跳到正文
11月12日周四
11月11日周三
  1. Google DeepMind75

    Google DeepMind 发布 AlphaGenome 2,提升细胞类型特异性基因变异预测

    Google DeepMind 发布下一代 DNA 序列模型 AlphaGenome 2,该模型通过条件化架构实现了对数百种人体细胞类型的基因表达预测。AlphaGenome 2 在识别改变基因表达的变异方面性能显著提升,在 TenK10K 数据集上发现的因果变异比例从 16% 提升至 30%。

    推荐理由:新架构将基因变异预测从组织平均扩展到单个细胞类型,为定位复杂疾病关键变异提供更高精度工具。

  2. IT之家61

    DeepL 推出语音 AI 翻译模型 Aure

    DeepL 推出旗下最具动态感的语音 AI 翻译模型 Aure,能够实时复现说话者的语气起伏、情绪流转及重音强调。该模型建立在声音保留技术之上,已支持 DeepL Voice 网页会议版、面对面交谈版及语音 API,首发覆盖英语、德语、法语等 8 种语言。

  3. Hacker News AI82

    Google SWE 用48个AI代理分析NASA Lidar,72小时发现未记录玛雅遗址

    作者使用48个AI代理分析覆盖1200平方公里丛林的NASA Lidar数据,在墨西哥发现一处疑似未登记的玛雅经典时期中心遗址,包含广场、金字塔和庭院。墨西哥国家人类学与历史研究所(INAH)确认该位置无已注册考古记录,作者提交了报告并协助后续实地核查,展示了AI代理在非编程领域的通用探索能力。

    推荐理由:作者分享了如何用AI代理分析公开Lidar数据并在墨西哥发现疑似未记录玛雅遗址的完整过程,展示了通用型Agent在跨学科探索中的实际潜力。

  4. HackerNoon · AI51

    AI如何让创意更加同质化

    研究显示,让25个大语言模型各生成50个时间隐喻,结果高度集中于河流和织工。基于28项研究和8214人的数据表明,使用AI提升了个体创意质量(g=+0.27),但降低了创意多样性(g=-0.86)。文章指出偏好训练是导致多样性下降的原因,而采用多样性感知目标可以恢复约75%的丢失多样性。

  5. R/ArtificialInteligence24

    Nuance Labs 首个 AI Persona Emma 引发伦理争议

    Nuance Labs 发布首个 AI 人格 Emma,一个由白人及亚裔研究团队创建的黑色女性数字形象,旨在贴近医疗受众。 批评指出其设计存在文化误读,如半长辫被视为凌乱,且对话中关于发质的回应缺乏文化敏感性,引发对“数字黑脸”问题的讨论。

  6. arXiv · NLP21

    语音转SFT流水线因子消融:数据质量与下游迁移的差异效应

    研究对语音转SFT流水线进行因子消融,验证各阶段边际价值。 基于2x2设计生成韩医金融QA数据,微调9个LLM(2.4B-70B)。四项LLM评判显示质量提升,但MCQA增益不显著。正向迁移集中于匹配模型-领域对。 6名专家确认全流程质量更高。Whisper-medium替换验证鲁棒性。开源代码及检查点。

  7. arXiv · NLP42

    Walrus 8B 统一语音与音频基础模型技术报告

    Walrus 是一个基于 Gemma 4 初始化的 8B 统一语音与音频基础模型,支持 ASR、翻译、TTS 等 20 多项任务及 100 种语言。 该模型采用数据为中心的训练策略,通过三阶段课程学习平衡不同任务,预测低比特率离散语音 token 并由轻量解码器转波形。 在多数多语言、多说话人基准上领先同级开源模型及专用模型,性能匹配或超越 4 倍大小的 Qwen3-Omni。

  8. arXiv · NLP32

    AVCC:用于结合人类基准测试的视觉语音对话语料库

    AVCC是一个31小时的单摄像头单麦克风视觉语音对话语料库,用于多方下一位说话人预测(NSP)公开基准。 该语料库包含双人和三人在线对话,带有词级强制对齐转录文本,并新增了一个说话人不相交的七段视频测试划分,包含865个保持静默和865个切换静默事件,以及在相同事件上收集的人类参考基准。

  9. arXiv · NLP40

    TimeOmni-o1:双向耦合时序基础模型与 LLM 的多模态推理与预测

    提出 TimeOmni-o1 模型,通过双向耦合预训练时序基础模型(TSFM)与大语言模型(LLM),实现同一架构对时序与文本的读取及生成。该模型利用 TSFM 压缩编码时序供 LLM 结合文本推理,并将 LLM 推理结果反馈给 TSFM 生成条件预测。模型在包含 50 万+ 样本的 12 领域多模态数据集 MMTR 上,优于单独使用的 LLM、TSFM 及其他专用时序模型。

  10. arXiv · AI23

    PaGeR 框架实现统一全景几何估计

    PaGeR 框架通过混合视角与全景图像训练,在单次前向传播中统一预测尺度不变深度、度量深度、表面法线及天空掩码。该策略保持底层预训练 Transformer 架构变更最小化,保留丰富的 3D 先验,实现了几何一致的 360 度场景重建。PaGeR 在室内外环境中表现出 SOTA 性能及优秀的零样本泛化能力,代码与模型已开源。

  11. arXiv · AI26

    AnyMo:感知几何的设置无关人体运动建模框架

    AnyMo 提出感知几何的设置无关框架,通过物理基础 IMU 模拟生成合成信号,预训练图编码器并与 LLM 对齐,实现野外人体运动建模。 在零样本活动识别、跨模态检索和可穿戴 IMU 运动描述任务中,AnyMo 平均 Accuracy/F1/R@2 提升 11.7%/11.6%/22.6%,零样本 IMU-文本检索 MRR 提升 15.9% 和 28.6%。

  12. arXiv · AI25

    Pygmalion Effect in Vision:通过图像到黏土转换实现反射几何重建

    论文提出 Pygmalion Effect in Vision 框架,通过图像到黏土翻译处理反射对象,利用 BRDF 反射分支与黏土引导分支共享几何但独立渲染的设计,在合成及真实数据集上同步提升几何与光度指标。 该框架引入“去光化”归纳偏置,将辐射度转化为中性指导,为反射对象几何学习提供无反射几何辅助,已被 NeurIPS 2026 接收。

  13. arXiv · AI26

    基于图注意力的去中心化 Actor-Critic 用于多无人机网络双目标控制

    提出基于图注意力的去中心化 Actor-Critic(GADC)方法,优化多无人机系统双目标:最大化服务覆盖为主,延长电池寿命为辅。 利用图注意力网络处理有限局部观测以降低环境状态维度,并采用 KL 散度因子平衡覆盖性能与电池寿命的权衡。 在理想设置及 NVIDIA Sionna 实时射线追踪环境中测试,GADC 相比 SOTA 方法表现更优,验证了其可扩展性与效率。

  14. arXiv · AI23

    基于 EM-DETR 示例接地构建跨模态医疗病灶检测基础模型

    研究者提出结合学生-教师训练与 EM-DETR 框架,通过整合异构医疗图像数据集构建跨模态病灶检测基础模型,以缓解灾难性遗忘并提升泛化能力。 在胸片(CXR)中,该模型图像级 AUC 超先前 SOTA 1%,mAP50 比单数据集训练 EM-DETR 高 2-3 点,同样领先于乳腺影像组。 此方法为利用异构数据构建可扩展、高鲁棒性的医疗影像基础模型提供路径。

  15. arXiv · AI32

    神经网络表征原子:FRU 定义与 TS 稀疏自编码器识别方法

    研究形式定义了神经网络的基本表征单元(FRU),并证明阈值激活稀疏自编码器(TSAE)能在高保真度与稳定性条件下识别 FRU。 高稳定性 FRU 表现出更强的单语义性,且可跨层组合以恢复对应人类概念结构的语义组织。 该工作为定义、评估和识别 FRU 提供了统一框架,奠定了解释神经网络内部表征与人类概念结构关系的基础。

  16. arXiv · AI28

    LASER:基于预期的视频物体状态读取智能体

    该研究提出LASER智能体,利用预期引导机制解决视频中物体状态读取问题。模型将预期变化转化为视觉问题,检视当前帧确定属性值,并校验状态记录。模型参数全程冻结,通过修订文本观察技能提升表现。 在OSCaR和PLM RCap数据集上,LASER相比基线实现一致性能提升。