Prithvi-EO-2.0 蒸馏:将地学基础模型压缩为 0.7M 参数的水面分割器
研究团队将 3 亿参数的 Prithvi-EO-2.0 教师模型蒸馏为 0.7 参数的 EfficientViT-B0 学生模型,在 WorldFloods-v2 等测试集上达到教师级精度。 学生模型体积仅 1.6MB,在 Jetson Xavier NX 上以 4.9ms/图速度运行,误报率低于 10%。 该方案解决了大模型在边缘硬件部署的难题,支持洪水预警等无值守场景应用。
研究团队将 3 亿参数的 Prithvi-EO-2.0 教师模型蒸馏为 0.7 参数的 EfficientViT-B0 学生模型,在 WorldFloods-v2 等测试集上达到教师级精度。 学生模型体积仅 1.6MB,在 Jetson Xavier NX 上以 4.9ms/图速度运行,误报率低于 10%。 该方案解决了大模型在边缘硬件部署的难题,支持洪水预警等无值守场景应用。
视频 VLM 时序基准分数混淆了问题是否有时序性与模型如何恢复顺序。 引入反转冲突评分,区分标签无关与确定性标签两种读数,发现 Qwen3-VL 属视觉序列主导,Molmo2 属位置主导。 证明同分模型不可互换,两者通道在相反输入上失败,对评测有效性至关重要。
DLWM 是一种结合潜空间推理与强化学习的多模态推理框架,在多个基准测试中准确率较现有方法高出 2-5 个点,同时内存使用降低 24%。 该框架通过构建多样化的潜空间世界假设并利用基于正交性的多样性正则化防止假设坍缩,解决单一解释假设的局限性。 资源感知的强化学习策略将推理过程建模为资源受限的序贯决策问题,动态决定扩展、剪枝、合并推理路径或生成最终答案。
GRTO 提出一种两阶段框架,联合优化视觉语言模型策略与可微分割工具,在三个指代分割基准上显著超越基础 GRPO。 该框架首先将工具自举至理论最优策略以获取易得增益,随后扩展 GRPO 联合精化策略与工具,实现比单一优化 VLM 更稳健的奖励信号与收敛性。 实验表明 GRTO 匹配或超越领域 SOTA 方法,验证了统一强化学习与可微辅助目标在推理密集型分割任务中的价值。
研究团队推出 SciFigQual-Bench 基准及 SFQ-Agent 框架,针对已发布的计算机会议图表,将图像与图注、引用段落绑定评估。 该框架通过分模态调用与跨模态评分,重点考察视觉清晰度、布局、图注及上下文一致性,实验显示其比单程评估更接近人类评分。 该方法解决图表内容与文本脱节导致的质量误判问题,指出图注一致性是目前主要评估难点。
PEARL 提出 PSVU 任务并构建 PSVU-Bench,解决用户实时定义概念及回顾历史的问题。 方法将概念与视频片段分离存储,结合 PSVU-10K 训练检索器。在三个架构上平均提升实时问答 15.05%,优于现有在线模型。 代码、数据和模型已公开。
MonitorVLM 发布,通过视觉语言框架自动识别矿场监控视频中的安全违规行为。 模型基于 9000 个 VQA 样本训练,引入条款过滤器和行为放大器模块,推理延迟降低 13.56%;相比 72B 未微调基线,精准率提升 22.01%,召回率提升 34.22%。 框架支持自动违规报告与时间戳定位,提升多模态模型在职业安全监测中的应用潜力。
FedS2R 是首个面向自动驾驶合成到真实语义分割的单次联邦域泛化框架,通过不一致性驱动的数据增强与多客户端知识蒸馏融合特征训练全局模型。 在 Cityscapes 等五个真实数据集上,该全局模型显著优于单个客户端模型,性能仅比同时访问所有客户端数据的模型低 2 mIoU。
基于 GNN 推荐系统的 AI 平台在 12 周内对 84,764 人实施个性化健康引导。实验显示目标组日均步数增加 6.17%,每周中等强度运动时间增加 7.61%。引导消息开启率达 13.1%,用户认可度显著。
无训练 CommitKV 方法在四个开源多模态模型上实现最高平均准确率。在 Qwen3-VL-8B 上,256-token 预算比最强基线高 8.44%,512-token 准确率 69.85% 仅低于 FullKV 0.91%。 SGLang 与 vLLM 部署时,峰值 GPU 显存降低 54.37%–55.23%,端到端推理加速 2.12–2.17 倍。
研究团队推出MAP,这是首个评估多模态AI系统在真实世界地点无障碍规划中表现的基准。 该基准包含两项评估:验证无障碍规划声明和检索视觉证据,采用自动评分与部分人工评分结合的方法。 MAP支持定时刷新真实数据以评估AI系统,便于比较不同系统表现。
该研究利用分歧信号筛选合成边界案例,在多模态安全基准上将 F1 从 0.220 提升至 0.731,FNR 降至 0.245。 管道生成策略条件化图像,选取评分者分歧案例并检索 50 个示例作为上下文演示,显著优于 350 例常规池。 盲测显示专家在分歧引导图像上的分歧率为 24%,验证了该方法在可追溯多模态安全评估中的有效性。
研究人员提出集成LLM与临床工具的CXReasonAgent,解决大型视觉语言模型(LVLMs)缺乏证据支撑及适配成本高问题。 该智能体在包含1,946个对话、覆盖12项诊断任务的基准测试CXReasonDail中表现优于LVLMs。 论文已被ML4H 2026会议接收,并提供了在线演示以支持可靠且可验证的诊断推理。
研究评估了基于三个预训练语音模型嵌入和声学特征的帕金森病(PD)检测,发现女性在较大数据集上的分类准确率高于男性。 当模型仅针对单一性别训练时,无法泛化到另一性别;研究结果强调在开发PD检测系统时将性别作为变量纳入的重要性。
BaseRSI提出递归内部化新范式,使基础视觉语言模型通过无训练编辑将工具增益写入权重。 其核心机制ReGap利用激活差异监督Transformer块,ReKey算法通过回归将信号写入关键神经元。 在十个视觉推理基准测试中,该方法在分布内外均持续提升模型性能。
研究提出 SkimPrefill 方法,利用 Qwen3.5-0.8B 等小模型在低分辨率下快速定位关键图文单元,加速视觉语言模型(VLM)处理 100K token 长输入的 Prefill 阶段。
研究提出RespCCT和FreqCCT两款紧凑卷积Transformer,参数规模分别为173,187和124,999,在测试集上准确率达98.13%与97.58%。 模型比最强预训练网络减少2.0至64.6倍权重存储,计算输入图像耗时超过运行模型,线性探针能以0.958准确率识别数据来源库。
OCTR2A 架构利用对角 RGB 相机重建并预测鸟瞰图(BEV)轨迹,实现城市路口实时感知与预测。 该模型在单张消费级 GPU 上实时运行,预测 ADE/FDE 达 0.154/0.241 米;相比 SIND 基准 SOTA,预测精度提升 66.7%/41.7%。 R3ST++ 合成基准支持真实场景适配,无需 LiDAR 或 HD 地图等昂贵资源。
ViLFlow 是一款结合输出嵌入联合建模与并行 token 解码的连续流视觉-语言模型。 该模型在 VQAv2 上优于自回归及掩码扩散基线达 8.46 个百分点,在 COCO Karpathy test 上提升 CIDEr 16.25 分。 其解码器可独立适配,在不重新训练去噪器的情况下提升问答与描述能力。
研究提出 EmergeFuse 框架,通过类相对热线索选择提升开放词汇语义分割性能。在三项基准测试中,未见类 mIoU 最高提升 4.755%,严格互补转换率提升 15.730%。该方法解决直接融合导致的 RGB-语言对齐干扰,保留 RGB 预测可靠性。
将不可信文档渲染为页面图像可平均降低提示词注入成功率,但防护效果取决于模型与操作类型。测试涵盖6个模型及191个来源,Qwen3-VL-8B 对图像注入的替换操作执行率仍高达 77.96%。
研究团队提出 VideoACE 基准,包含 1000 道多选题,涵盖六大类细粒度动作理解,并附带时序证据标注与经筛选的用户提示。 评估环境结合视频检查工具与用户模拟器,允许模型调整时间覆盖、采样密度及空间细节,并在模拟用户反馈下重新审视证据。 该基准测试了单通道观察、自主工具使用及结合用户反馈的工具使用模式,为探索固定观察设置之外的智能体视频理解提供了测试平台。
针对 CLIP 式辐射学预训练在零样本评估峰值后性能下降及大批次训练失效的问题,研究提出兼容性修正方法 CorLIP。该方法无需改变架构,仅将临床断言与图像一致的文本视为正样本,解决了确定性梯度偏差。 CorLIP 大幅放大数据增益,并在 B=2048 的大批次下保持稳定,且该修正可从胸部 X 光迁移至 3D CT 模态。
研究评估 RADAR 和 Merlin 两个通用 CT 基础模型对 517 例肝脏肿瘤的多相 CT 鉴别能力。 Zero-shot 场景下 RADAR 准确率仅 54.4%,而采用 linear probing 方法后提升至 79.9%,显著降低误判率。 结果显示通用 CT 基础模型的零样本肿瘤鉴别能力有限,需通过特征微调优化。
针对冻结检测器的监督后处理选择,Full100 在319张图像上匹配6004个物体,优于原始WBF的5848个。 原生集上下文增加275个匹配但增加96个未匹配预测;Full100与元统计读数在64张图像完整工作负载下耗时约95毫秒。 研究表明特征维度和非净检测增益是采纳的不可靠指南,支持使用信息充分的输出读数。
研究团队提出 ProtoBridge-CLIP 框架,结合全局对齐与观察掩码发现监督,在医学影像表征学习中区分已确认、明确否定及未提及的医学发现。 该方法在 CT-RATE 等 3 项 CT 基准及 5 项胸片基准上取得 66.5%至 91.4% 的 macro-AUROC 成绩,优于全局对照。 结果表明,在表征学习中对已观察与未观察概念差异化处理具有实用价值。
针对 MoE 视觉-语言模型(VLM)在端侧部署面临的内存挑战,MoMoVL 提出了模态感知自适应压缩框架,将推理资源需求控制在端侧预算内。 该框架联合利用专家激活特征与模态量化敏感度指导位宽分配,相比均匀精度基线减少内存占用最高达 15.44%,且精度下降温和。 MoMoVL 在精度-压缩权衡上优于最先进混合精度基线,代码和数据已公开,论文被 WSDM 2027 接收。
无训练方法 SEE 使冻结 VLMs 能通过重新审视指向区域提升细节感知。在五个小物体基准上提升 2.3-13.1 分,优于五个无训练基线。Qwen3.5-4B 借助 SEE 超越 Qwen3.5-9B 直接回答,并匹配 6 倍大的 Qwen3.5-27B 性能。
研究量化了 GUI 环境在奖励、数据和特征三个维度上的完整性对训练效果的影响。在 MobileGym 中微调 Qwen3-VL-4B-Instruct,仅奖励参考路径使成功率降低 10.53 分,而剔除冗余特征使成功率从 51.61% 提升至 56.13%。
推出包含 602 个合成多立方体装配的基准测试 SixthView,要求模型根据五个正交视图预测第六个隐藏视图。 涵盖 2 至 10 个部件的装配体,采用精确网格评估,确保所有合法装配产生一致的隐藏视图。 在 552 项完整评估中,结合图像与精确文本的准确率范围 33.2% 至 85.4%,添加精确文本显著提升性能。
NullTok 提出免训练的空值 token 选择方法,利用 64 个无关对照查询构建经验空分布以校准亲和度,在 64 个完整帧当量预算下有效压缩视频视觉输入。 该方法在 Video-MME 基准上配合 LLaVA-Video-7B 和 Qwen3-VL-8B 分别取得 65.81% 和 68.85% 的得分,优于同预算下的所有对比基线。
GRAFT 方法通过图正则化原型场,在 11 个基准及 4 个 ImageNet 偏移场景下,提升了零样本模型的适应性能。 该方法使用高斯马尔可夫随机场先验和类存在模型,在缓存特征上实现无梯度、闭式推理。
研究人员提出 MEM-STRESS,一个将智能戒指生理数据转化为分层记忆以驱动基于 DBT 的多轮对话的 AI 聊天机器人。 在为期四周、60 名成人的非随机研究中,MEM-STRESS 组在 71.8% 的会话中引用了生理特征,相比对照组显著提升了用户对个性化支持的感知(44.4% vs 14.3%)。
该研究构建了视觉 LLM 与经典 CV 结合的管线,处理 3954 篇 COF 文章,生成 11445 条校准衍射曲线并开源为 COF-PEAK 数据库。 视觉 LLM 负责解析图像布局定位曲线,经典 CV 细化至像素级精度;与手工数字化相比,提取峰值中位偏差仅 0.07 度。 该方法使衍射图谱转化为可复用实验数据,支持分析合成条件下峰强变化及结晶度标记。
研究表明,语言模型通过权重空间编程直接编辑视觉语言模型SmolVLM-256M和LFM2-VL-450M的权重,无需梯度即可修复植入故障。 关键机制依赖32位算术故障在16位权重中留下的低比特痕迹;舍入这些比特后模型不再能精准恢复原值,但提示中指明统计特征仍可定位损坏行。该发现建议在权重修复研究中报告权重数字格式并包含舍入对照实验。
论文提出免训练方法 SHRINK,通过部分减少生成过程中可见关键值中与 sink 对齐的分量,在 9 个基准测试中提升推理准确率。 该方法在 LLaVA-OneVision-7B 和 Qwen2.5-VL-3B 上平均准确率分别提升 5.1 和 2.7 个百分点,且能替代现有注意力引导方法 GIFT 和 ACG 的操作。
SOSM 框架将时间事件视为几何属性,在 184 例患者队列中实现平均 C 指数 0.768。 模型自动复现代谢驱动因子,代码已开源。
SIGMA 提出一种基于说话人感知与症状结构化的抑郁严重度估计框架,在扩展困扰分析访谈语料库上实现 CCC 0.762、RMSE 4.13、MAE 3.30 的最先进性能。 框架采用说话人分离仅限参与者语音,利用交叉注意力机制融合文本、音频和视频模态,并通过共享潜在严重度特征与特定条目有序阈值联合预测八项问卷条目。 消融实验证实隔离参与者语音及联合结构化症状预测显著提高了估计准确性。
HORIZON 模型利用等变 Transformer 预测组织速度、增长及细胞丰度,以学习单细胞时空动力学。 该方法在四项空间转录组时间序列数据上,比现有空间及非平衡轨迹方法更准确地重建组织几何与基因表达。
该研究全面综述了利用人工智能数字技术管理行为成瘾的方法。 其涵盖预防、检测、治疗和恢复,旨在弥合临床基础与前沿计算方法,为研究人员和临床医生提供跨学科视角,并探索更具可扩展性和有效性的干预路径。