面向低功耗边缘硬件的牌照检测与字符识别统一框架
该统一框架在 NVIDIA Jetson Orin Nano 上部署,基于共享 CSP-Darknet 和 PANet 特征编码器,INT8 模型 mAP50 达 97.8%,全序列准确率 90.7%。
该统一框架在 NVIDIA Jetson Orin Nano 上部署,基于共享 CSP-Darknet 和 PANet 特征编码器,INT8 模型 mAP50 达 97.8%,全序列准确率 90.7%。
PACE-ECG框架利用同一患者时序邻近记录进行对比学习,结合临床多任务监督生成ECG表征。 在MIMIC-IV及外部HEEDB队列中,该模型以41倍更小的编码器规模,在死亡率及心衰预测上优于DeepECG-SSL,外部AUROC提升最高达11.0%。 消融实验证实患者时序配对显著优于通用自监督,表明预训练目标设计对临床可迁移性起关键作用。
提出即插即用模块 MCSA,通过聚合不同截止半径的径向核增强多尺度几何表示,提升 SO(3) 等变 GNN 性能。 利用径向核紧支撑特性在角度张量积运算前融合权重,避免冗余计算并保持旋转等变性。 在能量、力、应力及声子色散等预测上实现一致改进,验证了物理动机制截距选择的有效性。
多模态属性图(MAGs)方法通常受限于节点级状态和拓扑邻域,易遮蔽细粒度模态贡献。TEAM 提出以模态为中心的框架,构建模态编码树并引入模态源上下文 Transformer(MSCT),将文本与视觉属性作为独立交互单元处理。
DISCOVER 提出在线数据发现框架,在严格 10% 唯一样本预算下显著提升多模态数学推理能力,表现优于随机选择、难例采样及同等训练步数的全池 GRPO 基线。 该框架将样本池组织为语义簇,查询密度多样化的代表性样本获取初始奖励,并通过近期加权滚动观察动态更新未标注样本效用估计。基于策略条件化分数(考虑奖励方差与难度)仅选取高效用提示进行标注,预算耗尽后转为基于效用的回放。
研究提出 CHORD 多分辨率压缩器,针对可穿戴设备、移动设备及 IoT 平台生成的多模态时间序列数据,实现高效存储与传输。 该方法采用“粗到细”的压缩架构,通过残差级联和共享/私有多模态路径,利用有限标量量化预先固定每类信号和尺度的比特宽度。
研究者提出LAMR框架,通过自适应层画像缓解多模态情感推理中的模态失衡。 该框架引入模态熵和跨模态强度两个量化指标,分别针对稳定层和整合层进行策略对齐,无需额外训练即可在两个基准上提升情感推理能力。
研究揭示 ECG 模型在急性冠脉综合征预测中因选择性标签导致的失效,3 个微调模型在未检测患者中 AUROC 为 0.381-0.478,表现低于随机水平。 模型在已检测患者中 AUROC 达 0.740-0.770,但训练于不稳定心绞痛的模型与风险呈反向相关(AUROC 0.310)。 该机制表明有效学习需确保预测目标可从模型输入推断,并在预期部署人群中评估。
summary_zh: 提出离线系统 AcrossVAM3.0,将多模态输入转化为版本化点云表示,单 GPU 最大内存占用 17.14 GB。 采用 MHAC 算法保留多假设匹配,在 10 视频留出集上平均 Jaccard 比基线提升 0.1394。
CABrain 提出了一种基于图卷积网络(GCN)的条件位置编码方法,并引入自适应掩蔽策略,用于提升 EEG 基础模型的表示学习能力。 在 10 个基准数据集上,该模型单独或结合上述策略,均达到了最先进的性能或具有竞争力的结果。
该研究基于12,977名美国候选人数据,发现可检测生成式AI内容在选举周期内显著增加,且高频使用未披露。 挑战者产生的AI内容显著多于现任者,且在实施AI披露或禁令的州份,候选人并未产生更少的AI内容。 当前州法律主要规范“实质性欺骗性”内容,研究指出需引入额外政策机制以提升选举透明度。
CoupledFlow提出一种面向多物理PDE系统的新神经算子学习框架,通过建模跨过程相互作用,实现耦合PDE系统的快速准确单步预测,优于现有最先进神经算子和生成式PDE求解器。
提出扰动谱方法评估试水平扫描路径描述符,通过五种变换破坏特定属性并保留不变量,以重新拟合后参与者留出AUC的下降衡量流水线敏感性。 在仿真中,99.6%的区间覆盖目标值,排除零值的汇总率不超过2.5%;对12个二元问题(阅读、代码理解、视频观看)中7个描述符的扰动分析表明,扫视顺序置换会显著改变基于平均扫视幅度的描述符性能。
DriveFoundry 提出闭环框架,将结构化因果数据精化与自适应推理耦合,在数据与算力预算下提升迭代效率。 该框架包含 Data Engine 与模型引擎 Xiaomi-Drive-o1,后者统一感知、因果、行动等模块。9B 模型在 PhysicalAI 上 ADE@1 最低,AlpaSim 中部分指标优于 Alpamayo 1.5。
研究团队发布了EEGFaceSem数据集,包含30名参与者的67,200条与生成式人脸图像配对的EEG记录。 该数据集提供生成潜向量,支持单试次语义分类及脑监督图像生成,代码已在HuggingFace开源。 这为语义级视觉显著性检测及脑机接口研究提供了新工具。
视觉语言模型在高级认知任务如抽象逻辑和关系推理中表现不足,其核心缺陷在于无法发现底层规则并维持中间步骤的一致性。 该研究基于包含BİLSEM、MM-IQ、Visual Puzzles和PuzzleVQA的多语言评测框架,评估了不同数据混合策略与监督微调方法。 实验表明,采用LLM-as-a-Judge方法评估发现,微调可能导致模型崩塌,表现为无限文本循环或空输出,而基线模型推理更稳定。
BlenderFORGE 是一个可训练的数据环境优化框架,旨在提升开源权重多模态大语言模型(MLLM)通过 Blender Python 代码执行 3D 场景编辑的能力。
RetinaGuard 提出了一种基于代理的分诊框架,通过质量、诊断、不确定性、验证和解释代理收集证据,并采用保形风险控制认证接受阈值,以平衡筛查效率与安全性。
论文提出 MMGraph-Agent,一种基于缓存启发的多模态知识超图的统一多模态 RAG 框架,旨在解决现有方法的高构建成本、上下文窗口限制及离线/在线知识源缺乏统一训练的问题。
论文提出门控瓶颈稀疏自编码器,通过同时学习统一共享字典和私有模型特定字典,实现跨模型统一可解释性和特征复用。 该方法在 ViT、SigLIP、DINOv2、ConvNeXt 模型上验证,展现出优越的重建能力、可解释性及对未见模型和下游任务的泛化能力。
提出基于 LoRA 子空间贝叶斯近似的成员推理方法,用 SWAG 从单次训练生成虚拟参考模型,在 Document VQA 和 Medical VQA 任务中性能优于标准参考模型攻击。 该方法仅依赖单次参考模型微调运行,大幅降低了计算成本,使成员推理在大规模视觉语言模型上更具实用性。
MLLMs因模态推理访问差距难以直接利用视觉内容进行推理。TIGER利用合成渲染文本图像及GRPO后训练,桥接该差距。 模型在MathVerse、MMMU等基准上性能提升,辅助路径与文本推理状态对齐。
研究提出CLARITY框架,通过放射科医生标注评估多模态大语言模型生成的胸片报告,揭示现有保形预测方法失效。 该框架将临床相关错误与细微偏差区分,基准测试显示常用可接受性代理指标系统性地无法检测临床相关错误,且自动化判断与真实临床可接受性基本脱节。
LITHOS 双流视觉 Transformer 在 105,802 个专家标注颗粒上显示分类错误紧密遵循标签分类学。 72.6% 的误分斜长石被归为通用 Feldspar 标签,25 个类别中 20 个显示 XPL 模态替换对真类概率影响更大。 41 个 95% 置信区间同时包含零,表明误差结构、模态敏感度与归因行为揭示了仅凭准确率无法发现的模型性能特征。
研究构建了针对放射学报告摘要的 LLM 对抗性评估框架,生成 18,000 个评估对以测试 6 款模型的鲁棒性。GPT-5-mini 在事实忠实度上表现最佳,但其摘要幻觉率为 28.1%-30.1%,低于 Claude Sonnet 4.5 和 MedGemma。
ProofDiff 旨在支持人类审查而非验证数学正确性。给定两个文档,系统独立构建基于源文本的论证图谱,提出图谱间对应关系,并记录连接主张与推理步骤的类型化关系。 该系统集成人类审查层,允许修订图谱与对应关系以保留可审计历史,通过比较图谱检查文档是否遵循相同数学路径。 已在四个 AI 生成证明示例对上演示,早期版本获 NeurIPS 2026 研讨会接收。
AdaOffload 提出了一种多 GPU MoE 推理框架,通过 GPU-CPU 并行与协同执行,解决了现有系统在增加 GPU 时性能无法扩展的问题。 该框架在 L4、Pro6000 和 B200 等 5 种不同硬件平台上,对 284B 至 753B 规模的 3 个开源 MoE 模型进行评估,吞吐量提升 1.9 至 15.5 倍。
EvoDiff 将扩散模型与进化搜索结合,在跨 15 个数据集的基准测试中,以大幅减少的标注量接近全监督性能。 该方法通过生成合成探针检索未标记真实样本进行训练,在跨领域外部验证中提升了基础模型泛化能力。 六名放射科医生参与的阅片研究显示,该框架有望支持临床标注流程,估算可减少 24% 至 84% 的标注工作量。
针对临床医疗场景中患者特征空间异质的问题,提出群体鲁棒学习框架,通过优化最坏群体超额损失和共享潜空间簇状聚类,在表格与影像数据集上优于现有方法,最坏群体损失最多降低79%、超额损失最多降低95%,且参数量减少最高达18倍。
该框架通过在潜空间模拟中迭代变换场景,实现了视觉语言模型空间推理的测试时扩展,无需生成像素。 在 VSI-Bench、MMSI-Bench 和 MindCube-Tiny 上,WorldMind 较基础模型平均提升 16.0%,较最强基于 RGB 的世界模拟提升 8.3%。
研究团队推出开源平台AYO,专为安全、系统地研究儿童与对话式LLM的互动而设计。 AYO提供儿童友好界面、可配置的基于年龄的安全护栏、研究人员监控及保护隐私的数据实践。 该平台支持横截面、纵向及实验性研究,旨在生成证据以指导更安全的AI系统、教育实践和相关政策。
评估15个开源和10个专有LLM在退伍军人推文危机严重度标注上的一致性,LLM模型间序数一致性α达0.8336,高于人类专家的0.494。 测试8种提示变体显示专有模型与专家标注更符合且更稳定,GPT-5.6-Terra综合表现最佳,Qwen2.5-7B在识别自杀意念急性危机最强。 高一致性不必然代表符合人类判断或可靠检测罕见高危病例,LLM作为专家标注的补充需严格评估后用于高风险应用。
研究团队发布 VEX-Bench,基准涵盖 7 个前沿 LLM、7 种生成方法及 60 个真实主题,共生成 5,880 篇虚假文章。 VEX 分数整合诱发率与核实复杂度,发现 LLM 能以低 3 倍至 169 倍的成本生成高 VEX 虚假信息。 这导致稀缺的核实资源被系统性错配,代码已在 GitHub 公开。
论文提出 Transformer 通信图谱,通过权重几何映射所有潜在通信通道。分析显示 70-89% 的注意力头对呈现显著非随机耦合特征。 研究恢复了归纳电路结构,并通过消融二维残差流子空间,在高达 Pythia-6.9B 的六个模型中使归纳功能失效。 作者开源了通信图谱、统计工具及干预套件,支持模型机制可解释性研究。
研究团队发布 Animation2Code 基准测试,旨在评估视觉语言模型(VLMs)在视频到代码生成任务中的时序视觉推理能力。该基准包含 1,069 个网页动画视频及其对应的 HTML/CSS/JavaScript 实现,并提出了外观相似度和时序相似度两项指标。测试显示,当前最先进的 VLMs 在重建时难以保持时序一致性,即使外观相似度较高,且在微调和迭代优化设置下表现依然受限。
研究发现模型在潜空间视觉推理中忽略连续潜 token,因其替换为无信息占位符后准确率不受影响。 分析表明现有数据中 oracle 潜 token 缺乏额外信息,且推理时生成的 token 偏离 oracle 表征,导致无法获益。 未来突破需依赖具备高信息量中间步骤的数据集及更精确的潜 token 预测方法。
针对大型视觉语言模型(LVLMs)的对象幻觉问题,研究提出基于注意力-值动态的免训练推理时干预方法。 该方法识别出视觉处理中的“聚焦”阶段,通过替换低注意力 token 的值向量来减少幻觉,同时保留真实物体证据。 实验表明该方法几乎不增加额外运行时开销,且能与现有推理时缓解方法兼容。
研究通过线性模型合并策略优化多模态大语言模型的 SFT 数据混合。该策略使用合并后的代理模型评估不同数据混合的效果。 在 14 个多模态 benchmark 上的实验表明,代理模型能一致选出接近最优的数据混合。这种方法解耦了混合搜索与高成本训练过程,提供了可扩展且高效的优化方案。
ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。
研究量化了安全对齐带来的效用损失,发现非英语用户承担的系统性“安全代价”高于英语用户。 该现象源于显性拒绝与多维度隐性差异,具体表现为小语种陷入保护弱、损失大的双重惩罚区,高资源语言为达到同等安全也需付出更大代价。 (注:原文未明确提及具体模型名称或量化benchmark分数,仅描述定性发现)