GaDiT:用于无序原子结构可解释生成与逆向设计的图扩散 Transformer
GaDiT 生成模型将无序结构采样速度较现有方法提升两个数量级,支持条件生成与逆向设计。 模型结合动态周期图、掩码条件与区间加权训练噪声分布,在二维非晶碳及三维非晶硅、二氧化硅中验证。 提出原子响应映射分析揭示全局结构描述符与局部原子环境,建立通用可解释框架。
GaDiT 生成模型将无序结构采样速度较现有方法提升两个数量级,支持条件生成与逆向设计。 模型结合动态周期图、掩码条件与区间加权训练噪声分布,在二维非晶碳及三维非晶硅、二氧化硅中验证。 提出原子响应映射分析揭示全局结构描述符与局部原子环境,建立通用可解释框架。
FinPanel 提出任务条件人格选择,为每只股票动态组建由统计特征驱动的 LLM 交易智能体小组。 在 2025 年 8 只美股测试中,该系统表现优于固定小组及 3 种现有 LLM 交易智能体,且回撤小于买入持有。 研究结论表明,“谁在小组里”比“小组如何协调”更关键,该设计决策应逐任务制定。
研究表明,物理信息神经网络(PINN)在真实数据上表现优于随机机制模型,但在合成场景中表现较差。 两者共享基于 SEIRD 的年龄结构核心,研究在伦敦新冠疫情初期发现 PINN 虽不确定性区间更窄,但简单模型仍具价值。 结果证实 PINN 在流行病学中是前景广阔的工具,并呼吁开展更多基准测试研究。
研究团队提出解析框架,通过分解紧李群表示限定梯度方差,判定量子电路是否存在 barren plateau。 当电路片段构成 2-designs 时,框架证明充分条件使梯度方差至少为逆多项式。 该框架包含采样算法,可在昂贵训练前以多项式复杂度判定电路可训练性。
研究人员提出可解释权重空间编程(iWSP),利用 LLM 智能体通过代码显式编程权重与特征,构建无需反向传播的透明模型。 该智能体通过假设与手动优化,成功构建针对算术和情感分类的紧凑型 Transformer,并在视觉、语言和听觉皮层构建了神经编码模型。 在视觉皮层,iWSP 的预测能力优于现有基线;在语言 fMRI 和听觉 ECoG 任务中,它揭示了数据混杂因素并发现了可解释的声学特征。
该综述回顾了 2022 年 12 月至 2026 年 10 月间的 88 项视觉语言动作模型研究,涵盖 22 个模型的设计、训练与部署。 研究发现三个趋势:训练数据规模从 10,000 小时扩展至 20,000 小时,模型参数向 3-7B 及 1B 以下分化,且通用模型开始涌现。 指出部分在基准测试中近乎满分的模型,在环境轻微变化时仍会失效。
该审计发现 TRIBE v2 在保留运动选择性的同时,缺乏对视觉场位置和听觉频率拓扑组织的预测能力。 TRIBE v2 的运动选择性顶点中 22% 位于 MT+,但其频率拓扑梯度缺失,核心皮层最佳频率跨度仅 0.14 个八度。 这一结果表明,依赖特征身份的实验在 TRIBE v2 中可行,但依赖视觉或频率位置编码的实验不适用。
无训练推理框架 EcoVGGT 使用 31 个均匀分布的固定键帧进行 3D 重建,实现了长视频的高效处理。 该框架将固定键帧存储于场景缓存中,其他帧独立读取该缓存,以恒定成本精确复现联合推理结果。 EcoVGGT (π³) 在 1,000 帧 ScanNet 视频上的成功匹配率与 π³ 相同,但速度提升 13.8 倍;VGGT 成功率从 70% 提升至 82%,速度提升 8.5 倍。
AG-JEPA 通过引入解剖学 token 与 patch token 交互,学习阿尔茨海默病相关脑区的特定表征,提升诊断效果。 该模型在 MR-RATE 数据集上,CN/MCI 分类的 AUROC 比最强基线高 8.4 个百分点。衍生模型 Prog-AG-JEPA 在疾病进展预测任务中表现优于所有基线模型。
稀疏自编码器将医疗检索中的稠密嵌入转化为可解释表示,在6个医疗数据集上验证了其有效性。 模型结合重建目标与InfoNCE对比损失,在域内检索性能提升的同时,在分布外数据集上性能下降幅度小于稠密嵌入,且特征语义可通过激活它的查询和文档推断。 该方法揭示了特定文档被检索的原因,其可解释性可迁移至训练分布之外,有助于理解医疗AI系统的内部机制。
TelePhysica是一个闭环框架,能从单张照片重建可执行的物理世界并驱动3D交互。在100个场景基准中,其平衡验证的世界恢复率从0%提升至81%。 该框架结合视觉语言编码智能体与统一求解器,通过模拟轨迹条件化视频扩散模型。条件化使动态运动掩码重叠增加2倍至5倍,并在反事实力反转下保持运动方向。
研究提出基于基础模型高维潜表示的统计决策规则,在 Neyman-Pearson 范式下推导线性与二次统计量的大偏差特征。 误差概率和衰减率对形状参数呈现非单调依赖,包括双下降和多下降现象。 在视觉、文本和音频数据集上,理论预测与实证表现高度一致,可实现预设虚警率下的漏检概率精确预测。
研究提出图像定位编辑任务 G-CGEC 及基准 G-CGEC-Eval,基于 K-12 手写作文图像与细粒度标注。 评测采用 IoU 与中心距离匹配指标,对比开源与闭源视觉语言模型。 单轮推理表现较差,基于错误类型的多智能体工作流表现最佳,指出语言错误发现与字符定位是主要瓶颈。
针对 Vals Finance Agent Benchmark v2 的参考智能体,7 次相同运行中账单波动高达 17%。在 20 条失败轨迹诊断中,13 条归因于指令层,3 条归因于工具层。
论文提出PRISM框架,在模型生成初步预测后评估其可靠性,通过检索历史数据和证据验证来执行校正或选择性弃权。 在印度板球超级联赛(IPL)第二局预测任务中,PRISM将HistGradientBoosting模型的准确率从70.2%提升至82.4%的选择性准确率,同时保持88.5%的覆盖率。
基准 MineralExp 将地质假设转化为基于实验的选择问题,包含 277 个案例和 1,572 个参考计划,用于评估 LLM Agent 的实验设计能力。 该基准将 19 种实验类型分类到五种矿物体系过程中,通过多标签分类和 LLM 评判进行评分。实验结果显示,当前 LLM Agent 通常具有高召回率但低精确率,倾向于提出比必要的更多实验。
针对平滑非凸有限和问题的 Muon 优化器,在 shuffling 策略下证明了达成 $O(\varepsilon^{-3})$ 的迭代复杂度,以找到 $\varepsilon$-驻点。
GeneFlow 提出了一种结合流匹配生成模型与多模态融合的简化框架,用于直接从组织学图像预测基因表达。该模型无需复杂生成管道,在 1,000 基因预测任务中实现了高达 56.8% 的性能提升。此外,GeneFlow 显著降低了计算成本,提高了可扩展性,为利用组织学图像进行生物发现提供机会。
论文提出响应操纵攻击 ReMA 优化恶意输入,并开发安全聚合规则 SecMAS 防御该类攻击。 SecMAS 利用响应间的语义相似度,选择与足够大子集最一致的响应,理论上保证了对定向与非定向攻击的安全性。 实验表明现有聚合规则易受 ReMA 攻击,而 SecMAS 能有效防御包括自适应变体在内的攻击,同时保持可比效用。
提出基于显式 Constraint Space 的安全感知机器人行为规划框架,存储可复用的文本安全规则,提升桌面环境操作安全性。 采用轻量级 query-conditioned dual-tower 模型识别上下文相关约束,结合多模态行为规划器生成计划,通过 Safety Inspector 校验并纠正。
论文提出 JaRS 方法,利用雅可比行和区分扩散模型的记忆区域与局部平均,无需参考图即可实现无对比定位。 在 Stable Diffusion v1.4、v2.1、Realistic Vision v5.1 及无条件 DiT 上,增强版 JaRS+ 性能优于传统基于对比的局部化方法。
论文提出一种委托人-代理人测试,评估算法决策在涉及博弈或商业秘密时的披露义务。该测试以决策质量为基础,依赖错误分布和群体间决策结果分布两个诊断指标。 这两个指标可公开而不泄露机密,用于识别决策者是否将设计与公共利益对齐。
研究者提出 V-JEPA-LM,将 V-JEPA 世界模型视频编码器与语言模型结合,通过反事实监督使模型读取视频动态而非仅检索文本属性。
论文提出一种无监督领域适应管线,用于解决字符分类与手写文本识别中目标域标注数据匮乏的问题。 管线通过源域预训练、无监督目标域适应及源域风格化微调三步,弥合领域分布差距,且不增加推理开销。 在Safran-MNIST-DLS数据集上取得76.17% Macro F1分数的新SOTA,并在READ 2018数据集上获得具有竞争力的结果。
研究团队提出SceneAgent多智能体框架,通过分离持久化场景状态、任务局部推理与可复用经验,实现游戏场景生成在不同引擎间的可移植。 框架引入结构化交接机制和蒸馏技能库,在包含69个提示词的GameSceneBench上,对比五个基线模型获得78.2%-89.4%的人工偏好评分,消融实验表明可复用技能主要提升了提示对齐与场景完整性。
轻量级上下文管理器CarryOn通过学习式选择器和自适应保留策略,在AppWorld、OfficeBench和Tau2 Telecom三个基准测试中,使LLM智能体实现了75.7%的任务成功率,比最强基线模型高出6.7个百分点。
研究人员提出无量纲指标 LASR,用于在离线评估中测量世界模型潜变量是否提供超越当前状态和无关捷径的动作相关预测支持。 LASR 包含捕捉典型支持的 GeoLASR 和识别最弱案例的 WorstLASR,通过记录的动作与物理状态变化作为目标进行基准化。 在机器人操作数据和多任务面板上的实验表明,LASR 能检测已知动作信息、拒绝非动作捷径,并支持对不完美容潜变量进行分级比较。
提出 AnisoFlow 方法,通过完全可学习的各向异性预测目标替代固定目标,ImageNet 256×256 上 FID 从 1.90 降至 1.55。 该方法为联合学习基的每个方向分配独立的非负权重,通过闭式映射恢复速度,无需改变模型架构或采样器。 在低精度推理下,AnisoFlow 通过更优的条件速度恢复,显著消除 patch-seam 伪影,提升图像质量。
LuthorSQL 是一款 7B 非自回归 Text-to-SQL 模型,单 GPU 上 0.84 秒/题,BIRD 隐藏测试集执行准确率 68.03%。 结合 Claude Opus 5.5 构建级联系统,本地解答近半数问题,降低 33.3% API 成本,且 8-bit 量化后仅需 9 GB 内存。
视听装置 Typhoon 基于康拉德小说,利用 LLM 自反馈生成叙事,并引入新颖的自适应激活引导方法控制长篇生成的节奏与离题现象。该研究探索了文本随时间变得陌生且不可控的过程,展示了 AI 感知可解释性与实际系统失控之间的张力。
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
提出一种品牌意识重新设计生成框架,在品牌图像约束下实现创意产品视觉探索。 该框架通过构建品牌调查报告推导创意方向,并整合自增强循环进行图像批评与提示词修订。在50个重新设计任务中,该方法在创意性和品牌可识别性之间实现更优平衡,在汽车等高约束类别中优势显著。
Superfluid 是开源 LLM 服务器,用于本地设备上的 LLM 推理,支持单设备多智能体共享模型及跨设备集群服务。
推荐理由:原文给出了具体硬件下的延迟改善和吞吐数据,读者可据此评估分布式本地推理在实际混合算力场景中的可行性。
summary_zh: 研究人员定义了分层角分离(HAS)几何属性,解释 CLIP 嵌入中分层概念结构形成的原因。实验表明图像嵌入在随机初始化即近似满足 HAS,而文本嵌入需经对比学习后才满足。
summary_zh: 前沿大语言模型作为编码智能体,在100,000操作的job-shop基准实例tai_100_1000_1上,其编写的求解器达到525,515的解质量,优于OptalCP、Hexaly及CP Optimizer等商用工具。
一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。
RAWATTA 提出免训练的注意力近似方法,通过 8-bit 精度运行及保留关键层 16-bit 精度加速多视角 3D Transformer。 在 12 GB GPU 处理 50 张图片时,RAWATTA 运行 VGGT 的速度快于官方代码,且姿态精度损失不超过 AUC@3 约 1 分。 该方法使模型在显存不足 100 张图时能处理 200 张图片。
X-Nav 是首个基于指令驱动双足人形机器人完成从室内到室外长时程任务的系统。核心导航模型 MELIOR 仅使用 RGB 图像输入,在 R2R-CE 和 RxR-CE 基准测试中取得了具有竞争力的结果。
研究指出,现有文本到图像奖励模型在视觉推理评测中表现不佳,偏好微调会侵蚀视觉理解能力。通过翻转配对轴,将视觉推理数据集转化为偏好对混合训练,实现了视觉理解与偏好预测的帕累托改进。 该奖励模型在推理时最佳n选择和强化学习后训练阶段,将组合提示下的文本到图像生成准确率分别平均提升4.0%和5.5%,优于使用6倍更多偏好对的HPSv3模型。
研究发现模型在面临反驳时会放弃正确答案,这种“辩证能力”无法通过提高准确率或增加推理时采样获得。 研究者提出一种强化学习框架,模型在训练中生成对自己答案的论证、进行裁判并据此训练,全程无需第二个模型、奖励模型或人工标注。 该能力随奖励信号习得,不会牺牲首答准确率,且对未训练过的挑战者(包括更强模型)保持稳健。