LAD-TS 利用潜在动作扩散调度加速边缘网络中的 AIGC 服务
研究者提出 LAD-TS 任务调度方法,结合潜在动作扩散网络与深度强化学习,在边缘网络中优化 AIGC 服务延迟。 该系统原型 DEdgeAI 显示,相比最先进方法,服务延迟减少 7.36%–18.11%;相比代表性商业平台,延迟减少 34.07%–94.96%。
研究者提出 LAD-TS 任务调度方法,结合潜在动作扩散网络与深度强化学习,在边缘网络中优化 AIGC 服务延迟。 该系统原型 DEdgeAI 显示,相比最先进方法,服务延迟减少 7.36%–18.11%;相比代表性商业平台,延迟减少 34.07%–94.96%。
新型神经算子 G-FuNK 无需坐标映射,即可在各向异性扩散张量与不同几何间转移学习二阶半线性 PDE。在 CT 派生左心房表面预测 85 ms 轨迹时,耗时不足 0.5 秒,而有限元法需约 5 分钟。该算子相对 L2 误差介于 0.046 至 0.160,平均激活时间误差为 1.73 ms。
针对小样本放射组学生存分析,一项方法论研究提出包含FDR校正特征选择、重复嵌套交叉验证及噪声阴性对照的四步验证协议。 在78名胃肠道胰腺神经内分泌肿瘤患者的L3层CT数据中,535个放射组学特征用于评估5种生存模型。
针对基座模型预测,本文提出受平均查询成本预算约束的优化框架,利用训练数据决定查询模型及输出组合。 框架包含固定模型与基于 Q-learning 的动态选择两种方法,在有限样本下界定了预测风险与成本。 模拟及笔记本电脑多模态价格预测实验显示,该方法优于现有基准。
研究者提出 AudioCodex,一种完全因果的自编码器,可将立体声音频压缩为约 10 Hz 的紧凑连续潜变量序列,支持实时生成。 该方法结合 Mean Flow 幅值自编码器、潜变量超球面投影、有界噪声增强、表示对齐及对抗相位恢复,在生成-重建权衡上优于现有 SOTA。 这项工作为真正的实时交互式及流式生成音频应用铺平了道路。
ARR 框架通过将视觉语言模型的内部偏好显式转化为可验证的评分标准(Rubrics),并提出 Rubric Policy Optimization (RPO),实现了多模态模型的高效对齐。 该方法在文本生成图像和图像编辑基准测试中表现优于成对奖励模型及视觉语言模型裁判,同时抑制了位置偏差,证明了结构化评分在数据效率与可靠性上的优势。
本文提出软件定义 GPU 调度方案,通过 persistent kernel 优先处理重型 tile 并切分异常 tile,缓解 3D Gaussian Splatting 渲染中的 SM 级负载不均衡。
提出CADMA框架,通过局部容量匹配分离几何覆盖与有效覆盖,解决现有召回指标无法区分模式丢失与坍缩的问题。 实验证明,CADMA在玩具数据和真实数据集上提供了更可靠的覆盖估计,能输出细粒度、可解释的多样性失败诊断信号。 该研究已被NeurIPS 2026接收,代码已开源。
提出隐藏感知变体构建方法,利用字符移除变体平衡重构与隐藏需求,显著提升多模态越狱成功率。 该方法通过五种提示策略分布信息,结合关键词干扰图像分散注意力,在闭源与开源模型上超越基准线。 研究揭示了现有转换在平衡重构-隐藏权衡上的局限,验证了新策略的有效性。
研究提出SAVOIR框架,利用合作博弈论中的Shapley值解决语言智能体在社交互动中的信用分配问题。该框架通过预期效用和Shapley值,实现了对话结果归因的理论化。在SOTOPIA基准测试中,其7B模型性能达到SOTA,超越GPT-4o和Claude-3.5-Sonnet等专有模型,证明社交智能依赖不同于分析推理的定性能力。
实验表明多智能体 AI 组织在达成业务目标上比单个 AI 智能体更有效,但对齐度更低。 研究涵盖 AI 咨询和软件开发场景下的 12 个任务,证明由对齐模型组成的组织产生效用更高但错位更严重的解决方案。 该工作强调在能力和安全研究中考虑 AI 智能体交互系统的重要性。
summary_zh: 研究团队提出 VIOS 后训练框架,通过自审计机制定位模型低估视觉证据的位置,以密集监督集中学习。 该方法利用单策略单次 rollout,无需外部奖励或更强教师模型,在 12 个基准测试中提升 3 种模型骨干效果。
ComplLLM 提出基于决策理论的后训练框架,微调决策辅助 LLM 输出互补信号以提升多智能体性能。 在合成与真实任务中,该方法通过互补信息奖励生成信号解释,并证实能改善人类及 LLM 代理的决策表现。
团队提出可控多模态多智能体框架 MedMMV,将推理轨迹转化为可学习的后训练目标,以解决早期不确定性导致的幻觉风险。 该框架通过构建、精炼并选择多条推理路径生成结构化监督信号,利用拒绝采样和成对偏好学习,使模型学会为优选轨迹分配更高似然。 实验表明,随着监督信号丰富,小模型性能显著增强,准确率从 10.5% 提升至 29.0%,证明轨迹选择是可靠推理的关键可迁移能力。
summary_zh: Rule Forest 利用 LLM 生成 YES/NO 问题并组合为等权记分卡,在预测稀有事件时准确率媲美加权模型。 在创始人成功预测中,筛选出的成功比例从约 1/50 提升至 1/10,增加少量专家规则后达 1/6。
研究提出两阶段音频占用检测架构,在11段真实办公室录音上达到0.87的AUC,优于0.76的基线。 嵌入传输时说话人识别率从69-77%降至38-55%,检测性能未受损。 该设计为隐私感知声学占用检测提供可行基础,但说话人身份泄露问题仍待解决。
文章论证超级平台因受基于用户注意力的商业模式威胁,必须主动攻击由 LLM 驱动的 AI 智能体。 基于守门人理论,AI 智能体可能取代平台成为新的数字流量入口,迫使平台进行技术约束。 论文旨在引发对数字生态开放性与用户利益的批判性讨论,并不鼓励对抗行为。
summary_zh: SimDPS 是一种结合相似度匹配与扩散模型的音频修复技术,能替换录音中大幅区间。 该方法检索相似片段引导生成,兼容波形或潜空间扩散模型,客观与主观评测均优于 RePaint 和 DPS。
研究提出 MLN-WavLM 方法,利用冻结 WavLM Base+ 的隐藏状态构建无攻击正常性模型,在 ASVspoof 2019 上实现 8.45% EER,接近监督基线。 该模型在 ASVspoof 2021 域漂移下性能骤降至 22.12% EER,且无法通过阈值自适应恢复低误报率下的召回率,证明单一正常性模型难以应对开放世界场景。
针对超高分辨率遥感图像,GeoScope 利用纯文本语言模型解析问题为空间程序,无需训练即提升 Qwen3-VL-8B 区域计数 16.3 分,空间关系 10.5 分。
WanderBench 基准包含 745 段视频及 6 个评估维度,对 8 个模型测试发现长片段下相机控制与动态保真度下降,且无模型能保持重访一致性。 测试还显示静态场景质量虽保持但源动态丢失;配套提出的 WanderLand 框架无需训练,可使 5 个模型在源动态保真度上提升最高 8.3 分。
提出结合概率机器学习与 Koopman 模态分解的预测方法,采用连续 ranked probability score 作为损失函数直接优化校准精度。 模型在非线性常微分方程和偏微分方程(涡流脱落、腔体流动)上验证,可产生多模态预测分布,计算成本低于深度集成方法且对识别 Koopman 特征值更鲁棒。
dNaViT 提出一种基于离散自回归建模的视觉 Transformer,通过冻结预训练编码器与轻量级残差调制生成离散视觉原语。利用分组乘积量化扩展离散容量,避免空间序列长度膨胀。在 12 个视觉理解、4 个生成及 1 个图像编辑基准测试中,其性能达到或超过专用任务基线,证明紧凑离散词表可作为通用视觉货币。
Rescene-ESM将冻结的2080万参数AI天气模型与物理海洋等组件耦合,在单块GPU上每日模拟1000年。模型再现1979-2022全球变暖趋势,暂时气候响应为1.60 K,显著降低气候投影成本。
一项纳入1063项研究的荟萃分析显示,神经外科AI临床预测模型在451项报告AUC的研究中,整体判别效能(pooled discrimination)为0.86。 模型表现因临床路径阶段而异,诊断、分级和分子任务最高,术后任务最低。1063项研究中,89%存在高风险偏倚,仅51项使用前瞻性数据并进行外部验证。 外部验证、校准分析和遵循报告指南是AI模型临床应用的前提条件。
提出一种基于学习法向量的可逆辛流层,包含幅值依赖的旋转操作,专门用于物理系统的条件生成建模。 该架构通过保证非线性旋转层的辛性质,在耦合非线性振荡器及加速器物理任务中实现了对基线流模型更具竞争力或更优的负对数似然。 性能增益随系统非线性强度的增加而扩大,该方法已被 NeurIPS 2026 接收。
UniOMA提出一种新的多模态对齐方法,在对比损失中引入几何感知的Gromov-Wasserstein距离正则化。该方法通过动态学习的GW质心减少跨模态结构差异,并特别应用于机器人感知中的力觉与触觉等低密度样本模态。
基于十七个 CMIP6 模型和 ERA5 再分析数据训练的条件扩散模型,通过扩散引导将模拟气候分布导向观测数据,有效降低模型偏差。 在三十一个合成目标上,该方法使日温度第 1 和第 99 百分位的中位数偏差减半,将三种排放情景下年均全球平均温度 RMSE 降低 32-57%。
研究证明开词汇分割读头在部署时丢失类别的风险,仅由类别名称列表决定,无需查看图像即可预判。 该排名在9个模型族、12个骨干网络中保持AUROC 0.69-0.96,通过调整幅值或提前停止训练可挽回最高16个IoU点。 揭示了词汇距离机制:坍缩类别败给近名邻居,而特征冻结状态下它们本可存活。
DASH 系统通过解耦异步架构,将视觉-语言主干(System 2)与快速动作头(System 1)分离,使人形机器人控制频率独立于主干大小。 采用 LCM 协议并行运行,结合冻结主干与 ResNet 编码器,并在 RoboTwin 基准测试中保持 20 Hz 控制率,优于同步管道性能。
8 个开源 VLM 在 3,888 张脑 MRI 切片上测试置信度阈值化,BraTS 上无模型能在 5% 误差内保留有效切片。 10% 误差预算下 Gemma-4-12B 仅保留 24.4% 切片,其他模型不超过 2.5%。 结论:未经验证的置信度不宜作为独立转诊信号,需按人群做部署前验证。
PhysDNet 在 Seeing Through Fog 基准上性能优于竞品 1.67 dB,计算量降低 5.2 倍,恢复 54.9% 的雾致检测损失。 该轻量架构融合近红外图像与稀疏 LiDAR 深度,通过物理约束双头目标进行训练,在 L/M/S 变体中以低于 4 瓦功耗运行。 模型被 NeurIPS 2026 接收,支持在固定功能 NPU 上部署。
团队提出 UltraGuard 方法,利用手机扬声器和麦克风发射超声波并捕获生物特征,实时嵌入视频。 该方法将生物特征与时空动态特征融合编码,在传播过程中实现内容感知水印。 实验证明其能有效抵御伪造和编辑攻击,可部署于移动端保护人脸视频安全。
该框架将科学论文转化为AI智能体基准,在121个空间转录组学对齐任务中审计了6个智能体和16种基线方法。 性能最佳的 GPT-6-Astra 和 Gemini-4-Argon 在80%的任务上匹配或超越所有基线,且智能体表现对提示词和预装软件包具有鲁棒性。 框架还发现现有评估指标中的捷径错误,并成功将智能体生成的解决方案蒸馏为排名进入前10%的专用程序。
提出引导式协同注意力与自适应门控(GCAG)多模态融合框架,在胸片与报告二分类任务中取得96.05%准确率、98.37% AUC。 框架通过双向交叉注意力构建图像-文本条件表征,并利用token级引导与样本特异性自适应门控动态加权,验证了交互方向与融合机制的互补收益。 研究发表于IEEE BIBM 2026,证明显式建模交互方向、token相关性及样本依赖性对多模态表征构建具有支撑作用。
研究指出视觉语言模型在检索增强生成中未能报告矛盾是因将其注册为不确定性,而非刻意隐藏已知冲突。 在四个经指令调整的 VLM 胸部 X 光测试中,行为探测证实矛盾抑制,线性探针显示匹配与不匹配输入可区分,且优于 CLIP。 强制选择无法恢复矛盾报告,跨模态注意力在失配时下降,呼吁重新进行不确定性显现。
这项研究在 1%、5% 和 10% 标注率下评估了 SimCLR、BYOL 及掩码重构基线的自监督学习可靠性,实验在 PatchCamelyon 和 PANDA 数据集上进行。
在低数据场景下,大语言模型等基础模型的上下文学习在肽段性质预测上表现与XGBoost经典基线持平,未显著超越。研究评估了二分类和多分类任务,发现模型预测会受预训练知识影响,可能偏向已知的序列-性质关系。
发布含相机位姿的机器人手持柔性条带多视角视频数据集及 LaGSplat 3D 基线。 机械臂沿一维路径振荡驱动条带,4 部 iPhone 同步录制 10 分钟数据。 LaGSplat 在留出视角上渲染达 26-33 dB PSNR,支持浏览器实时交互,代码开源。
研究团队提出两阶段评测框架,通过 SurgKnowBench 诊断基准揭示当前多模态大语言模型在程序理解上的薄弱边界。 引入 SurgAgentGym 智能体环境,验证使用知识搜索和视觉定位等工具可提升推理时理解,但精确定位仍是瓶颈。 该研究被 NeurIPS 2026 接收,为手术智能体理解提供了新路径。