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。
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。
华为麒麟 9050 系列芯片搭载新一代音视频处理器,音频性能提升 30%,支持新一代音频 DSP、H.266 视频硬解码和低延迟 AI 异构协同计算。 通过 DSP+NPU 异构协同实现 AI 静谧通话功能;率先支持 H.266 硬解码,相比 H.265,弱网直播卡顿降低 50-70%,同网速下分辨率提升一档,同分辨率下播放时长提升 2-3 小时。
AquarIum 让 12 个 AI 模型基于同一提示词各自生成一个鱼缸及其中生物,用户选择最喜爱的鱼缸即可揭示其背后模型。
Apple 启动研究项目,探索将 AI 用于健康领域的场景。 该项目明确不用于诊断或治疗,也无法替代专业医疗建议。参与者需自行咨询医生以核实健康信息。
Anthropic 的 Claude Fable 5.2 不依赖外部图像模型,而是通过编写 Python 代码模拟画笔、颜料和画布物理特性,将绘画过程拆解为独立笔触指令。
推荐理由:Claude Fable 5.2 展示了通过代码模拟物理画笔逐笔作画的过程,而非调用图像生成模型,其纠错机制和笔触规划能力与机器人控制任务具有直接关联。
法国 24 台报道称,近期航班停飞、微软服务中断及 AI 引发的混乱导致公众怀疑是否为网络攻击,进一步加剧了网络安全恐惧。 基础设施的连接性和自动化程度空前提高,意味着单一故障或滥用 AI 的恶意行为可能引发快速级联效应。 文章指出,这些事件是对韧性思维的有力压力测试。
彭博社记者古尔曼透露,苹果计划于 2027 年 6 月 WWDC 发布首款智能眼镜,并在当年年底出货。 原型机代号为 N50,运行精简版 visionOS 28,处理器基于早期 Apple Watch 芯片改进而来。 眼镜无内置显示屏,主要通过 Siri 交互,支持识别、导航及翻译等功能,可与 iPhone 协作运行。
Anthropic 新语言模型 Claude Fable 5.2 通过代码模拟画布笔触生成复杂绘画。开发者 Jake Eaton 在 X 展示模型利用约 70 万条 Python 指令绘制停车车库,无需依赖外部图像模型。该路线将生成转化为包含物理纹理和错误覆盖的逐步执行过程。
OATs 是一套由卡内基梅隆大学开发的微型 AI 智能体系统,通过电子墨水屏为实体物品赋予可表达情绪的虚拟形象。 该系统主模块成本约 20 美元,利用 Gemini Nano Banana 生成图像,根据传感器数据实时反馈物品状态。 目前 OATs 主要作为概念验证技术,续航仅为 3 至 4 天,旨在将 AI 互动从手机屏幕拓展至现实生活。
用户因体验不佳而弃用 YouTube Music 和 Spotify 的 AI DJ 功能,核心痛点在于评论内容的空洞与事实错误。 YouTube 的 Beyond the Beat 曾误读 Charli XCX 歌曲并出现发音错误,Spotify 的 AI 评论则过度使用口语填充词。
卡内基梅隆大学博士生 Daehwa Kim 提出了 OATs(Object Agent Twins),一种让日常物品化身 AI 电子宠物的微型智能体系统。OATs 利用 E Ink 显示器和传感器,通过 Google Gemini 的 Nano Banana 图像生成服务,根据传感器数据生成不同的情绪表情。
美团 LongCat 团队发布 1.6 万亿参数模型 LongCat-2.5,这是专为处理长步骤自主任务的智能体(Agent)及编码工作设计的大型混合专家(MoE)模型。
UC Berkeley 研究团队利用 AI 在瑞典心电图数据中发现了预测心源性猝死的隐藏信号。 该模型基于超过 44 万份瑞典心电图数据训练,并在美国及台湾地区数千份记录中完成验证。其识别高风险患者的能力优于仅测量心脏泵血量的标准测试。 心源性猝死每年导致美国超 30 万人死亡,该模型有助于医生筛选需要植入除颤器的患者。
名为 Beau 的应用推出六款具备不同性格与语音模式的 AI 伴侣,支持日常对话、语音通话及语音备忘录。 用户可免费使用并体验浪漫互动故事,应用强调隐私保护,聊天数据不会被出售,且可随时删除历史记录或账号。
苹果首款智能家庭中枢 HomeView 于 11 月 13 日上市,首批评测指出其 Siri AI 表现不佳且存在隐私隐患。该设备配备 7 英寸 Liquid Retina 屏与 A18 芯片,支持人脸识别最多 6 名用户,但 Siri 常答非所问或卡住。测试发现家庭成员隐私信息可能在共享屏幕暴露,个性化设置及流媒体支持有限。
Claude 的训练数据涵盖了从公元前 2100 年苏美尔泥板到现代粉丝小说的广泛人类书面记录。 最古老的候选文本是《吉尔伽美什史诗》,其早期版本可追溯至公元前 2100 年的苏美尔。学者已在 20 世纪 80、90 年代将这些泥板数字化,并采用 Unicode 编码,Claude 能够理解这些语言。
首届AI音乐颁奖典礼在洛杉矶举行,由Sonic Intelligence Academy(SIQA)主办,设立AI歌曲等25个奖项。 奖项通过SIQA的“Verified Registry”注册,区分全AI、AI辅助及克隆人声,由艺术家互投。
机器学习被用于识别无线电干扰、评估系外行星候选体及估算大气属性,但尚未确认地外生命存在。 UCLA 团队利用卷积神经网络分析信号方向一致性;Peter Ma 等人 2023 年结合变分自编码器与随机森林在 820 颗恒星中筛选出 8 个待复查信号。 这些模型辅助科学队列排序,但高分结果仍需后续观测验证,以区分设备干扰与潜在技术信号。
Claude Fable 5.2 在 Wojak-Bench 3D 3D打印盲测中领先,胜率71%。 GPT-6 Astra 胜率29%,测试基于同一指令和最多3轮修订预算。该榜单为社区偏好投票,非受控评估,样本量小。
作者将 2013 年 Recon Jet 眼镜修复并移植 Linux 系统,通过 Claude Code 逆向硬件,构建集成语音识别和视觉分析的智能体应用。项目使用 microWakeWord 处理本地唤醒,通过 llama-swap 调用远程视觉与语音模型,实现了基于相机和麦克风的交互式 AI 眼镜功能,并探索了世界模型构建。
Scatter是一款基于AI的思维导图工具,允许用户通过文本、聊天或图像探索主题并生成结构化概览。工具支持浏览器端运行,数据存储在本地,用户可自带API Key调用OpenAI、Anthropic、Ollama等云端或本地模型。应用内置了事实检查、图像生成与编辑、Obsidian导出以及自定义模型角色功能,源代码在PolyForm非商业许可证下发布。
Concept2Brain 是一个开源云平台,能根据用户输入的文本或数字图片生成合成脑电图(EEG)信号,以预测大脑对特定刺激的电生理反应。 模型采用条件变分自编码器(cVAE)和 CLIP 网络进行跨域翻译,生成的信号信噪比高于单次实验记录。 这解决了获取 EEG/ERP 数据在时间和资金上的壁垒,让不同背景的科研人员能低成本生成模拟数据以测试新假设。
Unus Lumen 发布 GURU,一个开源端侧 AI 框架,支持跨协议控制网络内设备并自带可写能力的本地工具链。框架通过 Tor 路由模型调用,内置 Rust 加密记忆引擎、十二个房间式工作区与 Otio 创作者市场,用户可导入自定义模型并直接安装约 743 MB 的 Android APK 进行使用。
中国创作者foyege利用AI工具制作《哈利·波特》性转二创短片,在海外平台累计获3000万播放量。 作品将马尔福设定为金发女性并与哈利展开恋爱,获得欧美歌手及好莱坞制片人点赞,多国网友自发录制Reaction视频。 创作者未使用正式剧本,单人完成前期构思、角色三视图设计及分镜执行,展现了AI降低影视制作门槛的可能性。
Runway 以 Apache 2.0 协议开源具身智能模型 Praxis-1,利用视频生成模型学到的世界动态预测环境变化并生成机器人动作。该模型在 Nvidia RoboLab-120 评测中以 46.2% 成功率位居 World Action Model 类别榜首,且仅需约 95 小时数据即可微调未见过的移动机器人,成功率达 80%。
美国首届 AI 音乐奖颁奖典礼在洛杉矶举行,虚拟歌手 Xania Monet 独揽年度艺人、歌曲和专辑三项大奖。 其代表作《How Was I Supposed to Know?》成为首支进入《公告牌》电台播放排行榜的 AI 艺人作品,创作者强调歌词由真人亲自撰写。 主办方认为 AI 音乐是新的音乐类型,入围者借此展示其背后真实的艺术付出与心血。
Disney 正在将 AI 引入电影制作及主题乐园运营,同时严格保护知识产权。 此举源于与 Adobe 达成协议,在 Firefly Foundry 平台构建定制生成式模型。 标志着好莱坞最重视 IP 保护的制片厂从抵制 AI 转向大规模应用。
谷歌高管 Ammaar Reshi 发布视频,演示在苹果 iPhone Duo 上运行 Windows 11 系统,并开源 WindowsiOS 项目。 该项目借助谷歌 Gemini 4 Carbon 模型开发,通过虚拟机在 iPhone Duo 上运行 Windows 11 on Arm 24H2 系统镜像,支持触控操作,且在半折叠状态下可呈现迷你笔记本形态。
苹果在采访中说明,其首款智能家居中枢 HomeView 通过多用户识别与设备联动机制,在家庭共用屏幕场景下保护用户隐私。 该设备可自动识别最多 6 名家庭成员,当他人进入摄像头视野时会立即隐藏私人信息,且私人数据不永久存储于设备中。