跳到正文
11月13日周五
  1. arXiv · AI23

    TRACE:大型音频语言模型源级反事实审计框架

    研究提出 TRACE 框架,用于审计 8 个大型音频语言模型在 3,456 个混合样本中的证据一致性。 结果显示 6.3% 的正确答案未通过排序审计,且随目标信噪比下降,该失败比例从 4.9% 升至 8.4%。 该审计揭示了准确率无法证明模型能区分声音存在与否的底层逻辑冲突。

  2. arXiv · AI34

    Where Is My Mug? 无训练个性化图像分割框架

    该研究提出无训练框架解决个性化图像分割中相似实例混淆问题,指出现有方法在单实例基准上的高分是伪影,而在真实多实例场景中点提示方法因召回瓶颈而失效。 系统通过类无关检测器生成提议,利用 BLIP-2 特征匹配及新提出的 Top-K Sinkhorn 算法筛选,最后由 SAM 细化,以低于 100 倍的成本恢复鲁棒性。

  3. arXiv · AI23

    视频反向色调映射新框架:基于潜在亮度监督的盲后验推理

    针对SDR转HDR的盲逆问题,提出将视频反向色调映射重构为后验推理,通过潜在亮度监督纠正生成先验导致的亮度偏差。 使用视频扩散隐空间固定仿射功能量读取对数亮度,配合非对称损失选择后验分位数,并在显式色调算子族下合成训练SDR,使亮度误差更平缓且平均更小,在三项基准测试中取得最佳感知质量。

  4. arXiv · AI37

    基于 V-JEPA 特征的多视角三维重建研究

    利用 V-JEPA 视频预训练特征进行有监督多视角重建,在 CO3D 168 个五视角窗口中,空间相机配置使绝对轨迹误差降低 29.3%。 联合相对目标将相似度对齐 Chamfer 距离从 0.6447 优化至 0.5573,但原始 Chamfer 距离增加。 结果揭示了表示适配、对齐形状与原始重建的差异,建议独立评估组件后再归因性能提升。

  5. arXiv · AI23

    视觉大脑探针:统一框架连接视觉基础模型与脑活动

    提出统一框架,将视觉基础模型与脑活动连接,支持多视角神经分析。 该框架使用稀疏可解释的视觉原型表征替代黑盒特征,通过线性读出将原型与体素响应关联,实现模型透明化。 该设计揭示了视觉概念对神经反应的驱动作用及皮层组织规律,确立了原型表征在研究人类视觉表征中的统一可解释基础。

  6. arXiv · AI24

    提示驱动的自蒸馏用于推理分割

    论文提出提示驱动的自蒸馏(HISD),利用外部模型生成的分割提示证据进行 token 级信用分配,以解决视觉相似对象中识别目标的问题。 HISD 通过提示条件化的指数移动平均教师模型计算证据比率,仅调整正组相对优势的大小,学生模型在推理时既不需要提示也不需要教师模型。

  7. arXiv · AI28

    基于熵的视图选择在视觉-语言模型测试时适应中的局限性审计

    研究显示,当预测错误且存在正确视图时,熵识别有效视图的能力仅略优于随机,仅恢复约 1/20 的 Oracle 精度。 分析表明熵衡量置信度而非类别偏好;利用裁剪保留比例排序,在 15 个基准中的 14 个上优于熵方法。 该研究被 NeurIPS 2026 Workshops 接收,揭示了测试时适应中未被利用的信号。

  8. arXiv · AI28

    ESGPred:结合领域特定语言建模与图学习的模块化ESG预测框架

    ESGPred提出结合领域特定语言建模与图学习的模块化ESG评分预测框架。 在5,266份2020-2023年上市公司可持续发展报告数据集上评估,以LSEG Data & Analytics评级为基准,结果显示加入图关系学习可提升预测性能。 该框架能预测ESG总体评级及环境、社会、治理各分项,为投资决策与合规评估提供数据驱动支持。

  9. arXiv · AI22

    低资源词典场景下的手语检索研究

    基于 ASL-Citizen 训练的手势编码器在冻结状态下,对六种低资源手语检索的首次准确率达 36.4%-80.7%。 消融实验表明,采用 per-pair InfoNCE 目标并屏蔽身体与手部间的注意力,可将准确率提升最高 5.1 个百分点。

  10. arXiv · NLP58

    Lara Mini Base 发布:语言多样性作为资源而非权衡

    研究团队发布 Lara Mini Base,这是基于 6T tokens 和 44 种语言训练的开源多模态 MoE 模型,总参数量 7.2B 且激活参数 0.6B。该模型在标准英语、多语言、数学及代码基准测试中,以少于主流模型 4 至 6 倍的训练数据量取得最高平均分。其 128k 上下文支持及单 GPU 无量化 1.8 倍推理速度优势,证明了 MoE 架构有效缓解了多语言训练中的容量竞争问题。

  11. arXiv · NLP21

    MuSeToM:基于六种感官文本线索的信念修正多感官评估基准

    MuSeToM 发布包含 2415 个实例的人机验证文本基准,用于评估大语言模型在理论推理中的认知信念修正能力。该基准改编自 BigToM 和 OpenToM,涵盖六种感官类别的文本线索,测试模型判断信念是否应修正及推断更新后状态的能力。 系统评估显示,模型常能检测到信念可能改变,但难以识别更新后的信念,且频繁基于感知显著但认知不足的线索进行过度更新。

  12. arXiv · NLP25

    IsharaBART:一种基于 BART 的孟加拉语手语翻译高效双向框架

    研究者提出双向生成框架 IsharaBART,通过 BART 条件语言建模解决孟加拉语手语低资源双向翻译难题。 基于 BART 架构构建紧凑去噪 Seq2Seq 模型,经 1,000 条并行数据与 4,831 条扩充数据微调,BLEU-4 达 51.7。 该框架参数量不足基线模型 10%,性能超多数多语言模型,预训练可加速收敛并提升精度。

  13. arXiv · NLP30

    低资源语言语音转写:28 个开源多语言模型在 50 种低资源语言上的迁移微调研究

    该研究测试了 28 个开源多语言模型在 Low-Language-TTS 数据集上的表现,并在 50 种低资源语言上进行了微调。 微调使 24 个模型的宏字符错误率(CER)降低 16.6 至 53.1 点,最低降至 9.5;使用低秩适配器(LoRA)仅微调 4% 的权重即可接近全参数微调效果。

  14. arXiv · AI20

    Food Critic: 用于可审计餐厅安全推理的智能体可视化系统

    该系统整合公共卫生检查与大众点评数据,为餐厅决策支持提供基于证据的可审计推理。 研究评估了三种智能体配置:仅数据库 ReAct 智能体、结合法规检索的智能体,以及生成结构化假设的本体引导智能体。 工作将餐厅选择定位为人机协作、智能体推理视觉溯源及生成式 AI 决策支持界面设计的具体案例。

  15. arXiv · AI25

    面向鲁棒视觉语言推理:基于掩码扩散模型的多阶段优化管线

    论文提出 Masked Diffusion Drive(MD-Drive)多阶段优化管线,在 NAVSIM 闭环基准上较未优化模型性能提升 29.7%。 该方法结合监督微调、强化学习及动态解码 DAD,无需辅助专家模块。MD-Drive 在 nuScenes 和 DriveCoT 数据集上超越同架构自回归基线,实现性能与计算成本更优平衡。

  16. arXiv · AI30

    SRD 无训练框架扩展预训练模型的决策空间

    该研究提出结构化再解码(SRD),一种无需训练的框架,通过联合优化局部候选选择来扩展预训练模型在新结构约束下的决策空间。 在分子生成、蛋白质设计等领域验证其提升结构化推理能力,并初步探索了物理相干 Ising 机实现硬件优化的可行性。

  17. arXiv · AI31

    GuardianAgentFlow:用于网络隐私保护的多智能体协调框架

    GuardianAgentFlow 提出一种多智能体框架,通过显式发布契约中介外出 Web 请求,以区分经脱敏处理可发送的请求与必须扣留的请求。 该框架包含限制检查、共享保护范围及基于候选者的反馈机制;实验表明其在人工审查意图标签的 Web 请求中提升了请求契约成功率,且协调效益在更小中介模型下依然存在。

  18. arXiv · AI62

    前沿医疗智能模型 Neuro-VL 提升脑神经影像解读能力

    研究团队推出 Neuro-VL,这是一个基于近百万例神经影像数据训练的多模态模型。在内部及国际数据集评估中,Neuro-VL 在异常诊断、定位及生成放射学报告方面,表现优于 OpenAI 和 Google 的前沿通用及专用医疗模型。该模型还支持对连续影像检查进行对比,以评估疾病进展,并能更可靠地抵御误导性临床假设。

    推荐理由:Neuro-VL 在多项任务上超越了 OpenAI 和 Google 的前沿模型,展示了通用医疗 AI 的纵向监测能力。

  19. arXiv · NLP25

    Jev 作为多语言评估裁判的表现评估

    研究对比了 Jev 与生成式 LLM 在四个多语言基准上的表现,覆盖 47 种语言。Jev 评估成本仅为 GPT-6.1 的 1/31 至 1/61,在多数任务中具有竞争力,但在知识密集型验证上落后。 Jev 在低资源语言中更易接受错误答案,其概率输出有助于识别错误。研究据此提出评估指令、基于置信度的选择及模型路由建议。

  20. arXiv · ML33

    WorldTrace 框架解决视频世界模型长时程视觉持久性地址失效问题

    WorldTrace 是一个免训练的内存框架,通过为每个摘要槽位分配独立的分布内虚拟位置,解决了视频世界模型在超出训练范围后因 RoPE 偏移导致无法可靠访问存储内容的问题。 该框架利用模型自身注意力决定保留或合并观测,构建有界可寻址内存库;在 LoopBench 基准测试中,其 DINOv2 召回相似度比滑动窗口提升 32.6%。

  21. arXiv · ML27

    扩散模型数据结构与不平衡对学习动力学影响的分析

    研究构建了高维分析框架,揭示类别方差是决定 score-based 扩散模型学习顺序的主要因素,始终有利于高方差类别。 采样不平衡作为调节因素,可逆转学习顺序,迫使少数类别在后向扩散阶段产生延迟推理时间。 论文在 Fashion MNIST 上使用 U-Net 模型验证了预测,相关成果已被 NeurIPS 2026 接收。

  22. arXiv · ML28

    TRACED-X 实现人胶质瘤患者体内细胞微结构与组织参数量化

    TRACED-X 结合蒙特卡罗模拟与神经网络,实现了胶质瘤患者体内细胞微结构与扩散参数的同步量化。 该模型通过训练神经网络回归器估算参数,利用8名患者的扩散数据拟合,参数分布与临床影像特征高度一致。 TRACED-X 有望在肿瘤治疗前后识别异质亚区,其相关参数未来将探索在临床上的应用。

  23. arXiv · ML29

    MotionCFG:通过语义运动锐化提升视频生成中的运动动态

    提出无训练方法 MotionCFG,通过向运动嵌入注入高斯噪声构建负向条件,选择性放大 T2V 生成中的运动意图。 方法在理论上近似语义拉普拉斯锐化,抑制运动模糊区域;配合分段引导计划,以极低开销显著提升现有 SOTA T2V 框架的运动质量。 该方法已获 NeurIPS 2026 录用,并证明其原理可泛化以调节物体数量等复杂非线性概念。