Abliterature 去除拒绝但无法消除基于脚本的涉台偏见
在 Nemotron 和 Qwen 模型中,Abliteration 虽能移除拒绝机制,但脚本差异对涉台立场的影响远大于该操作。 Bolt 模型在简体中文中肯定“台湾是 PRC 一部分”的概率为 0.91,繁体仅为 0.06;Abliteration 得分变化不超过 0.06。 74 万篇网络文档中简体中文涉台内容的 PRC 框架用词频率是繁体的 3.7 倍,证实了无审查不等于无偏见。
在 Nemotron 和 Qwen 模型中,Abliteration 虽能移除拒绝机制,但脚本差异对涉台立场的影响远大于该操作。 Bolt 模型在简体中文中肯定“台湾是 PRC 一部分”的概率为 0.91,繁体仅为 0.06;Abliteration 得分变化不超过 0.06。 74 万篇网络文档中简体中文涉台内容的 PRC 框架用词频率是繁体的 3.7 倍,证实了无审查不等于无偏见。
该系统框架将蜂箱巢框照片转化为可解释的巡检报告,采用对象检测器识别巢房类别,并将检测结果蒸馏为结构化事实。系统优先使用可边缘部署的模型而非大型通用模型,基于 FAIRHiveFrames-1K 数据集构建,并发布了 FAIRHiveText-1K 数据集以支持 LLM 研究。该系统旨在通过知识驱动的解释和建议,为养蜂管理提供及时、可操作的评估,弥补人工检查的不足。
Qwen-Audio-3.1-ASR 模型家族发布,支持 30 种语言和 16 种中国方言,新增说话人分离转录与通用音频理解功能。 该模型提供同步文件、低延迟流式等部署变体,具备历史上下文条件控制、层级热词定制及转录润色能力,覆盖音频、语音和音乐描述等任务。 评测表明其具备从语音识别到更广泛音频分析的多种能力。
提出多模态超图记忆 MHG-Mem,通过联合组织实体身份、状态演变及视觉证据来源,解决现有记忆在保留细粒度视觉细节与追踪实体演变间的矛盾。在三个基准测试中,其性能较最强基线提升 8.20%-9.98%。 该方法利用发生超边分组一致实体,通过演化及证据超边连接状态与来源,并引入基于超图的智能体搜索导航结构,支持跨会话状态推理。
基于 Qwen3-8B 与 LoRA 微调的提交,使用 EuroAlpaca 数据集后,目标语言开放问答平均 Gemma-4 评分相对基线提升 7.8%。 在 Aya Evaluation Suite 评测中,宏平均 ROUGE-L 提升 41.5%,BERTScore-F1 提升 2.9%,目标语言改善更明显,但非目标语言各项得分均有下降。
研究构建含60万样本的混合语码罗马尼亚语数据集CS-SeLeRoSa,评估LLM讽刺检测能力。 Gemma 4 31B零样本达成68.1% Macro-F1,微调后升至77.5%,超越GPT-5 mini等前沿模型基线。
研究人员提出 Omnilingual-MsASR,这是覆盖 6 种语言、最长 30 分钟及 20 位说话人的多模态长音频多说话人自动语音识别基准。 该基准提供并行音视频输入,用于评估模型跨模态一致性及利用互补线索的能力。 对领先全模态大语言模型的评估发现,其 tcpWER 常超 100%,凸显了时间定位与说话人区分等挑战。
研究者发布合成数据集OSynth,包含570小时模拟组织会议音频及相关工件。 在成对对比测试中,人类评估者基于150-300词节选识别OSynth与真实会议转录的准确率仅为56%。 额外情境对当前最先进大语言模型在多个实体敏感维度带来显著提升。
在视觉-语言模型评测中,询问导演视角会改变后续行动选择,导致六款 GPT 模型误选隐藏大块的比率增加 12 至 88 个百分点,Qwen3.8-27B 增加 17 个百分点。 研究表明,提问会改变请求的解读视角,若提示词明确导演已知信息,正确报告搭配误选的比率可降至 1% 以下。 该设计建议所有视角基准测试在评分行动前必须设置不含提问的基线,以确保评估准确性。
RadCarve 提出从解剖区域集直接定义生成单元,统一了单元形成与视觉证据选择。 该方法在已知区域集时提升 CXRFEScore 9.4%,端到端绑定 F1 达基线 2.4 倍,参数量少于大规模基线六分之一。
论文提出结合全局主题的多级编码器模型 MLEGT,用于任务型对话摘要。 该模型通过图构建获取全局主题,并采用全局主题引导的指针机制,在中文警务审讯和医疗报告两个公开数据集上超越多个强基线。
研究团队推出 MatEvolve,一个基于 Claude Fable 5 构建的 Agentic AI 框架,能在可解释的“motif 语言”中设计晶体结构。 该框架通过编辑 motif profile 并借助第一性原理计算进行验证,在寻找稀土永磁体新材料时,其发现新结构原型的频率比生成式模型高一个数量级。 这一结果证明了 Agentic AI 在超越数据插值、探索未知材料结构方面的独特优势。
研究利用 ResNet-50 模型分析标记设计对猪个体识别的作用,发现标记需在运动模糊、多角度及遮挡下保持无歧义性。该发现为未来个体监测研究及实际应用中优化背部标记设计提供了指导。
MVMAE框架利用放射学多视图结构实现自监督预训练,在MIMIC-CXR等数据集上超越监督及视觉-语言基线。 模型结合掩码图像重建与跨视图对齐,扩展版本MVMAE-V2T引入放射报告作为辅助信号,在低标注场景下表现更优。 研究证实结构与文本监督是构建可扩展医学基础模型的有效互补路径。
该综述聚焦于利用视频作为主要信息源的智能体系统,探讨其通过自适应状态构建与动作选择解决理解任务的机制。文章提出挑战-设计分类法,将上下文瓶颈、证据稀疏等问题与分层记忆、主动获取等设计相对应,并回顾了状态空间与学习范式。该工作已被 DICTA 2026 接收,旨在推动智能体原生的时间建模与视频原生智能体发展。
在 PatchCamelyon、ISIC 2019 和 NIH ChestX-ray14 基准上,使用 BiomedCLIP 和 PubMedCLIP 为 8M 至 89M 参数的学生模型生成伪标签。
研究者提出基于 GRPO 的结构化过程奖励方法 CAVE,解决 VLM 在碎片化视觉推理中的非局部信息整合难题。 该方法通过信念更新、证据获取和自适应焦点控制三个信号,评估中间步骤贡献以优化推理动作。 实验表明 CAVE 在 TRACER-Bench 及公开基准上显著提升性能,并增强了长距离跨区域依赖下的鲁棒性。
一项针对分子属性、蛋白质适应度和药物反应任务的研究发现,使用基于Hessian范数的前向代理指标评估模型泛化能力并不可靠。该代理指标虽能与泛化差距相关,但在验证数据失效时无法稳定识别部署环境下的最优模型。研究表明几何评分甚至可能有利于崩溃的预测器,证实了泛化信号不等同于模型选择信号。
研究评估 TabPFN-3 等四个表格基础模型在 316 个物理方程数据集上的表现。结果显示模型优于基准线,但无法表示无噪声确定性机制的噪声,且未利用物理单位。模型目前仅能插值物理数据,尚未具备作为物理模型的能力。
ProMORNA 是一个零样本、端到端的生成框架,专为设计全长治疗性 mRNA 而构建,旨在平衡胞内稳定性与翻译效率。 它基于 BART 架构,在超过 600 万对天然蛋白-mRNA 数据上预训练,并通过两阶段后训练(包括冷启动 SFT 和多目标强化学习)优化。
研究通过模加法任务揭示扩散模型算法泛化机制,在单图像模式下模型通过周期性表示实现运算。 在高类内变异的多图像模式下,迭代采样将任务划分为算术计算和视觉细化两个阶段,并通过内部频率熵信号捕捉其转换过程。 该分析在受控环境中阐明了扩散模型算法泛化的内部动力学,但机制向模算术以外任务的推广性仍待探索。
针对现有方法忽略空间依赖且缺乏可靠性验证的不足,研究者提出了感知不确定性的时空框架 HealthMamba。 该模型包含统一时空上下文编码器、GraphMamba 图状态空间模块及不确定性量化模块,用于处理异构静态与动态信息。 在加州等四个地区数据集的评估中,其预测准确率和不确定性量化能力分别较最先进基线提升约 6.0% 和 3.5%。
提出 BrainPro 框架,结合过程条件自监督预训练与拓扑检索,解决 EEG 基础模型中实验协议提示未利用及电极帽配置差异导致的空间表示依赖问题。 该框架将数据集特定的电极帽映射到通用通道区域模板,通过检索通道和区域级空间滤波器构建拓扑对齐的空间基底,并学习共享编码器与情感、运动等相关残差分支。
提出视觉推理过程奖励模型VRPRM,采用标签高效的两阶段训练策略。 使用5.5K CoT-PRM监督和40K非CoT强化学习样本,在VisualProcessBench上Macro F1达69.18,超VisualPRM-8B 7.00分。 在Best-of-N评估中为InternVL2.5系列策略带来最高59.0%相对提升。
该研究提出一种多标签跨语言情感分析框架,采用动态加权方法和优化后的 Focal Loss 解决标签不平衡问题。 模型在 100 种语言上实现情感分析,并在 3 种语言的 9 项指标中有 7 项取得 SOTA 性能。 代码已公开,支持多语言情感分析任务。
EHRAdapt 适配器通过将时间、模态和编码元组直接映射至冻结 LLM 的嵌入空间,有效解决了电子病历中罕见临床事件观测样本稀缺的问题。该方法采用冻结的 OLMo2 1B/7B 和 Llama3.2 1B 作为骨干,仅训练占 0.1%--0.6% 的适配器参数。
VX-One 提出一种 100K-10M 参数的小网络,输出校准门控、闭集选择与序数评分,p50 延迟约 0.7-1.7 ms(CPU)。 在 UNSW-NB15、CIC-IDS2017、EMBER2024 上与 XGBoost、Kitsune 等对比;两级级联中 Suricata 处理后 VX-One 综合召回率 ≥0.978,校准误差 ECE 随时间漂移升至 0.40。
MedGPT Clinical Explorer (MCE) 在复杂肺癌决策评估中使策略的临床适用性显著提升,调整后的 Admissible Pathway Attainment Score (APAS) 差值为 12.87。
学习式世界模型通常假设观测同步,但物理传感存在异构速率。研究在Transformer世界模型中测试零阶保持配合时间刷新特征,发现其效果取决于采样调度对系统的影响程度。 结果确立了在异步物理观测下,采样调度何时有用的条件。该工作已被 CoRL 2026 建模不确定性机器人世界模型研讨会接收。
针对现有数学基准仅评估最终答案的局限,该研究提出一个过程级评测框架,将智能体解题行为与可复用的数学原子能力分类体系对齐。 该框架设计了涵盖文本与多模态的规划、行动及反馈任务,并通过受控 LLM 重写生成轨迹与细粒度标注,揭示端到端准确率相近的模型在智能体能力上存在显著差异。 该研究强调过程级评测对解读 LLMs 真实潜力及指导下一代数学智能体开发的关键作用。
该框架利用端侧计算的紧凑频率描述符替代图像传输,实现智能眼镜的部署时适应。 测试显示,仅依赖描述符的适应在 ConvNeXtV2-Femto、DeiT-Tiny 和 TinyViT-5M 上恢复了 93%-95% 的监督适应增益。 频率分辨率从 224 降至 28 像素时适应质量优雅降级,带宽缩减达 213 倍至 784 倍。
研究表明,在表到文本生成任务中,扩散语言模型 LLaDA 增加示例数虽将 BLEU 从 11.3 提升至 22.0,但对源表格的 NLI 蕴含得分却从 0.78 降至 0.52,而 QLoRA 微调版 LLaDA 达到最高 BLEU 24.15,忠实度未见提升。
研究发现掩码扩散语言模型缓解反转诅咒源于前向与反向位置条件间的参数级耦合。 共享 Transformer 参数存储 token 对证据,相对位置编码在不改变检索价值证据的前提下路由注意力。 在一层模型中证明前向掩码训练可增强可复用于反向查询的证据,并诱导正对齐的共享存储梯度分量。
提出闭环双参考指导技术,通过原生锚点语音转换解决跨语言克隆中的母语口音残留问题。 使用冻结 TTS 模型和预构建锚点,在 20 名法语说话者测试中,LID 残留减少 73%,平均 WER 低至 0.009,实时率比级联系统低 26%。 盲测显示发音自然度优于直接克隆,且在无需重新调整的情况下可将西班牙语 LID 残留降低 56%。
论文提出多模态具身智能体(MMEA)及统一能力框架 PAPAV,定义感知、预期、规划、行动、验证五大核心功能。 在 64 个基准测试中,现有评估聚焦于行动(Act),仅 5 个涉及预期(Anticipate)和 3 个涉及验证(Verify),物理约束使这些能力难以被任务成功掩盖。 PAPAV 为设计可靠物理智能体提供共同基础,推动对五大能力的独立度量。
研究提出条件攻击成功率(cASR)统一指标,评估边缘视觉语言模型(VLM)对抗物理对抗补丁的鲁棒性。 发现紧凑定位 VLM 的脆弱性与目标检测器相当,且失败模式主要取决于输出格式而非架构家族。 分布偏移下,原本因遗漏失败的 VLM 会转为位移或替代,产生更危险的置信度高的错误框。
DriftNeRF 提出了一种无需预训练模型或额外几何信息的跨射线密度共识正则化,旨在解决稀疏视角 NeRF 中邻近 3D 点密度相互矛盾的问题。 该正则化通过掩模指数核聚合邻近射线密度生成 stop-gradient 目标,在 NeRF-Synthetic 上使残余分歧降低一个数量级,在三个数据集上将 3-view PSNR 提升 0.42-0.65 dB。
研究评估 Gemini 3.8 Flash 在零样本热成像视频跌倒筛查中的表现,其在实验室留出了 69% 的检出率且无假阳性。 在真实居家环境中,该模型 76 小时内零误报,但灵敏度较低;移除特定提示词后灵敏度可提升至 83%。对比传统检测器,多模态 LLM 在真实场景误报显著更少。
SAKURA 提出一种云边协同架构,在带宽受限下向手机设备传输可复用的注意力 KV 状态,用于扩散模型图像编辑任务。 该架构采用细粒度 token 重要性感知压缩方法,运行时根据网络带宽自适应选择缓存表示,并通过流水线执行将缓存传输、重建与设备端计算重叠。
研究团队训练 MPIXEL 模型系列,在覆盖 83 种语言的五项任务中发现,增加语言、脚本或容量均能局部提升对应维度的表现,且更大容量缓解了多语言预训练的诅咒。