跳到正文
11月16日周一
  1. arXiv · AI25

    投影掩膜替代3D分割识别颈椎骨折:基于2D笔画追踪的可行性研究

    该研究提出用2D投影近似3D椎骨掩膜,以识别颈椎骨折。在包含2019名患者的RSNA 2022数据集上,患者级F1分数达82.28%,AUPRC为92.00%。 该方案将2D掩膜反投影并融合为近似3D掩膜,提取CT感兴趣区域。使用2.5D CNN-Transformer模型进行分析,掩膜替换未导致AUPRC显著下降。 研究证实投影掩膜可作为颈椎骨折识别中3D椎骨分割的有效代理。

  2. arXiv · ML32

    生成式机器学习用于蛋白质设计综述

    该综述系统回顾了 59 种生成式方法,覆盖序列生成、骨架生成等六大蛋白质设计任务。 文章阐述了蛋白质表征方式,并讨论了结构约束与功能信息在生成过程中的利用,以及计算和实验评估方法。 作者认为生成式建模的快速进步将使未来能够更可靠地设计更多种类的蛋白质结构与功能。

  3. arXiv · ML38

    The Alignment Curse:模态对齐通过文本迁移增强音频攻击

    该研究提出 Alignment Curse 原则,揭示端到端全模态模型中较强的文本-音频模态对齐会促进文本越狱攻击向音频模态的有效迁移。 通过对 Qwen2.5-Omni 和 Qwen3-Omni 等模型的黑色评估发现,经文本迁移的音频攻击效果与直接音频攻击相当或更优,且在纯音频访问场景下优势明显。

  4. arXiv · ML23

    基于参数化条件分布的深度多元模型

    针对异构随机变量集合,提出用各组变量在其余变量条件下的联合概率分布来表示模型。这种参数化马尔可夫链核方法通过学习极大化数据似然,适用于广泛的下半任务。 该模型支持半监督学习场景,突破了传统面向特定任务设计模型组件的局限性。 此方法增强了模型在各类下游任务中的通用性和适用性。

  5. arXiv · AI33

    回归无关布局感知匹配实现无幻觉 GUI 定位

    提出回归无关框架解决多模态大模型 GUI 定位幻觉,ScreenSpot-Pro 精度提升超 20%。 该方法通过冻结 MLLM 解析指令生成布局描述,再经专用定位模型匹配候选项,仅用 Text/Icon 标签训练避免坐标回归。 Mind2Web 成功率与元素选择率提升超 15%,有效解耦指令理解与定位以优化 GUI 交互。

  6. arXiv · AI42

    UMPIRE:面向多模态大语言模型的无训练不确定性量化框架

    UMPIRE 是一种无训练的多模态大语言模型(MLLMs)不确定性量化框架,能高效检测错误输出并支持将低可靠性查询升级至人工或更大模型。 该框架受行列式点过程(DPPs)启发,通过计算采样响应的非一致性调整语义体积,结合语义嵌入分散度与响应二次熵,无需外部工具。 实验显示,UMPIRE 在图像、音频和文本视频基准上的错误检测和不确定性校准上优于基线指标,并可推广至非文本输出任务。

  7. arXiv · AI27

    AgenticPay 基准测试多模态 LLM 在商业多智能体谈判中的表现

    新基准 AgenticPay 评估多模态 LLM 在四类商业场景及多种市场拓扑下的自主谈判能力。包含 160 项任务,考察从双边到多边市场的协议达成质量。 最强模型 Gemini 3.1 Pro Preview 的 GlobalScore 仅 42.3/100;市场转向多侧时该分数平均下降 5.7 分。该基准为评估现实商业中的多模态智能体提供了测试平台。

  8. arXiv · ML26

    VLA 模型全生命周期综述:设计、训练与部署

    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。

  9. arXiv · AI26

    TRIBE v2 多模态脑反应模型的拓扑组织 In-Silico 审计

    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。

  10. arXiv · AI28

    Eco3R: Pinned-Key Inference for Efficient and Streamable Feed-Forward 3D Reconstruction from Long Videos

    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。

  11. arXiv · AI28

    TelePhysica:基于智能体的物理交互场景重建框架

    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。

  12. arXiv · ML26

    潜空间检测与分类:高维分析及验证

    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。

  13. arXiv · ML23

    基于无监督领域适应的手写文本识别管线

    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。

  14. arXiv · AI25

    台风:基于激活引导的视听装置 Typhoon

    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。

  15. arXiv · AI23

    RAWATTA 免训练加速多视角 3D Transformer

    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。

  16. arXiv · AI21

    视觉推理在文本到图像奖励建模中的新思考

    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。

  17. arXiv · ML28

    不确定性感知持续学习用于 2D XRD 数据解析:模拟与实验数据结合

    提出不确定性感知持续学习框架,用于解析 2D XRD 数据,解决数据积累中的预测性能维持问题。 框架整合基于最大平均差异的领域适应、CNN--SNGP 预测不确定性估计和重放知识蒸馏技术。 在单晶结构分类任务中,该框架在模拟和实验数据上实现准确分类,减少灾难性遗忘,为自主实验系统奠定基础。

  18. arXiv · ML21

    PPG 无袖带连续血压估计综述:从方法到临床转化

    综述指出PPG无袖带血压估计的进展依赖优于单纯算法优化的多方面改进,强调需关注数据泄露、校准漂移及基准与实际测量的差距。 未来工作应优先开发生理信息模型、构建多样化纵向数据集,并建立透明报告校准需求和故障率的评估协议。 该研究旨在弥合实验室精度与可靠现实世界测量之间的鸿沟,为高血压临床管理提供实用价值支撑。

  19. arXiv · AI26

    TotalSegmentator 主动脉报告工具:基于 CT 图像的 11 个标准化标志点自动测量主动脉直径

    研究人员开发了一款开源工具,可自动测量 CT 图像中 11 个标准化标志点的主动脉直径。在包含 239 次检查的回顾性研究中,该工具的平均绝对误差为 1.06 mm。 该工具基于 TotalSegmentator 分割结果定位标志点,测量值略大于参考标准,偏差为 0.45 mm。 此工具为开源免费,其测量精度低于已发表的阅片者间变异性,但主动脉根部误差较大。

  20. arXiv · AI23

    神经信号解码测试时适应中平衡准确率的识别局限

    研究指出在神经信号解码的测试时适应中,平衡准确率无法识别单个类别停止被报告的现象。 在一项覆盖11个数据集-编码器组合的评估中,一个占受试者样本十分之一的类别在112个受试者-单元中的26至47个未获预测,而对照组仅为7至9个。 该结果强调应在报告聚合分数的同时报告类别层面及受试者层面的变化。

  21. arXiv · ML20

    DeltaVisionX:基于 YOLOv11 与 PLC 的低成本视觉引导自动化系统

    DeltaVisionX 将 YOLOv11 与 Delta DVP-SE PLC 结合,实现 0.97 的 mAP 和每分钟 80 个物体的分拣吞吐量。 YOLOv11 在传送带实时检测中推理速度为 100 毫秒/帧,编码器同步保证检测与执行可靠配合。 该系统降低对人工的依赖,提升制造效率,未来将集成高速 Delta 机械臂与 EtherCAT 伺服控制。

11月13日周五