跳到正文
11月2日周一
  1. arXiv · AI23

    Latent-Lens:通过隐空间通信增强小型语言模型的视觉感知能力

    轻量级编解码器 Latent-Lens 冻结 VLM 与 SLM,通过隐空间直接通信解决文本信息丢失瓶颈,仅训练约 1.6M 参数(占联合模型 0.2%)。 在 CLEVR 和 GQA 视觉问答中分别取得 81.0% 和 65.4%,较同等 LoRA 预算的文本通信基线提升 30.2-69.8 个百分点。 该论文发表于 NeurIPS 2026,验证了跨架构与词表的通用性。

  2. arXiv · AI28

    DA-CoT:基于注意力熵的训练无关难度感知思维链推理分割框架

    针对多模态大语言模型中盲目使用思维链(CoT)导致的“过度思考”问题,作者提出了无需训练的自适应框架 DA-CoT。 该框架利用模型注意力图的熵值判断任务难度,并在初始输出失败时通过双向重思机制自动反转推理决策。 DA-CoT 在推理分割基准测试中取得了最先进(SOTA)性能,同时显著提升了推理效率。

  3. arXiv · AI21

    ORION:面向基于RL的多域6G切片放置的结果驱动型LLM顾问

    针对多域6G网络切片在线放置中无固定策略占优且可行方案常被遗漏的问题,ORION提出一种层次化架构,利用两个LLM智能体生成结构化请求和抽象放置计划。 系统通过协同多智能体RL协调器选择跨域分区,并引入结果驱动的情节记忆记录网络条件、计划及可行性结果。在保持下游机制固定的情况下,该记忆机制使切片准入率比无记忆的同款规划器提升4.6至11.5个百分点。

  4. arXiv · AI23

    从表征到读出:大语言模型成员信号机制分析

    研究提出 DUG 指标,量化大语言模型中可解码的成员信息及其读出暴露程度。 在 SFT 下,成员特定效应同时体现在可解码信息量和读出中,而在 RL 方法中主要出现在读出层;激活补块将效应定位至中间层。 发现 RLVR 污染下行为变化可发生,且不一定伴随基于似然的成员推理信号增加。

  5. arXiv · AI21

    GenDSR:从视频生成模型迁移表示以增强动态空间推理

    GenDSR 框架将视频生成模型(VGM)的中间表示迁移至视觉语言模型(VLM),通过构建保持生成上下文的 raw 分支和强调时间变化的 delta 分支,利用任务条件 token 级门控融合信号。 在 DSR-Bench 基准测试中,GenDSR 取得 67.2% 的成绩,超越此前最佳结果,创下新的最先进状态(SOTA)。

  6. arXiv · AI41

    ERASE:基于在线策略自蒸馏的多模态提示注入防御方法

    ERASE 提出一种在线策略自蒸馏方法,通过在原地擦除注入区域构建参考,在图像、音频和视频模型上实现近乎零攻击成功率且保留任务效用。在 3B 音频模型上,ERASE 被攻击输入准确率达 60.1%,将注入依赖度从 6.26 降至 0.0095。该方法弥合了攻击防御与任务保留之间的差距。

  7. arXiv · AI23

    Coarse3D:可控且忠实的图像转3D稀疏结构生成模型

    研究团队提出 Coarse3D,一种从任意无姿态图像生成方向可控且结构忠实体素几何的稀疏结构生成模型。 该模型引入首帧锚定规范空间、双塔 DiT 架构及空间先验引导注意力,通过辅助前向重建学习空间接地特征。 实验显示其显著提升稀疏结构质量并增强最终 3D 生成效果,达到 SOTA 性能。

  8. arXiv · AI22

    WebOverlay:面向极端纵横比网页遮罩检测的高吞吐纯视觉蒸馏方法

    WebOverlay 通过从前沿视觉-语言教师模型蒸馏,实现了高吞吐纯视觉检测。该模型使用动态分块策略处理极端纵横比渲染,避免了因缩放导致的文本特征丢失。 它依赖纯视觉线索,绕过了 DOM 树解析,消除了跨模态延迟开销。 检测精度与重量级专有 MLLM 基准相当,但吞吐量高出多个数量级,部署成本大幅降低。

  9. arXiv · AI23

    7B参数视频世界模型通过合成无人机数据提升空中检测精度

    利用7B参数视频世界模型生成合成数据,可将空中检测器在保留测试集上的mAP@50-95提升4.3%至10.3%。 生成合成数据成本约为1,100美元GPU时间,而同等规模真实数据需3,200美元以上人工采集成本,且87.5%的生成片段会被专家过滤。 该研究证明合成数据能将数据获取成本从实地采集转移至计算资源。

  10. arXiv · AI33

    ERIM:基于显式规则归纳的多模态上下文学习框架

    该框架利用多模态大语言模型的推理能力,通过显式归纳演示样本的潜在规则提升多模态上下文学习性能。 方法包含构建规则中心数据集、引入显式规则归纳监督,并采用混合冷启动微调与强化学习的两阶段训练策略。 实验表明,正确归纳底层规则能带来更强且更稳定的性能提升。

  11. arXiv · AI25

    CryoAtlas:用于冷冻电镜原子模型构建的大规模策展数据集与统一基准

    研究人员发布了 CryoAtlas 数据集与统一基准,旨在提升冷冻电镜原子模型构建效率。该数据集包含 17,809 个条目,其中 16,657 个用于训练。 基于此构建了 618 个目标基准,对比评测了 SOTA 方法、Phenix 及 AlphaFold3。 CryoAtlas 为未来研究提供了开放且可复现的基础资源。

  12. arXiv · AI23

    Nedimo:基于证据的多语言 AI 生成助眠故事流水线

    Nedimo 构建了一个将不确定的助眠音频证据转化为保守工程要求的多语言生成与朗读流水线。 该原型通过分离确定性规划与大语言模型生成、实施四阶段注意力衰减及发布门控机制,确保输出符合固定的响度与真峰值限制。 系统被定位为放松与注意力支持工具,明确不宣称临床疗效,需通过前瞻性协议评估其对入睡的影响。

  13. arXiv · AI23

    音频大语言模型中多模态语音情绪识别的不一致感知评估

    研究通过两成分高斯混合模型构建无阈值不一致分数,发现不一致性在eNTERFACE'05等三个语料库中均提高了音频模型的情绪识别错误率。 文本通道的单独影响不可靠;移除情绪词典后的重建分数仍是六个替代方案中唯一能预测全部语料库错误的无标签分数。 开源了支持该评估的代码、数据表和提示词。

  14. IT之家82

    美团龙猫发布 LongCat-2.5 原生多模态模型:1.6T 参数,强化长程智能体任务

    美团龙猫发布原生多模态模型 LongCat-2.5,总参数 1.6 万亿,每个 token 激活约 480 亿参数。模型通过视觉多层级离散 token 统一处理视觉与文本,强化 Visual Coding 与创意设计、3D 任务;在代码库开发等复杂任务上提升端到端能力,并提供在线体验与 API 接入,开源平台即将上线。

    同一新闻,精选展示《美团正式发布 LongCat-2.5:面向智能体任务的原生多模态模型》

  15. IT之家40

    三星计划12月中旬在韩美推出首款AI眼镜“Intelligent Eyewear”

    三星计划在12月中旬于韩国和美国推出首款AI眼镜“Intelligent Eyewear”,首发市场暂不包括欧洲、中国和日本。 该产品搭载谷歌Android XR平台、集成Gemini AI,使用高通骁龙AR1 Gen 1处理器,单次充电续航最长9小时,无显示屏并主要通过语音交互,支持实时翻译、语音导航及文件拍摄整理。

  16. Hacker News AI30

    意大利警方利用 AI 识别价值 2 亿美元的被盗艺术品与古物

    意大利警方使用 AI 系统 SWOADS 分析了 2024 年秋季旧货集的照片,识别出价值 2 亿美元的被盗艺术品。 该系统由 IT 工程师 Salvatore Rapicavoli 开发,通过识别画作中隐藏的色彩和轮廓特征进行匹配,已成功追回 300 多件大型艺术品和 16.5 万件小型物品。 被盗的 17 世纪画作“圣阿格涅斯肖像”已被归还给教堂,但盗窃者尚未落网。

11月1日周日
  1. The Decoder62

    Adobe EditAgent 用可验证数据让语言模型判断图像编辑质量

    Adobe 的 EditAgent 系统把图像编辑指令拆成多步,并行生成多个候选结果,再用带量化指标和修改区域的验证数据让未经微调的语言模型一次性选出最优。在 600 项编辑测试中,7 个未微调语言模型在带验证数据时全部超过专门微调的 EditScore-72B,其中 Qwen3.8-27B 的可用选择率达到 81.3%。

  2. R/ArtificialInteligence40

    HauntBnb:一个基于多模态视觉模型识别房间“灵异隐患”的智能体

    开发者在 Stranger Builds 黑客松中构建了 HauntBnb,这是一个利用多模态视觉模型诊断房间“灵异隐患”的智能体。 该工具通过提示词让模型扮演刻薄的灵异检查员,将超自然笑话基于房间实际物理布局,如家具位置、灯光色温和反射角度,并生成了带有社区最高得分房间日志的公开画廊。 该项目目前免费开放测试,旨在探索多模态视觉模型在轻量级趣味应用中的潜力。

  3. R/ArtificialInteligence45

    Gemini 4 Argon 核心优势解析

    Gemini 4 Argon 在 Scale AI SEAL 11 类基准中确认 6 项优势,其中 Humanity's Sixth Sense 排名 #1,SWE-Bench Pro V2 排名 #2 得分 99.22。其在多模态视觉理解、复杂软件工程及高级学术推理方面表现突出,但金融、法律及心理危机支持场景未进前三。

10月31日周六
  1. 机器之心38

    EvoSim:清华大学联合清屿科技等团队推出的自进化多物理场建模系统

    EvoSim 让 AI 从实验偏差中追查机制并修订方程,同一轮迭代既生成更准模型,也沉淀可复用建模能力。 系统重构了 AI 处理“预测错误”的路径,并行探索参数、物理机制及几何等候选原因,并验证修正的有效性。 在电池快充析锂及动态电压预测任务中,EvoSim 的误差表现优于人类专家构建的历史模型,展现了物理模型与 AI 研究能力的递归协同进化。

  2. 千问大模型93

    阿里巴巴与Apple达成合作,将千问集成至Apple智能

    阿里巴巴与Apple达成合作,千问将集成至Apple智能,支持Siri问答、系统级写作及视觉识别功能,该功能将于12月随iOS 27.3面向中国用户推出,用户数据不会被用于模型训练。

    推荐理由:阿里确认千问接入Apple智能及iOS 27.3,明确了中国用户通过Siri调用多模态能力的入口路径与隐私边界。

  3. 阿里云85

    阿里巴巴与 Apple 达成合作,将千问集成至 Apple 智能

    阿里巴巴与 Apple 达成合作,将千问集成至 Apple 智能,使中国用户能在 Siri、写作工具及视觉智能中直接调用千问的文本与图像理解及内容生成能力。该功能将于 11 月 4 日起随 iOS 开发者 Beta 版开放测试,并计划于 12 月 iOS 27.3 正式发布时面向中国用户推出。用户需自主开通该集成,且相关请求与回复不会被阿里巴巴用于模型训练。

    同一新闻,精选展示《阿里巴巴与Apple达成合作,将千问集成至Apple智能》

  4. Hacker News AI36

    Show HN: 开源 5B Flow-Matching DiT 音乐合成模型 Suna AI 发布

    JJ coders 开源了 5B 参数规模的 Flow-Matching DiT 音乐合成模型 Suna AI,支持 48 KHz 采样率生成。 该模型提供免版税开放授权,允许用户在个人及商业项目中使用、修改和分发合成音频,涵盖游戏开发、播客等场景。 服务协议明确用户需对提示词内容负责,严禁生成侵权音频,且平台承诺不存储原始生物特征数据。