BridgeRouter 通过收益感知实例路由优化跨模态脑电基础模型
summary_zh: BridgeRouter 提出收益感知的实例级路由机制,在冻结跨模态路径组合上选择最优传输路线,避免全局单一路线的误差局限。 该方法利用轻量 MLP 预测特定路径相对基准的收益增益,在 FOG 数据集上实现 81.38% 平衡准确率,较基准提升 11.49 个百分点。
summary_zh: BridgeRouter 提出收益感知的实例级路由机制,在冻结跨模态路径组合上选择最优传输路线,避免全局单一路线的误差局限。 该方法利用轻量 MLP 预测特定路径相对基准的收益增益,在 FOG 数据集上实现 81.38% 平衡准确率,较基准提升 11.49 个百分点。
summary_zh: 研究探讨印度美食视觉表征如何组织食物相似度,指出识别性能无法完全表征食物间的关系结构。 使用扩展的 Khana 数据集及 7 种预训练视觉模型,评估图到图检索与菜品邻域,发现不同表征下相似度存在显著差异。
该研究结合198篇精选文献与47,719篇已发表论文,通过文本嵌入和主题模型将领域划分为13个子类。 三大核心领域分别为LLM as Social Minds、LLM Societies及LLM-Human Interactions。 研究指出当前对LLM认知与社会行为底层机制的理解存在缺口,呼吁建立跨领域共享基准以夯实证据基础。
提出基于艺术强化训练(ART)的方法,通过优化单一辅助输入图像使冻结的多模态大语言模型(MLLM)适配特定任务,推理时仅需在提示词中包含该图像,无需修改服务引擎。
MER-Bench 发布,这是首个针对图像-文本表情包多模态情感重评(MER)的系统性基准,已被 EMNLP 2026 接收。 该基准包含 3000+ 真实表情包及细粒度标注,配套 8 项细粒度指标的 MLLM-as-a-Judge 评测套件。
研究团队提出ECG-Reasoning-Benchmark,包含超6400个样本,用于评估多模态大语言模型(MLLMs)在17种核心心电图诊断中的逐步推理能力。
SemMSA 提出一种潜在语义辅助框架,通过无锚点频谱对齐将 LLM 构建的语义与所有模态深度融合,解决不完整数据下的虚假生成与噪声引导问题。 框架包含跨模态语义精炼(CSR)和跨模态频谱对齐(CSA),利用 token 高效潜在精炼过程生成判别性语义状态。 在 SIMS、MOSI 和 MOSEI 基准测试中,SemMSA 取得了最先进(SOTA)性能,论文已被 NeurIPS 2026 接收。
研究通过反事实激活补丁揭示 Qwen2.5-VL-7B-Instruct 和 InternVL3.5-8B 读取垂直柱状图数值的内部因果机制。 模型在中层序列相关位置的状态能恢复图例交换下的答案偏好,且几何与刻度状态可跨模型组合。 结果提供了支持精确柱值读取的内部状态因果证据。
该论文提出 MAVEN 框架,将宏观社会价值观分解为 6 个主要维度和 72 个次级指标。 实验表明,该框架下的 2B 紧凑型评估者在表现上匹配同系列的 8B 模型,并接近前沿闭源 VLM 的水平。 作者已开源 SA-MDPO 实现和 MacroValue-Bench 基准测试集。
Anagent 提出一种多智能体框架,结合 AnaBench 基准测试,在科学图表分析任务中显著提升性能。 该框架包含 Planner、Expert、Solver 和 Critic 四个专用智能体,通过监督微调和强化学习优化。 在无训练设置下提升最高达 13.43%,微调后提升最高达 42.12%,涵盖 9 个科学领域的 63,178 个实例。
研究团队提出人类参与式多智能体组织(Human-Participatory Multi-Agent Organization)并实例化为Agentic University(AU),以协调学习者的目标、活动与评估。
CEDAR智能体LLM在儿科2型与1型糖尿病队列中预测性能优于传统机器学习,综合AUC分别达0.815和0.756,在稀疏筛查结果上优势显著。 系统引用的70,246个数值中仅4个不匹配病历;两名儿科内分泌专家仅基于其引用证据和推理,在约90%案例中预测与CEDAR一致,专家间一致性为90.5%。
该研究建立了一种通用协调参数化变换系统的正式语义,以 Transformer 为范式起点但抽象其具体数学实现。 该框架区分系统的共同代数语义核心与架构特定的功能组织,应用于 attention heads 和 residual connections。 这种分析揭示了框架的模块化,允许复杂架构被分解为在不同抽象系统类型中重复出现的语义协调子系统。
研究团队发布 Event-SAMA 模型,将 SAMA-4B 适配至事件流,在 MeViS 数据集上取得 24.37 J&F 分数,确立首个事件原生 RVOS 基线。 该模型采用双通道极性 patch embedding 和零初始化事件适配器,无需重训练即可直接应用于真实事件相机记录,消融实验显示多样化训练源可带来 4.99 的性能增益。
研究引入 CulturalBind 基准(3.2K 图片、1K 概念),评估视觉语言模型(VLM)的文化知识编辑。 预编辑测试发现文本与视觉知识解耦,模型能通过文本识别但无法通过图像识别文化概念。 现有编辑方法在顺序编辑场景下性能迅速下降,显示出跨模态可移植性不足的问题。
研究指出多模态大语言模型在多步推理中失败源于“参考缺口”,而非视觉感知。 ReGap-Bench 基准显示,匹配任务的参考(如编号)可提升准确率最高 25%,不匹配则无效甚至有害。 构建任务适配的视觉参考可作为无训练视觉技能,用于改进多模态推理。
summary_zh: 研究人员提出了一种精简的智能体式视听问答(AVQA)工作流,通过修剪工具集将专用工具整合为通用模态工具。 该方法最终仅保留全模态字幕生成和全模态问答两个工具,在三个常用基准测试中达到了与专用工具代理相当或更高的准确率。
研究提出 AskStream 基准,重新定义主动交互范式,增加“询问”动作以解决信息缺失导致的幻觉或无限等待。基准包含 438 个视频及 2714 个人工标注帧级时间窗口,涵盖 4 类任务和 8 个子任务。 当前最强模型在 Ask-F1 指标上仅得 52.18%,突显不确定性下主动信息获取的显著局限性。
研究测试参考重叠指标能否恢复密集视频描述的人类判断,结果证实这些指标未能做到。 六款前沿模型生成的字幕在BLEU-4达到0.510 AUC时仍不可区分优劣。 审稿人对完整片段的接受率(54.1-72.7%)远高于窗口级别,揭示模型评估应记录错误类型。
summary_zh: Metis-1.6 包含 Praxis(2.94B 参数)和 Logos(10.23B 参数)两个模型,均采用混合 Mamba-2 与注意力 MoE 架构,每 token 推理两次。
针对大语言模型在低资源语言安全对齐方面的短板,研究人员提出了一种可扩展的基于模板的数据增强方法,并发布了覆盖60种语言的数据集MSafeTemp。该方法从有害提示中提取安全模板,通过翻译并用符合当地文化的实体填充,生成高多样性的拒绝和良性语料。
该方法提出从语法书等语言学档案中批量提取平行句对,以补充极小资源语言的翻译语料。 研究构建了基于OCR与视觉语言模型(VLM)的提取流水线,并在20种语言中验证了其对机器翻译系统启动的效用。 应用上下文学习时,低资源与高资源语言的chrF2++指标相比零样本翻译分别提升15.78和6.94。
研究评估了6个LLM在约鲁巴语和尼日利亚皮钦语上的安全性,使用400条对抗性提示。多数模型拒绝率达0%并非更安全,而是因语言理解失败。 GPT-4o Mini在约鲁巴语上的跨语言安全差距最大(+0.23)。
Raincheck 提出延迟多模态预填充框架,在生成期间利用空闲算力预填充被剪枝 token,解决长多模态输入导致的 TTFT 增加问题。该框架结合注意力可见性控制与仿射状态映射,使 Qwen3-VL-8B 和 Qwen3.5-9B 在多轮对话中恢复平均 77.7% 的 MultiVerse 任务质量,且首轮 TTFT 降低 24.1%。
发布 Unlimited OCR 2 文档解析模型,通过 Sparse Reference Sliding Window Attention 将计算成本固定,支持近乎无限长的文档解析。
提出多模态强化学习框架 EVAN,通过构建“证据消融负样本”抑制语言先验捷径,改善多模态推理。 EVAN 利用图像信息增益识别高视觉依赖样本,掩码关键图像 patch 生成视觉未接地但合理的负样本,并在策略优化中将其作为有界辅助信号。 实验在多项多模态推理基准上超越强 RLVR 基线,缓解模态不平衡,代码已开源。
研究团队提出HEAR框架,评估7款闭源及开源权重LALM对疼痛信息的声学感知能力。 在仅含语音疼痛暗示的Harvard句子上,所有模型表现仅达随机水平,即使使用同一说话人参考或少样本示例,平衡准确率提升也不超过6分;而在带有口头评分的语境中,模型平衡准确率可达87.5%-99.7%。
研究提出关系可识别性假设,认为共享世界中的关系可通过排除备选对应促进实体对齐。实验显示在双语言Transformer中,减法使零在任务层面可识别,诱发选择性对齐,而顺序敏感操作产生广泛对齐。 这些模式预测了零样本跨语言迁移的成功,表明关系结构有助于实体对齐并实现迁移。
研究对比了13个决策模型与15种生成式LLM配置,在1,273道MedQA四选一题目中测试表现。 决策模型准确率在67.71%至89.08%之间,生成式配置达78.32%至96.86%;Mercury Decide单次成本最低(每千题0.0069美元),Clef Omni中位请求时长最短(0.291秒)。 决策模型在资源效率上占优但峰值准确率较低,模型选择需综合考量概率质量、重复性及纠错资源需求。
研究提出冻结LLM探测框架MCRP,通过匹配条件探测生成文本,提升对意义保留型修订的鲁棒性。 在重写、润色和扩写场景下,MCRP达到93.97% F1和96.24% ROC-AUC,比最强基线高19.50和25.77个百分点。 方法保持探测LLM冻结并训练轻量随机森林分类器,消融实验证明响应特征组贡献互补。
研究者基于 MahaSum 语料库构建跨语言训练数据,结合 PMIndiaSum 数据集微调 IndicTrans2 模型,实现 Marathi 到 English 的摘要生成。 模型在 ROUGE、chrF 等指标上显著优于 IndicBART 和 mBART-50 基线,实验证实预训练翻译模型能有效提升跨语言摘要性能。
发布 3DCodeEdit 基准,包含 108 个 Blender 程序和 2592 个指令引导的编辑任务。 17 个模型平均成功率仅 37%,即使最强模型结构编辑成功率也低于 60%。 研究证实分离评审模型的多轮反馈效果最优,可使 27B 模型单轮成功率超越 2.8T 模型。
研究提出组件反转翻译方法,固定行为与译文数量,独立分配英、中、西语言以评估9种配置。在Gemini 2.5 Flash和DeepSeek上,拒绝率互换效应未通过Holm校正;Mistral Small 4显示13.7点的西班牙语互换效应,且通过敏感性校正。 该评估框架强调记录组件语言与译文数量,将拒绝与不安全顺从分开解读,为多语言安全测试提供额外维度。
NVIDIA 发布 Nemotron 3.5 Super 和 Nemotron 3.5 Lightning,两款开源高效的混合 Mamba-Transformer 专家模型。Super 是 120B 参数、12B 激活的多模态模型,在 SWE-bench Pro 上得分 51.78%,Lightning 是 30B 参数、3B 激活的文本模型。
针对在线西班牙语L2课堂,使用LoRA在人工校正的领域数据上适配开源ASR模型MOSS-Transcribe-Diarize和Whisper large-v3。
论文提出一种多模态Transformer框架,通过将金融表格转化为语义增强token序列,并结合交叉注意力机制处理长文本,实现跨模态依赖捕捉。 该框架利用变量的文本定义生成语义嵌入,增强了对数值大小和经济意义的编码,相比仅值嵌入更具表达力且参数效率更高。基于财务报表数据集实验表明,结构化数值特征是主要预测信号,而文本信息通过交叉注意力能带来一致的增量收益。
百度本月 27 日开源文心 Unlimited OCR 2 文档解析模型,把解析上限从数十页推向“无限”,可一次性解析累计超过 3,600 页的《哈利·波特》全系列 7 部作品。该模型支持版面要素切分、跨页文案合并与表格识别合并;在 MPDocBench 上得 84.6 分,在 MarathonDocBench 上得 77.1 分,并称两项均为端到端性能 SOTA。
研究发现指令暴露量决定 LLM 中类比修辞方向的激活能力,Qwen-2.5 基础模型已具备部分可访问性,而 Gemma-2 表现惰性。 通过残差流提取的“类比向量”在 Gemma-2-9B-IT 上使和谐均值从 3.22 提升至 3.94,Qwen 基础与指令模型向量余弦相似度高达 0.94-0.97,验证了行为可及性的连续梯度。
复旦与南洋理工团队提出SimpleVLN,通过优化决策设计与三阶段训练,在不改动多模态大模型核心架构的情况下刷新视觉语言导航基准性能。 结合动作块(Action Chunking)与DAgger算法,R2R-CE数据集导航成功率提升至65.4%;经RL优化后进一步提升至73.8%,且推理延迟较低。 该方法具备强大泛化能力,已成功部署至实体四足机器狗,可在真实场景中依据自然语言指令完成连续导航任务。
阶跃终端旗下大模型原生智能体手机 STEPX Neo 在发布两周后迎来首次升级,更新覆盖视频创作、生活服务、工作任务及底层体验优化。 升级后,用户可通过个人智能体阶跃 Amoo 调用剪映生成 Vlog 或进行再创作,并使用支付宝神券与 AI 付完成下单。 此次更新呈现了 AI 时代智能体产品能力随模型进化与生态拓展持续释放的演进路径。