全模态大语言模型。 测试发现现有护栏难以识别跨模态隐蔽有害意图,且存在大量安全幻觉及对文本模式的过度敏感。 研究揭示了跨模态安全语义理解的不足,为开发更可靠的全模态护栏提供洞察。

  4. arXiv · NLP34

    DraMaze:具备前瞻记忆的微短剧剧本生成多智能体流水线

    DraMaze利用多智能体流水线与前瞻记忆技术生成微短剧剧本,在60集长剧本中降低因果模式重复率32.1%,逻辑得分达82.5,超越最佳基线8.5分。 系统通过套路记忆引导的进化树搜索探索因果路径,并构建反向叙事依赖树检索历史记忆,以解决长程叙事一致性难题。 研究还提出双语基准MiDramaBench,用于评估不同长度剧本的逻辑性与创意质量,验证了模型对复杂叙事结构的支持能力。

  5. arXiv · NLP28

    六个前沿语言模型将17岁答案误判为成年人的行为案例研究

    在针对Claude Fable 5、GPT-5.6 Sol等六个前沿模型的测试中,模型将17岁学生的“幸福”答案误归为成年人的比例高达90%。 研究共运行1081次API会话并评分3225个响应。在1/3的随机猜测水平下,模型的平均置信度却高达73%-88%,且移除选项脚手架后准确率进一步崩溃。 数据、代码和原始模型输出已公开,揭示了自信校准错误与非修正性自我解释的机制。

  6. arXiv · NLP23

    跨情境词汇学习扩展研究:基于儿童自然化体验的数据验证

    该研究在包含48名儿童共2441小时纵向第一人称视频的BabyView语料库上测试跨情境词汇学习模型。模型利用互联网预训练的视觉表征表现优于仅从发育视频学习,且大部分学习信号来自描述可见指代物的少量语句。 结果显示,模型习得的词汇表征呈现出可辨识的人类类语义结构,但其性能轨迹与儿童的实际学习过程存在显著差异。

  7. arXiv · ML26

    PathJev-P:基于决策原生视觉语言模型的组织病理学研究

    基于 MedGemma-1.5-4B 开发的组织病理学模型 PathJev-P,在平衡准确率上优于生成式模型、CONCH 及通用医疗决策模型,得分分别为 0.541、0.492、0.345 和 0.213。 该模型通过 40,000 个 patch 状态数据训练,结合 LoRA 适配器与决策头,在校准误差方面表现良好(ECE 0.204),并在全切片演示中有效区分癌组织。

  8. arXiv · ML20

    基于混合 Transformer 架构的电动汽车座舱噪声监督源分离方法

    该工作提出一种基于混合时-频谱 Transformer 架构的监督源分离方法,用于分解电动汽车座舱内的风噪、轮胎噪等四种声源。 模型通过引入电动车速、车速等工况信息作为条件输入实现声源解混,并利用基于物理的参数化数据生成器合成训练数据。 该验证了该方法在技术系统声学贡献分析中的可行性。

  9. arXiv · ML22

    神经析取范式学习精确秩滤波器

    针对梯度学习形态学算子导数稀疏难题,提出神经析取范式方法学习精确秩滤波器。 该方法通过平滑代理方程隐式微分,在直通程序中保持前向精确评估与后向平滑优化。 实验在MNIST去噪及视网膜血管分割中表现优于精确次梯度及平滑形态学网络。

  10. arXiv · ML33

    Qwen3-VL-4B 视觉语言模型中依赖深度的安全几何:逐层定位与双向拒绝控制

    研究发现 Qwen3-VL-4B 视觉层具备双向拒绝控制能力,不安全拒绝率跨度达 6%-96%,深层则对引导不敏感。 实验基于轻量级推理时框架,通过激活引导揭示不同层级的安全选择性权衡,InternVL2.5-4B 呈现类似深度依赖几何特性。 结果暴露了视觉编码器层面的白盒拒绝绕过攻击面,推动推理时安全表征稳定化研究。

  11. arXiv · ML33

    正则化 RL 提升 sim-to-real 迁移性能

    研究提出基于 soft mellowmax 的正则化算法 SMM-AC,通过增强鲁棒性来改善策略在真实机器人中的部署表现。该算法在 MuJoCo 基准上性能与 Soft Actor-Critic (SAC) 相当,但在真实环境中,面对观测、环境和动力学扰动时,其回报和鲁棒性均优于基线。

  12. arXiv · ML36

    地球嵌入是地表的可分解记录

    研究分解两种地球嵌入产品,证实其包含火灾、森林砍伐及作物类型等生态特征,并依据六大洲独立参考数据完成验证。 嵌入模型将突发冠层损失定位至干扰后首个生长季,且能区分处方式火灾与野火,小火灾检测结果因产品而异。 该发现阐明了用于生态监测与碳核算的年度地球嵌入向量内涵。

  13. arXiv · ML33

    基于22万张胸部X光数据验证临床AI中隐藏亚组差异检测

    在223,228张胸部X光数据的左心室肥大分类任务中,算法发现的亚组表现出0.61至0.90的准确率差距,显著大于传统元数据分析的0.80至0.94。 研究证明这些发现的可解释性,并验证了利用亚组标注缓解模型偏差的可行性。 该方法为增强医疗系统中机器学习模型的性能验证与持续监控提供了实用工具。

  14. arXiv · ML39

    TEM:可扩展的 Transformer 能量基模型用于高质量图像合成

    论文提出 Transformer 能量基模型 (TEM),通过在潜空间运行并提取多层能量进行约束,解决高维采样与训练不稳定性。 引入正向表示对齐 (PRA) 利用视觉基础模型监督中间表示,并优化推理采样策略以提升质量。 TEM-XL 在 ImageNet 256×256 上无需无分类器引导,FID-50K 达 3.82;512×512 分辨率下 FID 为 8.24。

  15. arXiv · ML36

    基于查询模态选择的高效全模态大语言模型推理

    针对全模态大语言模型推理成本高昂的问题,研究人员提出查询级模态选择方法,在 WorldSense 基准上验证了该方法在 Qwen2.5-Omni 和 Qwen3-Omni 上均能优化精度与成本的权衡。 具体而言,对于 Qwen2.5-Omni,该成本敏感学习方法在匹配或超越全模态精度的同时,仅需约 41% 的输入 tokens、39% 的延迟和 61% 的货币成本,显著提升了资源效率。

  16. arXiv · AI32

    World from Motion:基于单目视频的生成式动态高斯重建方法

    研究团队提出World from Motion方法,利用单目视频生成可自由渲染的动态3D高斯表示。该方法通过视频模型校正伪影并填充缺失区域,显著提升新视角合成与3D运动质量。 该方法在4D重建任务中确立新的最佳水平(State of the Art),并能泛化到包含大幅度视角变化和动态运动的野外视频。

  17. arXiv · AI31

    MedAction 通过主动多轮诊断微调 8B 模型提升开源医疗 LLM 性能

    研究提出 MedAction 流水线,通过 LLM 与环境交互合成多轮诊断轨迹,解决现有医疗模型在证据逐步演变时缺乏行动能力的问题。 使用知识图谱指标 DTC 和 RAC 过滤质量,构建包含 32,681 条轨迹的 MedAction-32K 数据集。 基于该数据微调的 8B 模型在 MedR-Bench 和 MedAction-300-Hard 上达到开源模型最佳性能。

  18. arXiv · AI28

    ACG 免训练方法高效缓解 LVLMs 幻觉

    提出免训练的注意力空间对比引导方法 ACG,单次前向计算即可在自注意力层纠偏,显著降低幻觉。 该方法通过构建图像与文本对比注意力路径,并施加轻量正交投影抑制文本偏差;在 CHAIR 和 POPE 基准上保持描述质量,延迟较多路径方法最多降低 2 倍。 论文已被 CVPR 2026 Findings 接收,提供公开代码。

  19. arXiv · AI32

    AU-Harness:用于音频大语言模型高效统一评估的开源工具包

    开源工具包 AU-Harness 解决音频大语言模型评估效率低与支持不足的问题,将评估处理时间减少 77%。 其提供标准化评估协议和灵活配置,支持多轮对话动态分析,使大规模系统评估成为可能。 该框架推进了音频大语言模型的系统性开发,并揭示了现有模型在音频推理能力上的局限。

  20. arXiv · AI25

    NGTR框架:面向视觉大语言模型表格识别的基准测试与邻居引导工具链推理器

    提出NGTR框架与基准测试,通过邻居引导工具链提升视觉大语言模型在无训练场景下的表格识别能力。 实验证实该方法显著增强模型对低质量图像输入的识别表现,发表于IJCAI 2025会议。 为无结构表格识别提供替代解决方案,解决视觉输入瓶颈问题。

  21. arXiv · AI38

    质量感知自蒸馏提升 GUI 定位:软门控与概率缩放协同校准教师信号

    针对 GUI 定位任务,提出质量感知自蒸馏(QA-SD)方法。该方法引入软门控机制验证教师预测在偏离前缀下的正确性,并结合教师置信度进行概率缩放校准。 实验表明,软门控与概率缩放单独使用均无法提升性能,但二者结合后在六个 GUI 定位基准测试中一致优于基线模型,实现了优势互补。

  22. arXiv · AI22

    MEDMKG:多模态医学知识图谱基准

    MEDMKG 提出多模态医学知识图谱,融合 MIMIC-CXR 与 UMLS 数据,通过 LLM 构建概念关系。 引入 NaF 过滤算法保证图谱质量,在六个数据集上评测 24 种基线方法,提升下游医学任务性能。 为医学 AI 多模态知识整合提供基础,已被 ACM Multimedia'26 接收。

  23. arXiv · AI30

    DexPort 手持灵巧手数据采集接口发布

    DexPort 是一种便携式灵巧手数据采集接口,通过记录命令关节目标与测量关节状态,支持使用行为克隆训练视觉运动策略。 研究人员利用该设备在实验室和野外环境收集了超过 2,500 条演示数据,覆盖 4 类任务。使用记录的机器人指令而非状态,任务成功率从 11% 提升至 64%;引入野外数据后,成功率进一步从 36% 提升至 78%。