跳到正文
10月26日周一
  1. arXiv · AI42

    On-Policy Self-Training:大语言模型的无数据自改进方法

    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。

  2. arXiv · AI22

    SP-Guide:利用空间先验增强空中视觉语言导航

    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。

  3. arXiv · AI38

    EditJev:基于系统一路由机制的图像编辑模型优选

    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。

  4. arXiv · AI24

    DIGOM:用于多模态医疗结果预测的解耦交互图

    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。

  5. arXiv · AI33

    Self-RefineVQA:面向文档图像表格视觉问答的自我评估迭代推理框架

    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。

  6. arXiv · AI26

    4DMemory: 长时空记忆基准测试与增强型智能体

    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。

  7. arXiv · AI32

    Part-DINO 利用图像边界结构补全 DINO 特征以无训练发现物体部件

    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。

  8. arXiv · AI25

    多语言LLM中否定表示的因果分析:"Not"并非失译

    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。

  9. arXiv · AI23

    OpenVLA 的 SAE 表征可预测任务失败:物理 AI 系统中的可解释成败模式

    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。

  10. arXiv · AI20

    Uni-Stream:用于语音合成与识别的统一流式语音语言模型

    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。

  11. arXiv · AI25

    面向多模态情绪推理的可追溯智能体框架与证据驱动验证

    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。

  12. arXiv · AI21

    PILOT 框架通过特权推理探索改进多模态嵌入

    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。

  13. arXiv · AI28

    多模态智能体在 EXL-50U 中性束注入源非平稳响应下的自适应控制研究

    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。

  14. arXiv · AI31

    Ψ-0.6:统一视觉语言世界模型中的自适应思维流

    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。

10月24日周六
  1. 可灵AI60

    Kling 4.0正式全量上线,获多位行业导演肯定

    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。

  2. Google Research70

    Google Research开源MedGemma用于TB筛查

    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。

10月23日周五
  1. 科大讯飞61

    科大讯飞发布端云一体星火X2.6、SparkAudio 1.0及WinWork数字员工平台

    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。

  2. arXiv · ML26

    固定维度潜在流匹配生成可变尺寸3D分子

    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%。