跳到正文
10月22日周四
  1. arXiv · NLP42

    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。

  2. arXiv · NLP33

    基于计算机视觉和知识驱动语言模型的智能养蜂人辅助系统

    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。

  3. arXiv · NLP25

    Qwen-Audio-3.1-ASR 技术报告

    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。

  4. arXiv · NLP26

    MHG-Mem:面向多模态智能体的来源保留超图记忆方法

    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。

  5. arXiv · NLP35

    Omnilingual-MsASR:多模态大模型长时长多说话人语音识别基准测试

    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。

  6. arXiv · NLP36

    询问导演所见会改变视觉-语言模型的视角选择:基于 GPT 与 Qwen 的实证研究

    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。

  7. arXiv · ML20

    MatEvolve 框架:基于 Claude Fable 5 的 Agentic AI 用于晶体结构设计与发现

    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。

  8. arXiv · ML36

    MVMAE 提出多视图自监督方法提升放射影像疾病分类性能

    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。

  9. arXiv · AI25

    智能体视频理解综述:从文献分类到开放方向

    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。

  10. arXiv · AI25

    CAVE:针对碎片化视觉证据推理的结构化信用分配方法

    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。

  11. arXiv · ML25

    泛化信号未必是模型选择信号:计算生物学中网络几何代理与验证数据的局限

    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。

  12. arXiv · ML21

    扩散模型在模算术任务中的算法泛化机制研究

    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。

  13. arXiv · ML23

    HealthMamba: 一种用于医疗设施访问预测的感知不确定性的时空图状态空间模型

    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%。

  14. arXiv · ML21

    BrainPro: 基于过程条件预训练与拓扑检索的大规模 EEG 模型

    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。

  15. arXiv · AI25

    异步传感器观测下的世界模型:刷新时间特征的有效性

    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。

  16. arXiv · AI39

    从原子级到智能体级:面向 LLMs 智能体数学能力的可解释过程级评测框架

    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。

  17. arXiv · ML24

    No Frames, Just Frequencies:智能眼镜带宽高效的部署时适应框架

    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。

  18. arXiv · AI28

    掩码扩散模型为何能缓解反转诅咒:理论分析

    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。

  19. arXiv · ML33

    跨语言语音克隆中的闭环双参考指导技术

    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%。

  20. arXiv · AI28

    多模态具身智能体:从 Computer-Use 到 Robot-Use 的统一能力中心视角

    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。

  21. arXiv · ML35

    边缘 VLM 时代物理对抗鲁棒性的统一评估框架

    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。

  22. arXiv · ML23

    DriftNeRF: 面向稀疏视角神经辐射场的跨射线密度漂移正则化

    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。

  23. arXiv · AI25

    SAKURA:手机端私密图像编辑中注意力KV状态的速率自适应服务架构

    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。