HAD-VLM 结合扩散模型提升医学超声定量测量精度
HAD-VLM 采用混合自回归-扩散框架,在 EchoNet-LVH 四项超声任务中 MAE 降低 21.4-37.6%。该模型通过扩散过程预测五分量表示,结合坐标-长度一致性机制与集成预测提升精度。其统一了语言交互与解剖学锚定的数值预测,用于定量医学影像分析。
HAD-VLM 采用混合自回归-扩散框架,在 EchoNet-LVH 四项超声任务中 MAE 降低 21.4-37.6%。该模型通过扩散过程预测五分量表示,结合坐标-长度一致性机制与集成预测提升精度。其统一了语言交互与解剖学锚定的数值预测,用于定量医学影像分析。
论文提出一种基于策略自我蒸馏的自训练框架,利用自生成问答对和特权推理演示实现模型后训练,无需依赖更强外部教师或人工标注信号。 该方法仅凭高层级主题描述,引导模型合成自身查询和推理轨迹,在文本和多模态领域实现一致性能提升,且保留未自训练领域的原有能力。 研究证明了基础模型具备丰富的潜在能力,无需外部任务监督即可在标准语言基准和视觉问答任务上持续自我改进。
该框架利用混合 CNN-LSTM 编码器学习紧凑的玩家嵌入,实现从原始输入序列中提取行为指纹。 在玩家识别任务中,基于参考嵌入构建的最近质心分类器达到了 0.950 的已见玩家平衡准确率和 0.879 的未见玩家准确率,证明了模型良好的泛化能力。
研究提出 SP-Guide 框架,通过空间先验跨模态编码器增强空中视觉语言导航,解决现有方法中跨模态空间对齐不足的问题。 该框架包含指令增强解码器和目标收敛滤波器,在 CityNav 基准测试中,其成功率优于代表基线,且在未见过的环境中提升幅度最大。 物理基础的空间先验为鲁棒的中空视觉语言导航提供了有效的归纳偏置。
SemGeo-Gen 提出一种无监督方法,利用弱对齐 3D 对象集合自动生成近似语义-几何监督。 该方法通过 DINOv2 特征提升与连续分段仿射配准生成对应关系,在 KeypointNet 稀疏人工标注上验证时,获得 93% PCK@0.10 和 97% PCK@0.15。
研究团队提出路由模型 EditJev,利用单个前向传递直接预测候选图像编辑模型偏好。该模型结合质量评分与速度评分,在 ImgEdit 等数据集上实现质量提升与延迟降低。 EditJev 采用视觉语言主干加偏好头,避免生成式解析。 实验显示其提升整体编辑质量并降低 31.7%-60.8% 端到端延迟。
提出一种结合韵律、频谱特征、语音学及歌唱技巧的可解释歌唱情感识别框架。 该框架使用 SHAP 和 GRAD-CAM 解码模型决策,评估显示特定特征降低了跨歌手变异性。 分析揭示颤音和咽腔技巧是情感表达的关键线索,颤音效果随语速变化。
SAAF 提出信号感知自适应融合框架,通过双信号自适应采样器与阈值门控级联架构,在无需训练数据的情况下实现零样本视频异常检测。该框架在 XD-Violence、MSAD 和 ShanghaiTech 基准测试中分别取得 92.07%、86.70% 和 80.54% 的 AUC-ROC 成绩。
DIGOM 提出了一种基于图的多模态医疗结果预测框架,联合建模三种互补的交互类型。该框架在 MIMIC-IV 和 NIH-TB 数据集的五个临床任务中实现了最高的 AUROC 分数。 DIGOM 通过可微机制采样稀疏多重图,并采用消息传递机制整合关系上下文,比现有方法使用更少的连接。
Self-RefineVQA 是一种无需训练的推理时自校正框架,显著提升表格视觉问答(VQA)性能,使 2B-7B 参数小模型性能比肩更大模型。 该框架让单一 VLM 迭代充当生成器、批评者与优化者,通过提示引导的自我反馈闭环纠正空间错位与逻辑幻觉。 实验表明其具有更高数据效率,消除了微调所需人工标注瓶颈,成为可靠表格推理的可扩展范式。
研究团队发布 4DMemoryBench 基准与 LongVideo 数据集,包含 900 小时视频及 5000+ 人工审核问题,用于评估长时空推理能力。 该基准测试了 13 个领先模型,发现独立模型在长时程任务中表现不佳,但引入包含 22+ 工具模型的 4DMemory Harness 后,所有模型性能提升超 50%。 旨在推动能解决复杂长时程任务的时空智能体发展。
summary_zh: ChoreoStudio 是一种音乐驱动团体舞蹈生成方法,在 AIOZ-GDance 数据集上实现了运动质量、团体组织和队形动态的 SOTA 性能。
Part-DINO 提出一种无需训练的框架,将低层图像分割的边界与 DINO 的语义特征结合,通过在区域内池化 DINO 特征实现部件发现。 该框架利用边界检测器提供的几何信息弥补 DINO 特征缺失,在 CUB、CelebA、PartImageNet-OOD 和 PartImageNet-Seg 四个标准基准上超越了无训练基线,并保持与弱监督和非监督方法的竞争力。
研究发现多语言大语言模型中否定表示具有跨语言共享性且可被因果控制。基于六个开源模型在英法越中四语的干预实验,单一稀疏自编码器特征即可控制极性。 研究使用合成对比数据集及FLORES-200衍生否定翻译数据集,证明提取的对比激活方向在不同语言间高度对齐。干预效果可泛化至另外四种语言及FLORES衍生句子。 作者已开放数据与代码以支持后续研究。
PFIR 方法将 3D MLLM 零样本识别准确率从 60.5% 提升至 66.7%。基于 PartNeXt 构建 50.7 万 QA 对,利用双目标 GRPO 强化学习,针对几何模糊样本提升幅度达 2.6 倍。该研究验证了部件级功能推理是增强 3D 识别泛化性的有效路径。
针对单图 3D 场景构建难题,提出 Easy-3Dfy 组合式工作流,解耦物体生成与场景布局估计。 该流程利用 RPF-based aligner 建立物体局部网格与部分场景点图的几何对应,实现场景组合。 Easy-3Dfy 无需完整场景级监督,在 Scene-Maker 和 3D-FUTURE200 数据集的几何指标上持续优于 SAM-3Dfy。
稀疏自编码器(SAE)表征能提取 OpenVLA 激活中的结果预测信息,在机器人进入不可恢复状态前预测任务失败。 研究识别了与成功或失败阶段相关的 SAE 特征,并通过定位时间间隔揭示重复行为模式。 基于 VLM 的解释流水线生成行为描述,验证了其与特征激活的对应关系,为物理 AI 安全提供诊断工具。
研究提出 Uni-Stream,一个基于紧凑预训练语音模型的统一流式语音语言模型,支持语音识别与合成双向交互。 模型通过两阶段训练处理交织的文本与语音流,性能接近专用任务模型。研究者将公开发布生成的转录文本及词级时间戳。 分析发现语音与文本在统一架构中占据不同的潜在特征空间,且模态内表征在深层网络变得更依赖任务。
Kolibri 是一款由 Aleph Alpha 开发的英德双语混合专家模型,总参数量 78.1B,每 token 激活 3.46B 参数,以 Apache 2.0 许可证开放权重。
该研究提出图-文本模板框架,用于选择性复用移动 GUI 智能体的执行轨迹,从而降低冗余推理开销。 在 AndroidWorld 基准测试中,该方法平均减少 80% 的 LLM 推理 token 消耗,并为大多数基础智能体提供至少 1.5 倍的执行速度提升。
提出一种基于冻结模型的可追溯智能体框架,通过证据驱动验证与提示词空间适配,无需更新权重即可优化多模态情绪推理性能。 在 MER2025 数据集上,该方法在 Qwen2.5-VL-7B-Instruct 等四个 MLLM 上提升 F 分数 0.6–2.2 分(如 Qwen 从 52.3 提升至 54.5),优于静态基线,论文被 NeurIPS 2026 ReMuCAI 研讨会接收。
该研究提出将多模态嵌入域从单位球面更改为概率单纯形,利用非负、单位质量约束实现跨模态校准。 在五个多模态检索基准测试中,该方法将质心 L2 间隙减少 97-99%,检索性能匹敌或超过标准无约束模型。
新基准 IGG 要求智能体通过交互使不可见目标显现后再点击,包含 601 项任务。人类准确率 94.6%,GPT-5.5 为 79.4%,最强开源 VLM 仅 31.6%。结果显示瓶颈在于执行显现交互而非识别目标,且该能力可学习。
针对多模态大语言模型在情绪识别中语义邻近情绪混淆的问题,提出首个智能体技能框架CASE。 通过维护自进化的EmotionSkill库并将专业知识外化,在保持模型参数冻结的同时实现跨模型迁移。 在CA-MER等数据集上,使Qwen3-VL-8B在CA-MER基准上的平均准确率从46.80%提升至59.13%。
PILOT 框架通过引入先验和后验分布作为共享 MLLM 的两种推理模式,在 MMEB-V2 基准测试上超越了主要基线模型。 在 2B 和 7B 参数规模下,整体得分分别提升 3.2 和 3.3 分,其中视觉文档检索任务增益最大,分别达到 +6.1 和 +6.4 分。 研究验证了将关系监督作为引导推理探索的信号,比单纯作为事后奖励更有效。
研究提出物理接地的多模态智能体,用于非平稳响应科学仪器的自适应控制,在 EXL-50U 平台的 455 次历史 shot 时序回放中完成验证。该智能体由确定性算法提取符号量与视觉证据、两层记忆组织轨迹与程序知识,并由 MLLM 生成候选动作、独立可行性校验执行前约束。
多模态强化学习中均匀分配响应级优势会忽视视觉与推理的不同作用,提出即插即用框架 OVC 以解决该问题。OVC 通过相对视觉编码和结果校准,将视觉关联与 token 级信用分配分离,无需辅助奖励模型。该框架在六个基准测试中使模型平均准确率提升 1.86-2.39 个百分点。
summary_zh: MedCaseAgent 提出了端到端的智能体推理范式,通过整合患者级数据挖掘与迭代式工具集成推理,将非结构化临床笔记转化为发表质量的罕见病病例报告。
研究团队推出多模态基准 RxnExBench,包含 3,565 个专家标注反应和 2,361 个分子结构,采用统一 schema 定义 15 种反应角色和 26 个核心字段。
PEAR 提出自适应优势重塑方法,提升多模态推理感知与探索能力。 实验显示在 Qwen2.5-VL-3B/7B 上,PEAR 在多模态推理基准及文本推理任务中取得最高平均性能。
Ψ-0.6 是一款统一的视觉语言世界模型,通过自适应组合感知、语言、几何和仿真实现“思维流”,零样本下在多图空间推理上超越领先的开源权重模型。 该模型支持反事实仿真,生成并解读想象场景;强化学习从任务反馈中联合优化中间表示的选择、生成与使用,提升视觉问答准确率并泛化到未见基准。 Ψ-0.6 为自适应物理推理提供路径,不仅预测物理世界,还能选择用于推理的表示。
论文提出 DriveMind 框架,在 Bench2Drive 上将 Driving Score (DS) 从 68.50 提升至 81.37,Success Rate (SR) 从 41.36% 提升至 54.09%。
可灵AI于10月15日将Kling 4.0正式全量上线,支持最长30秒原生生成与多关键帧控制。导演金性洙、李少红、陆川及多位国际制作团队表示,Kling 4.0在大幅动态表现、物理交互、角色一致性和复杂指令遵循方面显著升级,能减少无效生成并提高素材可用率。
推荐理由:原文列举了多位行业导演及制作团队的实际项目反馈,读者可据此了解Kling 4.0在物理交互、角色一致性等维度的专业应用表现。
面壁智能参与举办 CNCC 2026 第三届端侧大模型论坛,展示 MiniCPM 系列累计下载量突破 6000 万次、17 次登顶 Hugging Face 榜单的进展。
Google Research在IDWeek 2026发布MedGemma开放权重多模态模型,包含4B和27B参数配置,可在设备端本地运行。该模型与MedSigLIP结合用于肺结核筛查,已在全球获得超过1000万次下载,并支持印尼卫生部微调后用于每年5000万人的国家筛查计划,确保患者数据留在本地。
推荐理由:原文明确开源了MedGemma多模态模型并用于印尼TB筛查,读者可据此了解基础模型如何支持本地化医疗部署。
科大讯飞发布端云一体星火X2.6,实现全国产算力下的模型训练与推理,长上下文训练效率提升约4倍,推理效率提升4.5倍。同步发布星火语音基座大模型SparkAudio 1.0,整体效果提升20%,响应时间降低15%。推出讯飞星帆WinWork数字员工平台,支持80余类数字员工上线,Token消耗节约44%。
推荐理由:发布端云一体模型X2.6及SparkAudio 1.0,通过长程训练与动态并行技术,实现全国产算力下的高效推理与成本优化。
该研究提出双阶段框架,通过流匹配采样固定维度潜在向量,利用自回归Transformer生成可变尺寸3D分子,无需预指定分子大小。 模型在PCQM4Mv2数据集上生成87.9%的新颖且通过sanitization与PoseBusters校验的分子。 在HOMO-LUMO能隙筛选中,方法保留30%候选物,使DFT验证命中率从25.0%提升至52.4%。
该研究提出可复现框架并介绍深度模型 CoarseSoundNet,用于在真实 PAM 录音条件下区分 biophony、geophony 和 anthropophony。
PosterHarness将海报生成重构为可测量的指令遵循任务,通过占位符契约分离视觉设计与数据图形绘制。 该框架在12篇论文上实现合成图形从34降至0,并比较了与Paper2Poster在分辨率和速度上的权衡。 所有组件、提示词和审计脚本已作为可复用评估组件公开。
提出 MotionHalluc 基准以评估视频对比中的运动幻觉,包含 553 个视频对的 1540 个细粒度问题。基准涵盖方向、归因和时间三个维度的幻觉评估,现有大模型对此表现出高敏感性。 提出的 PPV 无训练基线在推理时注入运动学测量值,使各模型平均性能提升 10.6%。