SixthView:针对隐藏视图重建与 3D 装配推理的基准测试
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。
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。
Elysium 提出一种无模拟求解器,通过联合学习状态转移与质量变化实现单细胞动力学重建。 该方法基于被杀布朗参考路径及其时间反转构造直接回归目标,无需在训练期间模拟轨迹。 实验表明 Elysium 在模拟基准测试中优于现有确定性及桥式求解器,并能捕捉双相药物响应动态。
TCAF 模型在材料属性预测任务中优于 MatterChat,RMSE 降低 47.8%,训练时间减半。 TCAF 结合 CHGNet 特征与 Zatom-1 中间层表示,通过任务条件隐式查询实现自适应融合,无需独立对比预训练。 三编码器配置下宏平均分类准确率达 89.61%,展现了跨编码器组合的灵活性。
提出Wi-HAR架构,在公开基准12种活动测试中达成96.6%中位识别准确率,显著优于70.8%-81.5%的单天线模型。 利用证据深度学习生成类条件不确定性分数,在11个数据集中实现0.897的宏观平均ROC-AUC,检测82.5%的偏移样本且误报率为5.2%。 揭示检测性能随接收位置变化显著,表明相同物理变化未产生统一的不确定性响应。
提出预算配对反事实审计协议,用于评估视觉智能体在有限观察预算下的决策表现。该方法固定公开证据与区域绑定,仅扰动剩余预算或声明任务参数,通过计算精确延续值,将丢失的预期准确率分解为逐步获取损失和终端决策损失。在40个配对路由锚点上验证了该协议将规划策略与固定角色启发式分离的有效性。
NaviGATE 提出一种噪声感知生成框架,解决多模态知识图谱推理中嵌入方法语义细粒度不足及生成方法易受噪声干扰的问题。 该框架通过多模态语言模型微调激活结构感知内部知识,在推理时结合检索无关与检索感知双视图优化,利用对比 Logit 锐化增强可靠候选并抑制误导项。 实验表明,NaviGATE 在标准基准测试中一致优于强单模态、多模态及生成式基线,且在噪声检索场景下保持稳健。
研究在 31 篇完整手稿上测试 6 个多模态模型自主验证图表一致性,结果显示 1,445 份审查中仅 3.3% 被评分标准认可为成功诊断矛盾。 尽管 60.6% 的审查提及了错误图表,但明确指出矛盾的低得多;当直接指明图表名称时,诊断率升至 20.4%,而仅靠文本审查无法识别矛盾。 表明评估多模态文档理解需重点考察模型提出验证目标的能力,而非仅测试其回答给定问题的能力。
KnowledgeClaw 提出基于全模态超图的智能体系统,在 OmniKE-Bench 六个任务中全面超越 30 个基线模型,总体 OKE 得分为 55.9。 该基准包含 1,829 个无模型干扰项,覆盖 3,960 个真实文件的五种模态。KnowledgeClaw 比最强基线高出 14.6 分,软件与数据已公开。
论文指出主流多模态对齐架构通过压缩时序生成单点嵌入,导致无法区分相同条件下的孪生物理事件。 作者证明时序池化表示随序列增长收敛至稳态,并提出轻量插件模块 CounterPoint。 CounterPoint 通过去除模态时序均值评分帧级跨模态一致性,在四种 SOTA 对齐器上超越现有方法。
研究在8万多个合成驾驶场景中基于PlanT 2.0模型分析发现,注意力机制提供的是相关性而非因果性的物体重要性指示。 注意力方法无法一致识别所有相关物体,且常错误地将对驾驶影响微小的物体判定为相关;其在简单单车道直线场景中表现尚可,但在多车道和路口等复杂场景下准确率显著下降。 这些结果凸显了注意力作为物体重要性代理的局限性,呼吁开发能准确捕捉单个物体对车辆驾驶因果影响的新方法。
论文提出自进化空间推理框架 Space-X,通过执行智能体与控制智能体协同演化,构建连续且可追溯的空间证据链,解决工具增强智能体证据获取目标模糊及语义不一致问题。
提出无训练判别器 Vanguard,使 2B 模型在 Web、移动端及具身任务上准确率不低于 8B 目标模型,并在 Mind2Web 和 EB-ALFRED 上显著更优。
研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。
提出 GUARD 方法,在不改变已部署预测器权重的前提下,通过检索估计校正量并利用部署匹配标签数据学习,解决冻结多模态模型遭遇缺失模态时的校正问题。 基于可交换性假设,GUARD 利用保形风险控制将损失增加超过预设容差概率限制在预设水平,在 9 个冻结模型-数据集对实验中优于盲目校正。 该方法避免了盲目校正常超支的危害预算,保留了大部分校正收益,适用于无法再训练权重的实际部署场景。
COTEX 提出持续工具空间扩展学习,以高效适配器级成本为多模态智能体添加新工具,保留现有工具使用能力。 该方法通过定位工具调用和选择的方向,利用正交约束限制新工具适配器,并在十个视觉语言基准测试中取得提升,现有工具性能最多下降 0.3 分。
Decision2Care 在 546 例急诊住院记录中实现 86.5% 诊断准确率,每例耗时仅 2.2 秒。 该智能体不生成文本,通过固定规则执行最可能的 EHR 动作,确保每步决策可审计。 其药物处方指导依从性优于 MIRA-v2,在 8 个重症监护组中死亡预测表现与 3 名重症专家相当。
研究显示,视觉语言模型智能体在急诊 CT 和 MRI 阅片中的诊断准确性远低于放射科医生。 自由导航策略下 VLM 整体准确率为 32.6%,显著低于放射科医生的 77.0%;即使提供全部切片,VLM 准确率也仅 42.5%。模型在浏览约 10.8% 的切片后即形成初步假设,且 63.1% 的情况下坚持该假设不改变。
研究揭示低比特压缩导致视觉 CNN 精度坍塌集中于后期 pointwise 投影层。 保留不足 5% 关键层激活为 8-bit 精度,可恢复激进 sub-4-bit 压缩下 92% 的丢失精度。 低比特量化虽降低存储需求,但运行时解包导致 1.48x 至 21.5x 执行速度下降。
RFBench 发布了包含 10,000 个由 ADS Momentum 仿真的无源射频平面布局的多模态基准,定义了 7 项设计任务。 该基准包含可编辑几何原语、栅格图像、16x16 占用网格及 201 个频点的复数 S 参数。 在 7 个多模态语言模型测试中,射频领域微调使 T1a 结构有效性从 0.0% 提升至 83.2%。
HyperQ 提出量子增强掩码扩散语言模型,通过轻量级电路超网络动态生成特定于 token 的量子电路。将量子期望值通过残差连接投影回冻结的语言模型骨干网络。 基于 IQP 架构,HyperQ 将 qubit 数量从 16 扩展至 64,在 6 项 zero-shot 基准上平均准确率从 47.65 提升至 54.30,超越冻结骨干网络的 49.59。
该综述系统梳理了多模态大语言模型(MLLMs)在图表理解任务中的多模态信息融合现状。 文章构建了包含经典与非常规基准的新分类法,并回顾了从经典深度学习到 MLLM 范式的方法演进,同时指出当前模型在感知与推理上的局限。 研究提出通过高级对齐技术和强化学习来增强认知能力,旨在推动图表分析系统向更稳健可靠的方向发展。
多模态大模型在将视觉观察抽象为结构化空间状态时面临挑战,MARBLE 基准测试揭示了这一缺陷。 最强模型 GPT-5.4 在 MARBLE 最难设置中的平均成功率仅 7.3%。
Quicksviewer 提出一种 LMM 新感知范式,利用 Gumbel Softmax 将非均匀冗余视频分割为变化立方体,实现整体 45× 压缩率,显著降低时空复杂度。
SALT 通过在现有句子编码器中注入 span-level 监督,显著改进 token 表示。 该方法在五项多语言 token 级基准测试中取得了其中四项的最佳结果,优于微调策略。 同时它也提升了跨语言检索和分类任务的句子级表现。
研究团队发布 RABBiT,这是一款紧凑的音频到 fMRI 编码器,旨在通过脑调优技术实现脑对语音诱发反应的高精度零样本和少样本预测。 在 324 名受试者及多个未见过的 fMRI 数据集上测试,RABBiT 的零样本预测能力超越 SOTA fMRI 基础模型,仅使用 10 分钟数据即可通过参数高效微调大幅提升性能。
研究提出 CRAM 框架,通过隔离任务模块缓解多模态 LLM 持续微调中的灾难性遗忘,并利用自适应秩实例化实现高效参数分配。 该方法采用质心引导路由激活现有专家,辅以正交性惩罚限制更新方向,在多模态基准实验中表现出优于现有方法的优势,代码已公开。
研究提出V-lens,利用统一多模态模型的图像生成能力,无需训练解码器即可可视化选定token的隐状态。 在BAGEL、SenseNova-U1等模型上应用lens tuning后,代词指代正确可视化率从2-11%提升至86-94%,且该视觉监督意外改善了文本答案质量。
DRIFT 提出一种端到端自动驾驶框架,集成 <150M 参数的轻量语言模型进行场景描述与动作注释。 该框架通过蒸馏代理推理特征,允许在推理时绕过语言模型且无损驾驶性能。 DRIFT 总参数量仅 255M,在 Bench2Drive 上达到 97.03 Driving Score 和 89.39% Success Rate,并在 NAVSIM 和 AlpaSim 上以更低计算成本取得竞争力结果。
BOS Summary 提出一种免训练推理方法,在预填充阶段允许 BOS token 聚合所有输入信息,使其携带特定于输入的上下文。 该方法在 8 个基准测试中优于直接提示及链式思考(CoT)方法,性能超过近期的 sink 干预技术,且无额外参数或推理开销。 其机制分析表明,让 BOS 携带具体信息可削弱其注意力主导地位,将注意力重新分配至内容 token,改善后续层的行为。
SpecLook 提出免训练的预测验证框架,通过预测智能体下一步观察结果,使每个问题仅需单次前向传播。 该方法在 V*、HR-Bench 和 POPE 上准确率为 87.2% 和 86.2%,较 DeepEyes-7B 快 7.7 倍。 无需标签即可评估答案可靠性。