跳到正文
11月3日周二
  1. arXiv · AI36

    阶段式多模态大语言模型微调用于多框架 WebUI 代码生成

    针对多模态大语言模型在生成 React、Vue 和 Angular 代码时因负迁移导致的编译失败,提出了一种基于兼容性与异质性信号的阶段式微调方法。 该方法首先应用保持原生语法的归一化映射,离线估计跨框架异质性与兼容性以自动确定训练分组及顺序,最终通过阶段式适配器调优减少干扰。实验表明,该方法在多个基准测试中提升了生成质量与编译成功率,相关研究已被 NeurIPS 2026 接收。

  2. arXiv · AI23

    基于混合深度学习的多变量时间序列异常检测方法

    提出一种混合深度学习方法用于多变量时间序列异常检测,整合变分自编码器中的2D卷积网络与门控循环单元,以捕捉时空信息。 该方法利用2D卷积网络提取特征,结合基于预测的深度神经网络,在公开数据集上与最先进方法对比实验验证了其潜在效果。 适用于电厂、智能家居和服务器等智能系统监控,有助于预防系统故障并维持功能。

  3. arXiv · AI31

    EgoMo3R:联合自中心运动与场景重建

    EgoMo3R 提出联合优化框架,从休闲自中心视频同时重建 3D 人体运动和场景几何。该框架整合单目深度、光流等底层视觉几何原语,并结合基于扩散的人体运动先验进行一阶优化。在 EgoExo4D 和 Nymeria 数据集上,EgoMo3R 在 3D 场景重建和自中心运动估计方面均优于专用基线模型。

  4. arXiv · AI28

    GSExplorer:基于持久化 3DGS 世界状态的交互式世界生成

    GSExplorer 提出生成-重建框架,通过持久化 3DGS 世界状态实现高精度交互式世界生成。 框架利用 3DGS 场景提供多模态渲染条件,结合相对射线编码注入相机几何,并通过 SLAM 后端进行不一致性过滤与捆绑调整,构建了 293K 训练数据对。 该方法在单步和三步 WorldScore 评估中取得最佳性能,单步相机控制得分达 99.07,在 481 帧回溯测试中表现出强重访一致性。

  5. arXiv · AI24

    JADE 联合去噪器让 VLM 与动作专家在机器人大脑中协同生成动作

    研究提出 JADE 联合去噪框架,让预训练视觉语言模型(VLM)与扩散动作专家在机器人动作生成中协同去噪,而非仅作为静态条件输入。 在 RoboDojo 基准上,JADE 基于 $\pi_{0.5}$ 方法取得 12.67% 的平均成功率,为评估中同类方法最高;相比 $\pi_{0.5}$,在四项真实双臂任务上的平均成功率提升 20.8 个百分点。

  6. arXiv · AI23

    PhoneValue-Bench 提出双真值基准与 ValueAgent 管道

    针对二手手机远程估值痛点,研究者推出双真值评测套件 PhoneValue-Bench 及弱标签训练集 PhoneValue-Corpus。 PhoneValue-Corpus 包含超 2 万订单与数十万张描述图像,ValueAgent 在 Bench-Full 基准上取得 84.1/100 分,外观字段填充率为 97.0%。 该工作为多模态二手交易估值建立了可执行基准与参考管道。

  7. arXiv · AI28

    全模态嵌入的综述与路线图:从碎片化到融合

    提出覆盖、可比性与组合性三级能力框架,指出全模态嵌入研究正基于对比学习与Transformer架构趋向收敛。 三条统一路径为:变换扩大覆盖、对齐实现可比、联合嵌入达成组合性,主张联合嵌入为终极目标。 该立场论文提供首个统一、跨领域处理的全模态嵌入研究综述与路线图。

  8. arXiv · AI24

    Pano2BIM:基于几何约束的视觉-语言智能体,从平面图与单张360°图像生成竣工BIM模型

    Pano2BIM 提出了一种几何约束的 VLM 智能体,利用已知房间尺寸的平面图和一张 360° 照片生成 LOD 200 级的近似 IFC4 模型。 VLM 识别地标与物体,确定性工具估算相机位姿并通过射线投射计算度量位置,Measure 工作流的家具足迹 IoU 达 0.53,单次运行耗时 3.8 分钟、成本 1.63 美元。

  9. arXiv · AI27

    ReactionBench:基于人类参照的视频反应建模基准

    研究人员提出 ReactionBench,这是首个以人类为锚点的视频反应特异性理解基准。 该基准包含 31,834 个刺激-反应视频片段,涵盖 433 小时时长及 8 个领域,用于评估反应强度排序、时序匹配及解释推理能力。 在七个多模态模型中,最佳模型在四选一匹配任务中准确率仅为 50.9%,表明反应特异性接地仍具挑战性。

  10. arXiv · AI27

    基于智能手机的实时障碍物检测与距离估算:面向视障及分心行人的轻量化解决方案

    针对视障与分心行人需求,一款 Android 应用利用重训练 YOLOv8 检测 18 类城市障碍物,实现低延迟实时预警。 通过剪枝、量化及早退出分支,配合 Android NNAPI,中等手机推理延迟由 3.2 秒降至 0.39-0.48 秒,推荐配置在 0.42-0.48 秒内保持 0.81 召回率,且无需专用传感器。

  11. arXiv · AI30

    多模态大模型基准测试评分规则审计:同一输出分数差异可达22分

    研究复现8个基准测试的官方评分器,发现仅评分规则差异就能使同一模型输出准确率变动高达22分。 研究使用5个单张16GB GPU可运行的开源视觉语言模型,通过盲测人类与LLM评审仲裁(Cohen's kappa=0.956)恢复真实答案,指出不同解析规则导致显著分数偏差。 该研究已获WACV 2027接收,并发布代码、标签及协议,建议基准测试报告不合规率并采用至少两种评分规则。

  12. arXiv · AI31

    自主智能体动态优化 MSA 组织以提升蛋白质复合物结构预测效果

    该研究引入自主智能体,将 AlphaFold 3 视为黑箱实验仪器,通过假设驱动迭代优化 MSA 序列选择与配对策略。 在 1,015 个蛋白质-蛋白质界面上,智能体在提升整体 DockQ 的同时,平均 MSA 序列量比默认管道减少 60%。 跨物种杂二聚体收益最大,FoldBench 平均 DockQ 从 0.465 升至 0.612,HD439 从 0.482 升至 0.562。

  13. arXiv · AI28

    PARC:面向端侧多模态智能体的并行对齐剪枝与轮次感知上下文复用

    端侧多模态智能体面临注意力结构不整除与KV缓存随轮次膨胀两大部署错配问题。PARC通过一阶泰勒重要度进行结构化剪枝,使注意力维度可被核心数整除,并按时效性重组KV缓存,让历史图像移出持久缓存。在七核部署下,该方法将视觉编码器延迟降低11.4%,解码吞吐量提升23.8%,每堆内存峰值降低12.7%。任务感知恢复训练恢复了98.7%的动作类型准确率差距。

  14. arXiv · AI34

    BGC-Bench:面向生物合成基因簇多粒度多模态评测基准框架

    论文提出 BGC-Bench 基准框架,解决生物合成基因簇(BGC)现有评测在小型数据集上区分度低的问题,支持跨泛化水平的科学任务。 框架源自 MIBiG 数据集,构建 5 项任务,在基因型/表型偏移分割及主动学习场景下评测 12 种编码器,覆盖核苷酸、氨基酸及 Pfam 域序列。 研究证明无单一表征占优,最优粒度取决于生物尺度,预训练编码器并非一致优于其他表征,该框架可推广至 BGC 领域外。

  15. arXiv · AI21

    固定架构下跨三个语料的 EEG 内部言语解码研究

    研究使用 VC-DATNet 在三个公共语料库上实现 EEG 内部言语解码,其中 SyncSpeech 报告了首个解码结果。 模型参数量约为 131,000,在 Thinking Out Loud、BISpeech 和 SyncSpeech 上准确率分别为 39.48%、20.60% 和 25.53%。 传感器空间与皮层源空间表示具有互补性,性能瓶颈更多源于信号质量而非模型容量。

  16. arXiv · AI28

    ClickSight: 一种通过学习策略解释学生点击流的 LLM 框架

    ClickSight 是一个利用 LLM 分阶段流水线解读学生点击流并评估学习策略遵从度的框架。 评测基于 2 个学习环境、365 名学生及 12 个模型底座,推理模型表现优于指令微调模型。 该框架将细粒度点击流与理论定义的学习策略相结合,为研究数字学习环境中的学生行为提供灵活方法。

  17. arXiv · AI28

    基于路径引导的 CBF-QP 修复机制助力 VLA 模型安全执行

    论文提出一种后处理修复模块,利用 VLA 预测的短视域动作检测障碍物并生成导航路径,通过软引导项改善 CBF-QP 安全性过滤。 该方法将路径引导加入 CBF-QP 目标函数,保持安全约束严格有效,从而修正被局部截断的任务轨迹。 在 SafeLIBERO 基准测试中,该方法在碰撞规避、任务成功率及安全成功率方面均优于 AEGIS。

  18. arXiv · AI37

    Uni-LaSpec:面向视觉语言模型的负载自适应推测解码框架

    Uni-LaSpec 提出一种负载自适应的推测解码框架,通过复用验证器注意力选择关键视觉 token,在 17 个基准测试中将文本吞吐量提升至 5.11 倍,多模态吞吐量达 3.24 倍。 该框架根据 GPU 负载动态调整验证结构,在轻载时使用草稿树,重载时截断线性草稿,在 6 种负载水平和 3 种 GPU 上均优于自回归解码。 在突发到达场景下,其平均端到端延迟比线性验证降低 47.6%。

  19. arXiv · AI32

    GURU:面向关键任务数字工程与运维的层级神经符号多智能体系统

    系统 GURU 采用层级神经符号多智能体架构,在计算流体动力学中将未知几何收敛模拟率从不足 1% 提升至 74%。 该系统在 100 个单次尝试案例中验证了效率,并通过符号层提升了边界层捕捉能力。在太空态势感知领域,该方法在 conjunction risk 评分上超越了五种方法,包括全量微调的语言模型。

  20. arXiv · AI20

    XPeng 发布 X-World 1.6:基于世界模型构建可控虚拟城市

    XPeng 发布 X-World 1.6 世界模型技术报告,旨在提升自动驾驶模拟器的可靠性与场景控制能力。该模型支持交通灯、道路标记等细粒度控制,并实现了单图生成多摄像头未来视频。 报告称升级后的模型具备更强的时空一致性,增强了后训练框架以支持高效因果生成,并引入专用评估套件。这些改进支持了更广泛的自动驾驶开发应用。

  21. arXiv · AI35

    BrainGFM:用于计算脑部成像的生成式基础模型

    BrainGFM 在 48 项下游任务中提升了有限监督下的分割与分类表现,并实现高保真图像增强。 该模型基于约 130 万张 MRI 和 CT 切片预训练,支持低数据预测学习及图像重建的后训练适配。 4,796 名卒中患者的多中心临床验证显示,其生成的 FLAIR 图像接近实际采集质量,且使人-机协作诊断准确率提升 14%。

  22. arXiv · AI33

    Taurus:LLM 环流 CT 标注成本仅为编码智能体的一半

    Taurus 利用 LLM 环流框架实现 CT 主动脉标注,主要指标表现与使用 Claude Opus 5.5 的自由智能体无显著差异,但单病例成本仅为 $1.22,低于后者的 $2.71。 该框架通过自动化路径处理扫描,并结合固定规则平滑标签表面及多项选择检查以修正大型错误,在 38 个留出病例上取得主要增益。 此类标注自动化使得专家时间可从绘制标签转向核查,提升了效率。