LLM-to-Phy3D:利用 LLM 实现在线物理约束 3D 物体生成
LLM-to-Phy3D 利用 LLM 实现在线物理约束 3D 物体生成。 它引入在线黑盒微调循环,通过视觉与物理评估驱动迭代,提升 3D 模型的物理性能与几何新颖性。 在车辆设计优化中,该框架使 LLM-to-3D 模型物理合规 3D 设计能力提升 4.5% 至 106.7%,已发表于 IEEE CEC 2026。
LLM-to-Phy3D 利用 LLM 实现在线物理约束 3D 物体生成。 它引入在线黑盒微调循环,通过视觉与物理评估驱动迭代,提升 3D 模型的物理性能与几何新颖性。 在车辆设计优化中,该框架使 LLM-to-3D 模型物理合规 3D 设计能力提升 4.5% 至 106.7%,已发表于 IEEE CEC 2026。
研究提出一种可解释的多示例学习框架,通过融合细胞分布与图像特征实现恶性淋巴瘤分型,在 1,233 张全切片图像数据集上达到最先进精度。 方法采用基于混合专家机制提取每个 patch 的细胞图与图像特征,提供区域级和细胞级解释,与病理医生视角一致。 该框架发表于 MICCAI 2025,旨在提升淋巴瘤分类的准确性与可解释性。
研究人员提出 MINT 模型,通过嵌入注入技术将支付网络预训练的交易嵌入与 LLM 结合。 该模型在数百万交易问答样本上完成指令微调,评估了零样本泛化与推理效率。 结果显示紧凑嵌入显著提升预测 QA 精度并降低 token 消耗,但序列化历史在抽取式 QA 上更具竞争力。
研究团队推出首个皮电活动(EDA)基础模型 UME,基于包含 731 名用户、约 23,000 小时数据的 EDAMAME 数据集训练。 UME 作为冻结特征提取器,仅需通用时间序列基础模型 20% 的计算资源,性能即可匹配后者;在下游任务微调后表现进一步提升。 模型权重与代码已开放共享,且性能随预训练数据量增加而提升,揭示了 EDA 信号处理的未来研究方向。
研究提出自适应重参数时间(ART)方法,利用 ART-RL 强化学习策略优化扩散模型采样时的时间步调度。该方法在有限时间步预算下最小化欧拉离散化误差,显著提升了采样效率。在 EDM 流水线中,ART-RL 在 CIFAR-10 等数据集上改善了 FID 分数,且无需重新训练即可迁移至新任务。
研究提出名为 diffusion models with $z$(DMZ)的模型,证明 Diffusion 自编码器(DA)具有未充分利用的生成潜力。 DMZ 采用特定的潜变量选择和条件方法,实验显示其收敛所需迭代更少,且能以更少的去噪步数生成高质量样本。
提出MVC-ZigAL强化学习微调框架,解决少步文生多视角扩散模型在逐视角保真度与跨视角一致性上的质量妥协问题。 该框架包含联合视角奖励的MDP建模、利用自精化采样提升优势学习信号的策略,以及基于拉格朗日对偶约束的多视角优化机制,代码已开源。
研究通过控制变量框架解耦多模态视觉编码设计,发现从头联合训练的编码器与预训练编码器性能相当,预训练视觉先验并非必要。 即便移除独立编码器并扩大主干网络参数,模型在视觉理解上仍落后;将视觉专用模块融入主干早期层可保持同等性能,并降低首字生成时间。 这些结论在不同主干规模及从预训练语言模型起步的场景下均成立,支持在主干早期部署联合训练的专用视觉容量。
Joint Null-Space Projection (JNSP) 提出无数据模型合并方法,在 8 个 CLIP 图像分类任务上将 ViT-B/16 专家模型平均准确率提升至 89.45%,超越 TIES-Merging 11.88 个百分点。 该方法移除任务向量在其他任务子空间中的分量,无需前向传播,但在 RoBERTa-large 上表现低于纯任务算术。
DIAGNO 提出了对角球面神经算子,通过显式参数化跨模态交互核来保留地球动力学的固有非均质性,在流体动力学及真实地球系统再分析数据集的多步预测中持续取得 SOTA 性能。 模型利用球面频谱的独特对角结构设计了带间与带内交互机制,原生捕获纬向与经向动力学规律。 该工作验证了其在气候异常捕获和物理一致性方面的分析价值,已被 NeurIPS 2026 主会接收为 Oral 报告。
GC-MoE 操作针对 RTX PRO 5000(SM120)重构,通过 warp 级 FP8xFP4 块缩放 MMA 实现专家并行解码加速。 在 8 张 RTX PRO 5000 上,该算子比 FlashInfer CuTe DSL W4A8 和 Cake MegaMoE 分别快 1.522 倍和 1.387 倍。
746 名人类参与的研究显示,多元智能体能让公众代表个人偏好影响 AI 政策,比直接向单一 AI 推理模型输入更公平。 智能体影响力受提示词影响,如更详尽或低配合度会增加影响力;参与者满意度恢复基线差距的 68%,公平性恢复 82%。
CBRL 方法在 ViT-L/16 骨干和 10% 下游标签条件下,在四个主要农业测试基准中取得了最高的 macro-F1 单点估计。 在 DeepWeeds 数据集上达到 79.77%,比随机初始化基线高 32.29 点;PlantVillage 达 98.14%,PlantDoc 各方法性能均不佳。 该联合形式是标签受限迁移的有前景候选,但研究未确立统计显著优势。
提出免训练低秩 KV 压缩框架 TraceKV,结合量化实现 5.64× 压缩且近无损推理准确率。 通过统一在线策略校准、敏感度感知 SVD 与全局秩分配,显著降低推理策略 KL 散度。 优化低秩注意力内核带来最高 1.83× 端到端解码加速。
自动评估分数取决于生成器、提示分布及验证器协议。研究在 6240 张 Qwen-Image-2512 和 FLUX.2-dev 生成图像上,比较 MLLM 验证器在不同协议下的表现。
论文提出学习运动与帧外观的生成式耦合先验,以解决视频逆问题中的重建。该先验作为插件式正则化器,通过条件扩散模型学习运动诱导的外观残差分布。 该方法作为扩散视频重建的补充,在动态视频逆问题实验中优于光度一致性基线,并可迁移至心脏 MRI 重建。
Arbor 通过建模标签粗化过程,在 Cars、CUB 等数据集上将 90% 粗标签场景下的新类图像正确归入超类的比例提升至 76-85%,优于层级分类器及 Elkan-Noto 修正。
研究人员提出兼容NISQ设备的多头量子神经网络,可将Qwen3-30B-A3B-Instruct-2507中连续8个Transformer块替换为含145,281个可训练参数的量子模块,置换16.33%的模型参数。
MAST框架针对多模态大模型(MLLM)中激活引导方法的跨任务干扰问题,提出了一种无训练、输入自适应的激活引导方案,MAST-PR版本较MAST平均提升8.09分。 该方法通过任务内多中心聚类选取质心,在推理时路由至多个质心并提取低秩局部引导方向,经跨聚类聚合生成最终引导向量。 该框架旨在解决全局激活均值落在簇间空白区域导致的性能不稳定问题。
预训练视频世界模型的预测评分混淆了编码器质量、近未来与近期过去的相似性及预测器贡献。 在27,000次家庭第一人称视频未来检索试验中,V-JEPA 2.1的预测器贡献了+0.291的top-1准确率,而V-JEPA 2仅贡献+0.03至+0.04。 作者建议将预测评分与其持续性基线一同报告,该差距是使数字可解释的必要检查。
审计显示5个开源医疗VLM在气胸检测上暴露严重缺陷,聚合准确率掩盖了单病种诊断的完全失败。 HuatuoGPT-Vision和Qwen2.5-VL在气胸病例上检测率为零,而MedGemma检测率为38%,该失败在独立数据集上复现且非由提示词或模型规模导致。 需报告各病种的召回率与特异性,以区分模型是否真正识别了特定医疗发现。
Sophon 是一个开源程序化诊断工具,揭示开放权重视觉-语言模型在剥离先验后空间推理准确率骤降至47-52%,远低于前沿模型的77-83%。 研究发现瓶颈在于路由机制而非能力缺失,通过针对中间层工作区的LoRA微调,可使7B级模型达到前沿模型的聚合准确率。
研究指出分词器对比需解耦粒度、词根分配与词级读出。在阿马拉语实体识别中,真实词根分配提升 F1 达 4.9 点,且词根频率结构解释力有限。 小模型中读出选择可致 F1 波动 13.4 点并反转对比符号,而预训练编码器中该影响小于 1 点。建议分解分词器效应并报告读出方式。
研究人员提出 MS-rPPG,一种结合 RGB 与近红外视频的多光谱 rPPG 框架,旨在提升复杂光照和头部运动下的心率估计鲁棒性。 框架采用跨光谱线性调制策略与 MS-Mamba 状态空间模型,捕捉长程时序依赖和跨通道交互。实验在 MS-Drive 和 MR-NIRP Car 数据集上验证了其优于既有方法的心率估计准确性。
研究提出多层组合融合(MCF)框架,利用眼动数据预测人类偏好决策。 该框架通过迭代组合模型并基于认知多样性缩减,显著提升了分类性能。 最优单模型 Pre@k 为 0.90,经 MCF 两层处理后提升至 0.9286。
研究发现,在医疗多选问答中,Qwen2.5-7B和Jais模型的原始概率存在过度自信,单一温度参数可消除82%至93%的期望校准误差。 两个模型在4种设置下精度分别为0.561/0.430(Qwen)和0.369/0.308(Jais);保形预测达到90%覆盖率时,选项集平均包含63%至89%的选项。
该研究提出一种无需分类目标的数据集蒸馏方法,通过在特征提取器的潜空间中“漂移”合成样本,使其既靠近真实数据又相互远离,从而直接近似每类数据分布。 实验表明,该方法生成的漂移数据对真实分布的覆盖度显著优于现有方法,且能作为强大的分类训练样本,并可扩展至图像之外的其他模态。 该方法推动了数据集蒸馏的前沿发展,提供了新颖的合成分数和基于分布的互补评估指标。
提出分解式 JEPA(D-JEPA)框架,将隐空间分解为对齐共享核心与私有模态特征,解决信息不对称导致的语义坍缩。 证明对齐冗余界,显示纯对齐目标会抹除私有结构与协同效应。D-JEPA 在组合推理基准上优于基线,恢复正向多模态协同间隙。 通过信息论审计与因果纤维交换干预,证实恢复的信息在私有特征中因果定位。
DRAMA 通过无训练加速框架,实现多模态扩散大语言模型(dLLM)平均 18.67 倍推理加速。 其基于空间感知视觉token剪枝(SVTP)与充分性引导自适应停止(SGAS),无需架构修改。 该方法已被 NeurIPS 2026 接收。
提出 DR-Diff 框架,通过函数梯度法构建伪目标,高效微调预训练条件扩散模型以解决训练数据中的虚假相关性。 该框架具备伪双重稳健性,能抵御密度比估计误差和基础模型误设;实验显示其在合成数据集上达到从头训练的噪声预测精度,并缓解分类任务中的组间差异。
论文提出一种基于期望覆盖概率的可微分损失函数,仅需样本即可校准条件生成模型,无需密度估计或架构修改。 该方法被证明是严格散度,当且仅当模型等于真实后验时消失;在高维成像逆问题中,其校准性能优于评分规则正则化器,点估计重构质量变化不大。
Curiosity-0826-4B 是新一代生成式医疗事件基础模型,基于 Epic Cosmos 训练。该模型参数量从 1B 升级至 4.3B,上下文窗口从 8K 扩展至 16K,实验室指标预测误差降低 18%-46%。 其儿童队列哮喘诊断 AUROC 达 0.742-0.785,成人死亡率预测 AUROC 0.821-0.942。无需额外训练即可通过零样本策略预测临床事件。
提出 SpaceMCP 框架,利用前馈 3D 重建与开放词汇分割实时构建场景图,通过 MCP 风格的结构化函数调用增强 VLM 的空间推理能力。 无需训练即在 VSI-Bench、MMSI-Bench 和 VSTI-Bench 上取得 SOTA 结果,较基础 VLM 提升 15-22 分。 该范式为克服原生 VLM 空间推理进展缓慢提供了有前景的路径。
研究首次对天文学基础模型 AION-1 进行因果机制可解释性分析,揭示其多模态红移预测优势主要源于编码器前 12 个 block 中的第一个。 研究发现空间延展性通过单个 attention head 线性解码但可分布式恢复;而尘埃消光由单个 head 主导,移除后优势显著丧失。
GLCR 方法在 HeteroSignal-7 基准上取得 96.16% 的路由准确率,超越所有 19 个基线模型。 该方法采用轻量 1D CNN 与梯度提升树的两阶段架构,推理延迟低至 1.43 ms,并将系统 FLOPs 降低 5.9 倍。 代码已公开,为电磁信号处理中的异构专家路由提供了高效且可复现的基线。
研究者评估了 GPT-2 风格 EHR 模型在 MIMIC-IV 训练下的记忆化风险,结果显示队列层面存在微弱记忆化,但在评估攻击下未发现可靠的病人级别数据泄露。
KQML-Liver框架结合量子机器学习与Kolmogorov-Arnold网络,在印度肝病患者数据集上实现82%分类准确率和100%召回率。该模型通过参数化量子电路与可解释的KAN功能映射捕捉非线性关系,有效防止数据泄漏并优于现有基线,为可解释的AI辅助医疗诊断提供新方向。
AROMA 提出冻结 VLM 控制框架,在 Llama-3.2-11B-Vision-Instruct 上,四维因果验证将程序化数据精确计数准确率提升 8.00 pp。 迭代最小努力驱动(MEA)达到 81.25% 的 oracle 目标,优于固定方向的 15.18%;在 7,992 个样本中,仅编辑 63 个输入即取得 65.741% 准确率。
皮肤游戏道具 SkinCast 实现未发售皮肤 180 天销售预测,RMSE 较 Informer 基线降低 20%。 系统采用 Informer、图嵌入及轻量 Transformer 编码,推理 p99 延迟低于 8ms 且吞吐量超 1100 rps。 该框架已投入生产一个完整发布周期,支持多候选皮肤 ROI 排名。
研究团队推出单一编码器基础模型 CARMEN,在 227 万模态小时的十种循环呼吸波形上无监督预训练,覆盖动脉、静脉及呼吸机等信号。 模型支持 10 秒至 5 分钟的任意共记录信号组合,引入 LSCNorm 机制恢复绝对信号水平,使术中低血压检测 AUROC 从 0.780 回升至 0.894。 在 19 项任务中,冻结编码器在 12 项上优于监督模型,并在多数对比中匹敌或超越专用信号基础模型。