跳到正文
11月6日周五
  1. IT之家33

    红旗 H9 定档 11 月 7 日预售,搭载华为乾崑智驾 ADS 5 与鸿蒙智舱 HarmonySpace

    一汽红旗宣布全新 H9 轿车定档 11 月 7 日开启预售,搭载华为乾崑智驾 ADS 5 与鸿蒙智舱 HarmonySpace。 新车配备 896 线激光雷达、40 颗传感器及 iDCS 可变阻尼减振器,支持毫米级路面预瞄与后轮转向。 其设计融合中式宫殿礼序,座舱采用中轴对称环抱式布局并配备 HUAWEI SOUND 音响系统。

  2. 量子位58

    阿里Wan3.0驱动双11淘宝AI短剧,探索内容直连GMV的商业闭环

    阿里Wan3.0视频模型被应用于淘宝双11品牌AI短剧,通过温碧霞《九尾神临》等三部作品验证了复杂场景下的人物一致性与商品细节稳定性。百雀羚定制短剧上线30天播放量突破3500万,店铺支付订单数提升80%,主动搜索用户数提升130%,新品首销30天成交额突破1000万元。自618以来,淘宝短剧已上线超30部AI品牌剧,覆盖戴森、资生堂等50余个品牌,打通从模型生成、内容分发到商品成交的完整链路。

  3. IT之家37

    西门子医疗与阿里达摩院签约:加速普及 AI“一扫多筛”,一次 CT 扫描早期发现癌症等重大疾病

    西门子医疗与阿里巴巴达摩院签约,将“一扫多筛”AI 技术与影像设备结合,助力重大疾病早期发现。 该技术基于平扫 CT + AI 识别细微病灶,可早期发现胰腺癌、胃癌及主动脉夹层等危急重症。 双方还将基于光子计数 CT 开展联合研究,达摩院 AI 已服务全球 10 国超 5000 万人次。

  4. 智东西83

    谷歌发布视频模型Gemini Omni 1.2 Flash,登顶双榜且价格降低30%

    谷歌DeepMind发布视频生成模型Gemini Omni 1.2 Flash,在文生视频与图生视频榜单位居第一,价格较上一代降低30%,720p生成成本降至每秒0.07美元。该模型原生支持15秒视频生成与多轮对话式编辑,用户可混合使用参考图和音频线索。

    同一新闻,精选展示《Google DeepMind 发布 Gemini Omni 1.2 Flash:支持 15 秒视频生成》

  5. IT之家32

    工信部等六部门印发措施,加快具身智能、大语言模型在养老领域应用

    民政部等六部门日前印发《关于培育多元场景 促进适老用品产品消费的若干措施》,明确加快推进具身智能、大语言模型、脑机接口、外骨骼等前沿技术在养老领域的应用。 措施鼓励电商平台设立银发消费板块,推动线上线下消费融合,并支持利用实景样板间、增强现实(AR)等技术还原适老生活环境。 该措施旨在通过政策引导降低老年人使用成本,满足其就近就便的消费需求。

  6. 机器之心49

    Northwestern、CMU等团队 WOVEN 论文提出世界建模训练配方,用2k样本跨领域提升22项基准

    Northwestern、CMU等团队提出 WOVEN 框架,将世界建模定义为对状态转移的推断。仅用约2000条受控数据训练,即可零样本提升22项跨领域基准,最高增益27.3个点。 实验表明,决定迁移效果的是“推理操作”类型而非动作类型;该配方在7个未见基准上通过前瞻验证,证明了其泛化能力。 这为多模态模型提供了按推理操作组织训练数据的具体规则,有助于更高效地训练智能系统。

  7. arXiv · ML38

    表征 162 个视觉模型中通用对象表示的维度

    研究将 162 个视觉模型的对象相似度结构分解为通用与模型特有维度。 通用维度更具可解释性,由概念图像属性驱动,且与架构、目标函数或训练数据等差异无关。 具有更多通用维度的模型能更好地预测猕猴 IT 区活动及人类相似度判断。

  8. arXiv · AI25

    多模态大语言模型统一幻觉模糊测试框架 UniHall 与 SAMF 研究

    研究团队推出 UniHall 数据集与 SAMF 框架,用于系统性评估多模态大语言模型的幻觉。 UniHall 覆盖对象、指令和知识维度,SAMF 采用进化变异策略进行自适应模糊测试,并通过多模态仲裁者集成确保动态输入评估可靠性。 实验显示前沿 MLLM 在模糊测试下性能显著退化,揭示推理能力与事实依据的脱节及 RLHF 可能加剧谄媚效应。

  9. arXiv · AI31

    接受于 NeurIPS 2026 的 HyperVAttention 提出时空聚类加速视频扩散

    HyperVAttention 是一款免训练稀疏注意力框架,针对视频扩散 Transformer 的自注意力二次复杂度瓶颈。 该方法通过 3D 局部窗口聚类与混合聚类策略降低开销,并结合硬件感知集群合并提高 CTA 利用率。 在 HunyuanVideo 上实现 2.13 倍速度提升,HVA-Flash 变体达 2.23 倍,且高保真度优于 SVG2。

  10. arXiv · AI27

    SKILD:统一图像生成与连续超分辨率的尺度不变扩散模型

    新模型SKILD通过单一无条件框架统一了图像生成与连续超分辨率任务,无需特定架构或重训练。 在CIFAR-10上达到FID 2.61,并在ImageNet上通过单一检查点实现2倍至8倍超分辨率,在感知指标上超越条件模型。 研究还表明该模型能重构关键的伊辛模型,其四重关联 closely tracks ground truth。

  11. arXiv · AI32

    PanoWorld:基于几何一致性约束的全景视频世界建模

    PanoWorld提出了一种全景视频世界模型,可从单张图像和文本描述生成几何一致的360°视频。 通过引入深度一致性损失和轨迹一致性损失,该模型基于预训练视角视频模型进行优化,并构建了统一的PanoGeo数据集。 该工作证明全景视频生成应被视为几何建模问题,以满足具身智能应用对整体空间理解的需求。

  12. arXiv · AI28

    ELF:基于连续嵌入空间的语言流模型

    该研究提出嵌入式语言流模型(ELF),一种基于连续时间流匹配的扩散语言模型,主要在连续嵌入空间运行,仅在最后一步映射为离散 token,并可直接复用图像扩散中的 classifier-free guidance(CFG)技术。 实验中,ELF 以较少采样步数显著超越了当前领先的离散与连续 DLM,生成质量更优。 结果表明,ELF 为构建有效的连续扩散语言模型提供了一条可行路径。

  13. arXiv · ML35

    扩散多模态大模型视觉冗余受控并行解码

    针对扩散多模态大模型(dMLLMs)并行解码中视觉锚点重叠导致的冗余问题,提出无训练时的推理方法视觉冗余受控解码(VRCD)。 VRCD利用token-图像注意力机制优先选择视觉互补的位置,在多个多模态基准测试中降低视觉冗余,相比置信度解码在M^3CoT和MMBench上分别提升准确率18.8%和6.9%。

  14. arXiv · AI27

    StreamGaze:面向流式视频的眼动引导时序推理与主动理解基准

    研究团队提出首个流式视频眼动引导基准 StreamGaze,用于评估多模态大语言模型在时序与主动推理中对人类视线信号的利用能力。 该基准包含过去、现在和主动三类任务,并配套构建了结合凝视轨迹生成时空对齐问答数据的处理流水线。 实验显示当前多模态大语言模型性能与人类存在显著差距,暴露出视线时序推理与意图建模的局限,相关数据与代码已公开。

  15. arXiv · AI33

    利用 ChatGPT 多模态视觉能力对卫星图像进行贫困等级排序:推进社会科学研究工具

    ChatGPT 能基于卫星图像对贫困等级进行排序,其准确率与使用人类专家特征训练的模型相当,且优于此前报道的专家直接财富分类。 研究采用成对比较方法评估 LLM 在分析人类贫困中的表现,并探讨了公开数据集 DHS 中位置坐标去噪处理对财富指数提取可靠性的影响。 该研究为贫困评估工作流程中整合 LLM 提供了基础,并为成本效益更高的大规模贫困监测开辟了新途径。

  16. arXiv · ML40

    DUEL:精确似然重塑掩码扩散模型缩放定律及后续影响

    DUEL 框架统一了确定性掩码扩散模型采样器,通过精确计算似然替代 ELBO 作为评估指标。 该算法无需重训即可应用,将掩码扩散模型与自回归模型的困惑度差距缩小最高 82%,使计算差距从 16 倍降至 9 倍。 使用 DUEL 评分 LLaDA-8B 多选题任务,准确率最高提升 9.7 个百分点,证实了该模型相比 ELBO 评估更具竞争力。

  17. arXiv · ML21

    CoMPAS3D:用于交互式运动生成的大规模数据集与评估基准

    CoMPAS3D发布了包含3小时数据的交互式双人萨尔萨舞动作捕捉数据集及评估框架,旨在解决现有运动生成模型缺乏语义有效性评估的问题。 数据涵盖18名不同水平舞者的即兴表演,包含超过2800个专家标注片段,并定义了动作分类、水平估算及跟随者生成三项基准任务。 细调视觉语言模型在该框架下的表现与专家主观判断呈正相关,证实了该客观指标在衡量生成舞蹈质量方面的有效性。

  18. arXiv · AI34

    LIFT 通过语言侧推理向量恢复 VLM 退化的推理能力

    LIFT 是一种轻量级向量干预方法,无需重训骨干即可将基础 LLM 的推理能力迁移至 VLM,在六个推理基准上验证了其有效性。 该方法定义推理向量为推理路径与求解路径答案 token 隐层状态之差,并注入目标 VLM 的语言侧激活,其中 LLM 提取的向量表现优于 VLM 自身。 分析表明该向量影响了中间推理行为而非仅改变最终答案,论文已被 NeurIPS 2026 接收且源码即将发布。

  19. arXiv · AI26

    DiffDiff:嵌入可预测性不对称性的时间序列扩散预测框架

    DiffDiff 提出一种扩散框架,通过嵌入可预测性不对称性实现端到端的时间序列概率预测。 该模型使前向算子具备步依赖性,让噪声中间状态从目标值逐步转移至二阶差分结构,并利用阶段自适应门控平衡条件路径。 在涵盖四个预测时域的七个基准测试中,DiffDiff 的性能优于六个扩散基线模型,提升了分布保真度。

  20. arXiv · ML31

    4D Point Splatting 实现毫米波雷达微多普勒可微渲染

    提出物理基可微渲染器 4D Point Splatting,在 HuPR 和 RT-Pose 数据集上实现毫米波雷达场景逆向渲染。 输出原始复数回波,微多普勒相关系数达 0.988;定制 CUDA 核在单张 H100 上 5.7 分钟完成序列拟合。 首次实现数据集规模逆向渲染,可生成合成数据并支持场景编辑以增强数据。

  21. arXiv · AI33

    Hypnos 发布:基于 Next-Token Prediction 的通用睡眠生理表征学习模型

    Hypnos 多模态睡眠基础模型采用 Next-Token Prediction 训练,利用残差向量量化将信号转为离散 token。 基于超 20,000 份多导睡眠图记录,支持 EEG、ECG 等 8 种传感模态的并行生成与嵌入提取。 在睡眠分期分类中仅需 1/100 标注数据匹配强监督基线,且检测心室颤动的表现超越专用 ECG 基础模型。

  22. arXiv · AI29

    VisAnomReasoner:基于参数高效视觉语言模型的时间序列异常检测

    VisAnomReasoner 在 VisAnomBench 基准测试中,精确率与 F1 分数较基线分别提升 21.23 和 23.87 个百分点。 该模型通过微调构建,在 TSB-AD-U 交叉泛化实验中,精确率与 F1 分数也分别提升 9.57 和 13.39 个百分点。 该研究已被 NeurIPS 2026 接收,解决了异常检测缺乏自然语言推理依据的问题。

  23. arXiv · ML24

    EDGAR:基于扩散模型的高效高斯头像精修方法

    研究提出 EDGAR,一种条件扩散框架,旨在通过修正伪影提升高斯头像质量。 该模型结合 MoE 架构与 Sapiens 模型提取的身份特征,利用一步扩散主干对退化帧进行精修,并构建了含真实与合成样本的 EDGAR-SET 数据集。 实验显示 EDGAR 在感知与重建指标上优于基线,代码已开源并获 ACM TOG 收录。

  24. arXiv · ML20

    MIIB 框架提出用于多模态自监督学习

    MIIB 基于 Partial Information Decomposition 提出多模态自监督学习框架,显式编码冗余、独特及协同信息。 采用双路径架构进行模态编码与融合,利用熵目标优化以获取最小充分表示。 实验显示 MIIB 在多样化基准上持续优于最先进的多模态自监督方法,代码已开源。