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。
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。
summary_zh: 研究人员提出 Teleo-Spatial Intelligence 并提出 EscherVerse 数据集,包含 11,328 个真实世界视频。
研究在储层历史匹配中应用 StyleGAN2,证明使用中维 w-space 优于 z-space。 w-space 比纠缠的 z-space 更具线性且解耦,适配 ESMDA 线性更新,生成的样本兼具地质真实性与数据匹配度。 该方法在两个二维案例(分类与连续)中验证有效,优于 VAE-GAN 与 Latent Diffusion。
在冻结少样本提示学习中,自适应门控常因输出趋近常数且梯度信号微弱而失效。研究通过受控实验定位出梯度幅度失衡与门控退化两种主要失败模式。
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。
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。
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。
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。
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。
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。
summary_zh: Gamer 是一个面向复杂交互式环境长时程任务的通用智能体框架,结合感知、记忆管理与多步推理。 其架构支持 2D 图形界面与 3D 模拟环境,基于数万小时设备级键鼠交互数据预训练。
StreamEmbed 是一种利用像素冗余实现增量视觉嵌入的系统,在 M2 Pro GPU 上编码速度快至全图编码的 3.7 倍,且不牺牲准确性。 该系统通过空间 token 剪枝和时序 KV 复用减少计算,并辅以小型适配器保持精度;在 ScreenMemEval 基准上,其 Recall@10 比 OCR 索引高 6.3 分。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
该研究提出了一种基于状态空间模型(SSM)的全因果 sEMG 打字解码器,在 emg2qwerty 基准上实现了 25.13% 的字符错误率。 通过融合传统解码器与自回归语言模型,该模型参数量减少 6.7 倍,且具备严格因果性。
WeatherDreamer 是一个从18个全球观测系统端到端学习同化与预报的世界模型,无需再分析数据。在保留站点上,其集合预报在12小时内优于NOAA GEFS和ECMWF集合的校准效果。 该模型能在单张GPU上约1.5分钟生成小时级全球分析,并成功恢复83-96%的观测边缘昏暗现象。
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。
WebArena-Pro 包含 20 个自托管应用中的 300 项任务,评估 6 个领域类别的异构 Web 智能体。 该基准支持音频和视频作为核心观察模态,最佳成绩为 62.3%。 WebArena-Pro 已被 NeurIPS 2026 E&D Track 接收。
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。
OmniScore-Bench 发布 3000 道题,覆盖 6 方面 24 种任务子类型,用于自动评估视觉语言模型(VLM)的音乐符号识别、结构恢复及意义解释能力。 该基准测试 12 种 VLM,显示不同模型在片段、单页和多页任务中的转录能力差异,并通过受控分析揭示视觉依赖性。
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。
该框架整合流行病学证据约束风险因子权重,部署时毫秒级计算不确定性区间,速度比 Monte Carlo 采样快两个数量级。 在 5.3 万名参与者中验证有效,纠正 1.7 倍风险高估,样本需求降低 5 倍。
研究将pXRD晶体结构测定转化为可验证的智能体搜索问题,通过pXRD-Bench基准测试,将结构回收率从27%提升至69%。 该工作引入反思式进化框架处理多相pXRD数据,利用自生成合成问题作为验证训练经验,无需依赖已解决实验数据集合。
研究团队提出 CamChoreo 基准,包含 4,229 个单镜头片段及 20 个方向感知标签,用于评测视觉语言模型的时序组合相机运动理解能力。 基于约 4.3 万片段语料微调 4B/8B 模型取得 62.1/64.1 micro F1,CamDistill 技术进一步提升 3.7-5.4 分。
研究者提出对抗诱饵(adversarial decoys)方法,通过重定向注意力得分来规避基于注意力的 ViT 测试时防御。 该方法将误导注意力的诱饵与诱导错误预测的对抗区域解耦,并在 ImageNet 上验证了其在保留攻击有效性的同时,能有效绕过依赖注意力排名的防御机制。
NEXUS 提出了一种用于富接触 3D 物体动力学的神经能量场框架。 它通过结构图构建接触图,结合守恒与非守恒项推导力,利用多子步半隐式积分器提升长时程精度。 其轨迹为富接触视频生成提供有效指导,在保持视觉质量的同时提高了物理合理性。