跳到正文
11月18日周三
  1. arXiv · ML36

    ANYmal D 机器人世界模型(RWM)学习模拟器的端到端审计

    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。

  2. arXiv · ML23

    基于事件相机的动态唇部区域估计算法

    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。

  3. arXiv · AI26

    ForceBody: 首个包含力监督与扭矩不确定性的参数化人体动作数据集

    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。

  4. arXiv · ML20

    Magflow:面向工业级六自由度磁悬浮的可微分模拟与神经控制

    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。

  5. arXiv · AI40

    视觉语言模型何时该放大?七家模型小物体细节测试分析

    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。

  6. arXiv · ML26

    CBCT 联合 MRI 检测软组织病变:基于物理引导 3D 自监督学习框架

    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。

  7. arXiv · ML24

    Advantage-Gated Adaptation (AGA) 提升扩散强化学习的奖励-质量权衡

    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。

  8. arXiv · AI31

    FVScore: 规范驱动的神经符号视频生成评估框架

    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。

  9. arXiv · AI30

    针对指令引导视频编辑的运动感知奖励模型

    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。

  10. arXiv · AI21

    LeViT-UNet++ 提出高效医学图像分割架构,平衡细节与上下文

    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。

  11. arXiv · AI25

    视觉语言模型 On-Policy Distillation 中视觉后门传播机制研究

    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。

  12. arXiv · AI20

    DealRank:通过轮询分发优化列表式 LLM 重排器调度的效率与准确性

    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。

  13. arXiv · ML26

    制造差异稀疏性:面向高效世界模型规划的规划器-硬件协同设计

    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。

  14. arXiv · ML45

    研究扩散模型学习基本视觉技能泛化能力

    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%。

  15. arXiv · AI23

    代理轨迹作为软件质量保证证据

    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。