生成式推荐中RL后训练的隐性代价:更好的排序器,更差的检索器
summary_zh: 在生成式推荐中,RL后训练提升头部排序精度但降低候选列表召回率,导致模型变成更差的检索器。 研究通过控制实验发现,根源在于RL将未采样的候选项视为错误,惩罚了相似用户常选的高可能替代项。
summary_zh: 在生成式推荐中,RL后训练提升头部排序精度但降低候选列表召回率,导致模型变成更差的检索器。 研究通过控制实验发现,根源在于RL将未采样的候选项视为错误,惩罚了相似用户常选的高可能替代项。
审计显示 ANYmal D 的四足机器人世界模型 RWM 中,基于模型自身 rollout 的训练优于单步训练。 测试了 101 个模拟器和 200 个压缩副本,发现 30% 权重剪枝仅保留 39% 的 2 秒技能,集成分歧在 100 步时的 Spearman 相关系数为 +0.90。 18 个微调副本中 13 个生成了失败策略,表明模拟器准确性未能预测实际行走表现。
提出基于事件相机的动态唇部区域估计算法,利用双通道连续时间循环网络预测唇部密集热图。该模型在4个未见说话人上达到69.5%准确率,目标切换仅2.1次/秒,优于卷积基线。 在真实传感器上,仅用模拟事件训练的模型在唇部任务达58.0%准确率,目标切换次数不足CNN基线的一半。
研究者提出 Tree-grams,这是一种通过二阶和三阶张量层次化组合构建条件概率的自回归生成 n-gram 模型,其性能超越传统 n-gram 基线并可与深度 Transformer 语言模型竞争。
ForceBody 成为首个将真实力监督引入参数化人体表征的数据集,涵盖140名受试者的10,386个动作试验。 数据集包含SKEL动作模型、地面反作用力及970万帧逆动力学关节扭矩标签,并通过蒙特卡洛采样提供逐帧逐关节的扭矩不确定性注解。 使用逐样本不确定性加权微调Transformer可将关节扭矩估计的MAE降低5%,该成果已被NeurIPS 2026数据集赛道接收。
VFM 树注意力验证器可并行评估 N 条自然语言准则,返回独立的三元判定。其预训练语料 CriteriaBank 包含 394K 数据元组,微调版 VFM-4B 在治理基准上优于 GPT-5.4。
提出 StitchRAG 框架,通过动态压缩检索段落并利用文本扩散连接锚点句,构建紧凑且高信息密度的 RAG 上下文。 该框架将信息保留与计算成本转化为效用最大化问题以调整大小缩减比例,在五个开放域 QA 基准中持续优于多种多步及压缩基线。
论文提出顺序分数采样器(SSS),一种基于校正自训练的退火采样方案。 SSS 利用重要性采样和 MCMC 校正样本,通过回放缓冲区存储数据以优化训练。在多个基准测试中,SSS 相比竞争采样器减少了能量评估次数,运行时间更短。
研究揭示了 Pollen Robotics Reachy Mini Lite 存在的安全漏洞,未认证攻击者可利用管理接口替换 LLM 系统提示词及人格设置。攻击导致物理硬件行为改变,被映射为 CWE-306 和 CWE-1327,CVSS v3.1 评分为 6.5(中等)。
Magflow 是一个完全可微分、支持 GPU 并行的六自由度磁悬浮模拟器,用于训练首个纯靠模拟物理学习得出的工业级神经控制器。 该控制器在 4 kHz 实时约束下实现零样本仿真到真机迁移,能操控无传统手工方案支持的磁体拓扑。 研究证明共设计并非磁悬浮控制的物理必要条件,控制学习可发现超越传统工程的解决方案。
研究显示,多模态大语言模型在运动学图表评分中可能缺乏图形支持而错误给分。测试发现严重扭曲的速度-时间图仍获全分,而同配置下其他答案被大幅扣分。由于缺乏坐标约定,建议教师审查全分回答后再定稿。
在线视觉语言模型常因图像缩放或拒绝导致小物体细节丢失,测试显示默认设置下可读最小文本像素阈值显著增大。 将照片分九块可提升 Claude 和 Gemini 准确率 11.1 至 14.5 个百分点,GPT-6.1 Sol 从 50.7% 升至 83.7%。 Gemini 在细节缺失时自信错答率达 43% 至 48%,研究据此发布智能体放大决策规则。
利用 BertsWin 模型和 PhysLoss 目标函数,从常规 CBCT 中提取亚视觉软组织病理信号,检测关节滑膜积液(ROC AUC = 0.793)。 该框架在 212 例配对数据上验证,通过解剖学引导裁剪消除 81% 背景骨性变异,优于标准 L2 损失基线。 研究建立了将低对比度常规扫描转化为隐性软组织疾病机会性筛查工具的通用范式。
Advantage-Gated Adaptation (AGA) 通过解耦正负样本更新机制,在组合生成、文本渲染和偏好对齐任务中持续改善奖励-质量权衡。 该方法对正样本保留标准目标拟合,对负样本采用移动策略预测处的一阶切线以保持局部排斥方向;参数无自由度门控定义为 omega(a)=max(-a,0),并由冻结预训练参考负责长程行为保持。
分层扩散 Transformer(HiT)在 ImageNet 256x256 上取得 1.48 FID,使用约 40% 累积训练 FLOPs 达到 JiT 生成质量。HiT 通过动态分组 token 学习视觉层级结构,在文本到图像生成中超过 UniLiP 平均分,且去噪器参数减少约 6 倍,前向 FLOPs 减少约 3 倍。
FVScore 提出神经符号框架,通过编译视频命题和符号评估实现规范驱动的视频生成评估,显著提升与人类判断的一致性。 框架利用感知工具 grounding 命题,采用受线性时态逻辑启发的软时序算子评估置信度,并应用显著性感知校准保留感知显著违规。 现有评估器难以对齐人类判断且无法追踪时序违规,FVScore 在公开和复杂多事件基准测试中表现优于整体式和基于智能体的评估器。
叙事连贯性显著提升 LLM 驱动蜜罐的欺骗效果。高级攻击者的中位会话长度从 40 条指令增至 165 条,放弃率从 86% 降至 52%。该效果在 16 组模型对和三种技能等级下均成立,推理成本相当。
TabDAG 结合进化搜索与图表示,生成支持多阶段组合的有效特征工程程序。在10个数据集及3种模型家族实验中,其表现优于原始输入特征。 约束图编辑机制显著减少了无效程序评估,且生成的图结构允许进行特征级分析以解释性能提升。
Evolution Under Fire 框架通过耦合安全护盾与自适应压力源的演化,显著降低了工具使用型智能体的攻击成功率。 在 AgentDyn 基准上,该框架使 GPT-4o-mini 的攻陷率从 50.4% 降至 3.0%。 在 Qwen2.5-7B-Instruct 上攻陷率降至 62.0%,且演化后的护盾可迁移至 Qwen3.5-35B-A3B。
提出一种适用于连续状态动作的鲁棒 Actor-Critic 方法,处理未知名义转移律及估计误差。 方法结合条件扩散模型拟合离线数据,通过极小极大准则估计鲁棒动作价值,并用指数加权分数匹配更新生成式 Actor,确保有限样本界。
研究者提出随机多样性窗口(SDW)以诊断扩散模型中噪声对最终输出的影响。 在5种模型配置和3个机器人基准上测试,SDW-hybrid采样器将网络评估减少40-60%,实时时间减少85%,且未改变任务可行性或多样性。
JointGV 是一种即插即用模块,通过在视觉世界模型旁侧滚出场景图并耦合变化,计算有界残差以校正递归漂移。 在 DINO-WM 和 DreamerV3 上,JointGV 使 32 步滚出的关节位置误差降低 11%–28%。 真实机器人倒立摆中,DINO-WM 的 32 步杆角度误差从 12.56° 降至 6.69°。
LoopZip 提出了一种无训练视觉 Token 压缩算法,解决循环视觉语言模型中长序列计算和内存开销问题。 在 LoopVL-1B 上,该算法在 50% 修剪比下保留 97.16% 的原始性能,在 87.5% 修剪比下超越最强基线 5.36%。
研究团队提出 MentalGrid 基准及 SpatialWalker 模型,在空间模拟任务中比基座模型平均提升 33.8%,性能超越 Gemini-3-Flash。 该模型利用 16k 专用空间推理样本进行三阶段课程学习,在领域外基准上保持 4.9% 的平均增益。
团队提出 Social Signal Bench(47小时)及证据加权 F1(EW-F1)指标,支持视频共现社交信号评测。 基准含 Video(25小时)与 Audio(22小时)子集;基于 7B 开源模型在视频任务上优于通用前沿模型,音频性能持平。
summary_zh: 提出 JET 微调方法,通过截断 LLM 智能体的冗余探索轨迹以解决过度探索问题。 在两个仓库级 QA 基准及 8B 开放权重模型上,JET 在自生成轨迹中将工具调用减少 11% 至 33%,在专家轨迹中比 SFT 减少 18% 至 28%,同时保持得分并降低推理成本。
该研究利用免费的 Sentinel-2 卫星图像,通过锚定残差流模型生成了 0.5 米分辨率的冠层高度模型,实现了 20 倍跨模态超分辨率。 模型在包含 69 个生态区的 19.7 万个样本上训练,确定性模型 Anchor 的 MAE 为 2.83 米,而 AR-flow 模型将切片 Wasserstein 距离从 1.13 降至 0.208。
针对视频编辑中“运动坍缩”问题,研究者提出一种结合RGB帧差流的运动感知奖励模型。 在VE-Bench上,该模型将对运动抑制候选项的选择率降至0%,与人类质量评分的Spearman相关系数达0.57,并能检测未见抑制变体。 研究支持在视频编辑奖励中显式建模运动,以平衡时序一致性与运动保真度。
该论文提出一种基于物理仿真的推理时优化框架,确保生成式策略动作满足任务收敛条件。 在 PushT 和立方体堆叠任务中,成功率分别提升至 88.5% 和 86.0%。
LeViT-UNet++ 架构通过 Haar Wavelet 多尺度下采样模块和基于深度卷积的解码器,在有限计算资源下平衡局部细节保留与全局上下文建模。 在 Synapse 数据集上,该模型以 8.025M 参数量和 241.72 FPS 的推理速度实现 76.57% 的 DSC,验证了波let 特征提取与轻量级局部-全局融合的有效性,代码已开源。
针对像素稀疏攻击,提出梯度引导随机搜索(GRS)作为鲁棒性评测方法。 GRS 仅使用 3 个前向传播单位,在 CIFAR-10 上比 sAA 成员快 3.7 至 5.0 倍,且在 18 个设置中的 17 个内接近或强于 sAA。
团队提出 MAVE 框架及 MAVEBench 基准,通过结合度量观察、智能体建模与证据验证,从电影镜头重建可编辑 3D Blockout。 在 MAVEBench 评测中,MAVE 相比基线提升了 27.5-41.1 分;使用 DeepSeek-1017 时平均成本仅为 0.054 美元/镜头。
研究发现 On-Policy Distillation 在低投毒率下难触发视觉后门,但超过临界阈值后攻击成功率迅速接近 100%。传播依赖教师模型异常概率质量的持续积累,而非显式恶意响应,并提出了零显式触发注入的新触发器设计。这些结果揭示了 OPD 中被忽视的后门传播机制及潜在安全风险。
DealRank 提出一种基于检索器排名的轮询分发调度策略,优化列表式 LLM 重排器的调用效率。 实验显示,DealRank 在 6 个 LLM 上平均 nDCG@10 仅落后最佳调度 0.1 点,速度比 BlitzRank 快 1.1-1.4 倍,修复调用率从 59% 降至 14%。 该策略在保持重排质量的同时显著降低了延迟,适用于千级候选文档场景。
研究人员提出 RICoT 提示框架,将大型语言模型处理多页文档分割任务重构为顺序流式过程,并发布包含 205 个脱敏金融案例的 FinancePSS-205 基准数据集。
研究人员提出一种 JEPA 式世界模型规划器-硬件协同设计,通过参考森林采样制造差异比特级稀疏性。 该设计使三个 JEPA 世界模型的推理速度比稠密加速器快 1.28-1.80 倍,能耗降低 38-52%;比先前比特稀疏设计快 1.22-1.58 倍,能耗降低 16-36%。 这是首个为 JEPA 式世界模型规划制造比特级稀疏性的规划器,也是首个针对该场景的算法-硬件协同设计。
提出基于 nnU-Net 的自配置框架,复用分割模型表征进行 3D 医学影像分类。FLARE 2026 Task 2 官方评估中该框架总体排名第一,在全部四个测试任务中取得最高 DSC、NSD 和 AUROC,且推理符合单病例 60 秒及 4GB 显存限制。
SAD 框架通过仅微调解码器,在推理零成本下改进潜在生成模型。 该框架包含生成样本分布对齐与编码器锚点保持机制,针对生成潜在分布进行适配。 实验显示 REPA-E 的 FID-50K 指标从 1.15 降至 0.98,并扩展至文本到图像生成。
研究人员提出受控实验框架 Visual Generative Lab (VGL),用于评估扩散模型在尺寸、位置等7项基本视觉技能上的泛化表现。该框架通过生成合成数据,发现模型的外推能力有限,组合泛化效果主要取决于技能组合数量而非数据集大小,且各项技能通常独立失败。 VGL 采用基于规则的任务指标精确测量泛化能力,揭示了默认设计下尺寸与位置外推在训练范围附近迅速退化,计数准确率仅约50%。
提出将自主软件代理的可观测轨迹与规范及AI生成产物结合,作为针对性质量保障的证据。 旨在优先审查关键决策,分析其对软件问题的贡献,并改进规范与开发实践。 该方法基于工业经验,结合现有执行记录,有助于支持审查、诊断及持续质量改进。