```json
{ "title_zh": "CHIP 2026 Shared Task 1:全文生物医学文献中的患者特异性表型概念识别", "summary_zh": "CHIP 2026 Shared Task 1 基于 200 篇标注全文文献开展患者特异性表型识别评估,455 个团队注册,最佳系统总体得分 0.7389。
{ "title_zh": "CHIP 2026 Shared Task 1:全文生物医学文献中的患者特异性表型概念识别", "summary_zh": "CHIP 2026 Shared Task 1 基于 200 篇标注全文文献开展患者特异性表型识别评估,455 个团队注册,最佳系统总体得分 0.7389。
LLMSeg 提出了一种无需训练的文本提示图像分割流程,利用视觉多模态大语言模型和 B 样条曲线将分割任务拆解为检测、描边和精细化三个阶段。该方法在 ReasonSeg、LVIS 等基准上表现优异,使用 Gemini-3.7-Flash 作为后端时,在 ReasonSeg val 上达到 71.5 cIoU,性能可与专用模型 SAM 3 竞争,且无需针对分割任务进行额外训练。代码已公开。
利用 BI-RADS 决策树和 LLM,从 1,506 例 MAMA-MIA 数据集的 MRI 分割掩码中生成 3,012 条理由。 LLM 被约束仅表达决策树记录,获得 99.98% 忠实度与 99.3% 反事实准确率。 生成理由旨在作为放射科医生审查和最终签署的草稿,而非自主临床报告。
Johns Hopkins 团队提出 OpenMAP-HIE,一种利用分数扩散模型实现新生儿缺氧缺血性脑病(HIE)病灶无监督定位的方法,在 BONBID-HIE 数据集上 Dice 分数为 0.283±0.244,平均精度为 0.505。
研究团队提出 MOSAIC,这是一个包含 923 道问题的全模态基准,基于 11-24 个会话的历史,涵盖文本、图像、视频和音频,旨在诊断对话智能体的长期记忆。
研究评估胸部X光片数据集中生成图像作为证据的可靠性,指出像素检查无法验证采集声称。 实验显示Qwen选择提升质量通过率,但无图像同时通过质量与来源分类器;SynthCheX图像在JPEG压缩后检测准确率显著下降。 结果支持在医学数据集中分开记录并检查图像来源与用途。
研究定位了语音信号中承载音色信息的特征,发现1--8 kHz幅度与声谱包络主导感知,而8 kHz以上频段仍具机器判别力。 研究探针了频率带、WORLD源/滤波器分解、SSL层及EnCodec/HuBERT token,并在中、英、日语数据上通过45名听者测试验证了说话人信息的分布式特性。 这些结果指明了生成系统应条件化或转换说话人信息的区域,以及内容、编解码和token流水线需审计残余泄漏的位置。
提出可靠性感知高斯乘积专家(PoE)方法,在临床多模态任务中保持与完整输入相当的竞争水平,且在模态缺失时平均AUROC优势最显著。 通过缺失感知训练获得显著提升,可靠性加权在匹配条件下进一步改善HAIM指标;未见过的测试时损坏揭示了模态依赖的可靠性响应。 可靠性加权提供了显式的证据控制机制,但学习可靠的质量信号仍是开放挑战。
研究人员提出一种基于 BRICS 分解的片段级图编码方法,将分子表示为具有合成意义的片段,使得任何消息传递图神经网络(GNN)都能在功能团层级生成解释。 在四个架构、四个预测任务和两种解释器上,该方法在测试精度匹配原子级别的同时,图规模缩小约 5 倍。 Integrated-Gradients 归因在 BACE 和 PTR1 两个酶靶点上以 1.5 倍和 3.2 倍的基准率恢复已知药效团。
MixAgent 发布了一种 agentic 音乐后期制作流水线,遵循音频工程师工作流生成可编辑混音方案。 该模型在 MedleyDB 上通过学习优化减少 19% 误差,其中偏好优化额外降低 8.4%,且人工听测质量优于 Qwen3-Omni、Gemini 3.8 Flash 和 GPT-4o-audio。
提出无需重训练的腹部器官分割框架 ReSeg,在CT、MRI和PET三种模态的七个数据集上超越了现有SOTA方法。 第一阶段训练可泛化语义表示网络(GSRNet),第二阶段训练器官专用编码器-解码器分割网络(OESNet),使用保留空间布局的合成数据。 消除了对真实训练图像的需求,解决了泛化能力不足和隐私风险问题。
SOAR模型结合用户友谊网络和文本评论,通过强调评论的情感倾向,为特定用户推荐兴趣点。 在真实世界数据集上的实验表明,将评论纳入推荐流程能够提高推荐的准确率。
研究者提出结合平行预训练与标准预训练的两阶段方法,在同等计算预算下持续提升多语言理解与跨语言任务表现。 该方法首先通过平行预训练建立跨语言基础,再使用标准预训练适应单语任务输入,有效克服了传统独立采样无法利用平行结构的问题。 该策略在高资源与低资源场景中均优于纯标准预训练。
该模块化框架利用先验摊销流匹配技术,通过推理时的组合采样器,将针对不同观察类型的单观测后验估计器相结合,无需联合重新训练即可实现多测量数据整合。 方法在 X 射线、中子及极化中子反射层析成像中得到应用,支持同种中子对比度的均匀合成及 X 射线与中子测量的异质多模态合成。
研究团队发布多模态海洋基础模型 YingLan,旨在解决卫星、网格场及浮标等异质观测数据的统一表征难题。模型集成物理属性条件动态编码与时空增量耦合(STIC)机制,基于华为昇腾 910B NPU 进行预训练。在深圳近海 7 天海表盐度预报任务中,YingLan 平均 RMSE 为 0.687508 PSU,相对误差较对比模型降低最高达 12.42%。
FSS 框架提出分阶段启发式工作流,利用主流 LLM 接口以零成本检测虚构引用,覆盖从不存在文献到内容误引的多级复杂度。 在包含 20% 虚构引用的 100 条引用试点中,该方法正确标记了 10 条非存在引用中的 9-10 条,并部分检出元数据损坏。 研究初步表明,通用 LLM 可在不依赖专有工具的情况下实现高召回率的引用验证。
针对深度学习在真实场景中因分布偏移导致的评估难题,研究人员提出 MOVAL 模型评估工具。该工具利用无标签测试数据估算模型性能,通过引入类别置信度校准缓解类别不平衡影响,并结合集成方法提升鲁棒性。在自然图像和医学图像数据集上验证后,MOVAL 在准确率、F1-Score、AUC 等指标上达到 SOTA 结果,支持在类别、实例和像素层级提供准确估算,确保机器学习模型的透明与安全部署。
世界模型在规划中常因错误渲染奖励事件导致收益预测偏差,而非整体像素失真。研究引入过渡级诊断方法,通过恢复真实事件过渡消除中位数70%的预测误差。该结构特征可指导扩散模型精准修复预测失败。 事件过渡渲染质量与其他步骤相当(中位数像素误差比0.85),但恢复事件过渡可消除中位数70%的收益误差。 该结构特征可指导扩散模型精准修复预测失败,提升计划排序准确性。
针对现有时间序列 Tokenization 策略引入频谱失真问题,论文提出基于频率域的 TimeFT 分词器。 TimeFT 通过频率域分区、频率偏移和 Nyquist 采样生成 Token,无参数且计算复杂度低,可作为现有分词器的直接替换方案。 实验表明,TimeFT 在预测、分类和异常检测任务中均显著提升性能,该论文已被 NeurIPS 2026 接收。
SpatialBrain 框架固定视觉语言主干,通过保留关于空间决策的经验来提升推理能力,区别于仅依赖几何工具。 3DFusionMemory 将场景观测融合为可查询空间关系,Spatial Skill Library 提供可复用工具程序,Spatial Cognition 关联任务条件与经验策略。 该框架在五个空间推理基准测试中,在四项上优于相同主干的直接回答,第五项持平。
研究证明 Transformer 块可精确编译为通用深度神经网络。在 DeiT-Tiny 等模型上,该编译模型与参考模型表现一致。多智能体注意力聚类将计算分数数量从 N² 降至 Nk。
研究人员提出轨迹级分歧框架,解决多语言LLM评估痛点。实验覆盖3个基准、7种语言及6个前沿LLM,发现52.1%至67.3%的案例中,整体相似度与结构相似度存在显著背离。人类判断更符合结构相似度,表明当前评估会高估多语言部署的一致性。
研究提出整合PPO生成计划与基于LLM的多智能体交互精化的系统,用于头颈部质子PBS治疗。 系统包含使用Qwen3-14B构建的规划智能体,通过SFT和GRPO进行后训练;在21名患者、每5个PPO计划中选50个进行指导精化实验,结果显示后训练模型在指令遵循和推理上优于基座。 该系统实现了临床更优的权衡,为个性化质子放疗计划提供了可行途径。
作者提出运动等变卷积LSTM(MELSTM),通过时间局部化规范场处理变速度运动,在帧预测等任务中优于传统及流等变模型。 该模型可证明对任意运动保持等变性,以更小的状态实现更长视野的泛化,且优于相同参数量的对比方法。
研究人员提出 Hidden Messages 机制,通过四个带符号稠密向量实现扩散语言模型间的因果通信验证。 Tiny-A2D 上移除消息导致 63.6 分优势消失,单次晚期传输准确率(87.8%)优于四次往复交换。 该实验证实了连续隐式通信的有效性,并揭示信息传输时机比交换频率更关键。
论文引入 Fig(Finding Interactions in Games),一个针对游戏环境执行定向行为激发的智能体系统。 Fig 通过分解自然语言行为描述并生成或选择社交游戏,结合机械检查与合成评分机制进行干预;在六个测试行为中,有效场景的平均尝试率为 45.2%,干预组比对照组高 10.9%。 代码已开源,证明多智能体环境可作为可编程行为测试床。
提出名为 Sketch2Sim 的端到端系统,将手绘电路图转换为 SPICE 兼容的电路网表并计算节点电压电流。 构建三阶段流水线:双 YOLO 检测器识别组件与文本、CRNN 结合 CTC 与 OCR 提取数值、DBSCAN 聚类生成节点;使用 1,000 个 RLC 电路标注数据集,在多种手写与光照条件下验证鲁棒性。
研究人员提出同步神经拓扑优化(SNTO)框架,利用自定义神经网络联合优化状态、伴随及设计变量,以解决大规模应力约束拓扑优化的计算瓶颈。 该框架采用硬件感知训练方案,将设计域分区分布于多达 8 个 GPU 上并行训练,支持数百万自由度及最大 800 万个采样点,且无需引入额外损失项即可保证场连续性。
KVLearn 框架通过前缀重用预测器(PRP)、成本感知保留分数(CARS)和自适应阈值控制器(ATC)优化分离式 LLM 服务中的 KV 缓存保留决策,显著降低首 token 时间。 在文本和多模态工作负载中,KVLearn 相比 No-Cache 降低端到端首 token 时间最高达 56%,相比 LRU-Pool 减少 38%,并将节点间 KV 传输量降低最高 53%。代码已开源。
SpanCalib-VLM 采用混合双系统架构,结合多模态序列标记器与微调生成式 VLM(Qwen3.5-4B-SHROOM-SFT),通过联合校准融合策略提升幻觉跨度检测的准确性与置信度校准。
WAFFLE 是一种新的微调策略,旨在改进大语言模型生成 HTML 代码的能力。 该方法采用结构感知注意力机制和对比微调,在 WebSight-Test 基准上,HTML 匹配率最高提升 9.00 pp。 它在 Design2Code 基准上也优于现有方法,有效弥合了视觉设计与代码之间的差距。
Clarify-or-Answer(CoA)提出“询问或回答”智能体,针对 VQA 中因上下文不足导致歧义的问题,先判断是否需澄清,再生成澄清问题。 CoA 使用 GRPO-CR 强化学习方法优化问题生成,并基于新数据集 ContextClarify 在 3 个 VLM 上验证,单轮澄清即带来显著提升。
summary_zh: GPT-6-Astra 作为机器人动作策略,无需机器人专用预训练或每任务微调,在五个 UniVTAC 任务中取得 93.8% 的平均成功率。
研究发现大型音频语言模型(LALM)中存在跨模态神经元,负责对齐音频与文本表示。研究在 3 个 LALM 和 4 种声学属性中验证了对齐现象。因果干预证实这些神经元对预测是必要的且可被操控。
研究提出基线锚定框架,在三个医学 VLM 中仅 MedGemma 数据充足。VQA-RAD 显示语言可答性与边界承诺关联(AUROC 0.677),MedGemma 边界后行为异质,海市蜃楼率 16.0%-100.0%。
新提出的1.84M参数说话人锚定路由模块在扩散生成前将分离语音流匹配至固定身份,无需重训生成器。该模块将远程对话中的错误轨道时间从43.9%降至4.1%,固定轨道活动F1分数从0.46提升至0.84,且重建质量保持不变。 此方法可迁移至面对面及电话录音,结合边距门控验证步骤,使错误轨道时间进一步降至0.9%-1.7%,为全双工对话建模提供参与者一致的语音轨道。
研究团队发布 SciFigBench 基准,旨在评估视觉语言模型(VLMs)对复杂科学方法图表的理解能力。该基准包含 4,352 张图表和 40,670 个 QA 对,核心考察密集内容感知、视觉关系理解及信息流追踪。
研究对比人类与多模态大语言模型对抽象视觉刺激的联想创造力,发现人类描述在语义距离和熵值上更具多样性。 在 SilCC 和 PixCC 数据集的难度控制下,随着难度增加,SilCC 中的有效性下降,而人类在 PixCC 中逐渐转向低层视觉特征描述。
这篇40页的论文首次系统综述了代码混合(CM)数据与母语模型之间的双向迁移,指出多数迁移是母语向CM反向流动。 研究发现代码切换主要通过语言对齐发挥作用,且文本与语音领域方法论相通但极少互相引用。 共享语音基准测试显示,母语数据对性能的贡献优于新架构设计,该结论为训练数据配比提供了实证依据。
研究者提出 TRACE 框架,将 168 项任务重组为通用、适应性和挑战性三类,以评估文本-视觉嵌入模型性能。 实验显示,结合通用与适应数据可使适应性得分提升 7.67 和 7.09 分,但挑战性得分仍低于 5.0。 分析指出多语言和视觉文档任务是主要弱点,仅靠数据适应不足以解决,需方法学进步。