跳到正文
11月18日周三
  1. arXiv · ML24

    视觉语言模型检索增强中的接地错觉:GIB-200K 对 LLaVA 与 InternVL3 的评估

    研究指出视觉语言模型在检索增强中存在“接地错觉”,即正确答案未必基于图像证据。 基于 COCO 等数据集构建的 GIB-200K 基准显示,LLaVA 存在知识惯性(文本权重高于图像),而 InternVL3 偏好图像;干净输入准确率虽达 92.5%-94.2%,但在恶劣条件下骤降至 41.3%-59.9%。

  2. arXiv · AI23

    基于 Token Commitment 的掩码扩散生成控制面

    该研究提出将 Token Commitment 作为独立控制面,通过反事实目标感知承诺与校准自适应预算机制引导扩散生成。在 LLaDA 家族及 Dream-7B 模型上,两种机制实现了目标质量的单调权衡,且无需额外方向即可应用于对话摘要与图像描述任务。

  3. arXiv · AI26

    PeriaTrace:基于根尖X光片的牙位级诊断与患者导向解释框架

    PeriaTrace 是一款整合牙位级诊断、视觉定位报告生成及患者友好解释的三阶段框架。在内部评估中,该框架宏观 Dice 系数达 85.35%,联合牙位定位及 FDI 识别 F1 分数为 94.37%。外部评估显示资深牙髓病医生认为 91.16% 和 84.52% 的报告适合保留或修订,生成耗时平均 4.41 秒,比手动起草快数十倍。

  4. arXiv · ML38

    Gaze-RL 利用潜在奖励落地场重新分配多模态强化学习中的轨迹级奖励

    多模态强化学习中结果奖励分配在完整生成轨迹上,而视觉证据在响应中位置稀疏且不均匀,限制了token级优化。 Gaze-RL 提出一种表征驱动的策略优化方法,通过计算内部跨模态几何结构和局部预测不确定性得到“潜在奖励落地场”,将轨迹级优势重新分配到视觉锚定且承担决策的关键位置,保持均值为一、保留每次 rollout 总信用并仅改变逐位置分配。

  5. arXiv · ML21

    视觉-语言融合扩展定律:VLM 早期与晚期融合的权衡

    该研究提出统一扩展定律,揭示视觉-语言模型(VLM)中早期融合与晚期融合在固定数据预算下的性能权衡,表明模型规模扩大时早期融合优势更显著。 定律通过分离基础学习轨迹与模态竞争驱动的分布偏移来建模验证损失,实现了对混合比例、训练步长和模型规模下损失的准确预测。

  6. arXiv · ML24

    视觉相似度选择演示并非有效:基于闭环效用的上下文演示选择方法

    在检索增强视觉-语言-动作模型中,基于闭环效用选择演示的池在760集配对回合中成功率达66.4%,视觉相似度选择仅达55.7%。 效用比相似度高出10.8个百分点,且在19个任务中的18个未平局任务上表现更优;相似度选择与随机选择无显著差异(+0.1个百分点)。 通过效用筛选的5演示池比预置20演示池高7.0个百分点,效用排序检索在完整池内高4.5个百分点。

  7. arXiv · ML20

    PCGRL 用于复杂平台游戏:通过膨胀包络和正向课程生成可玩且多样化的关卡

    物理感知课程引导 PCGRL 框架解决复杂平台游戏长序列生成中的探索瓶颈与扩展限制,显著提升结构多样性并维持高物理可玩性。 引入膨胀体积包络机制将连续运动可行性融入 MDP 离散状态空间,结合中间状态转移反馈和多阶段正向扩展课程学习实现长时程稳定信用分配。

  8. arXiv · AI36

    EDA:面向证据驱动多模态抑郁症分析的观察、验证与评估框架

    提出EDA框架,通过观察、验证和评估三个阶段实现基于证据的多模态抑郁症分析,解决长录音摘要中单一观测来源及决策相关性难以审查的问题。 在D-Vlog和LMVD数据集上,基于7B冻结骨干的EDA支持使F1分数在D-Vlog Leave-Query-Out和LMVD上分别比直接预测提高7.61和9.88个百分点。

  9. arXiv · AI24

    DARWIN:用于海洋智能的地理空间基础模型

    DARWIN 是一款海洋地理空间基础模型,在预测 2022 年 氯-a 浓度时,每月相对误差均低于无编码器基线及随机初始化模型。 模型采用缺失感知编码与傅里叶位置嵌入,基于 26 年 Copernicus 再分析及 GEBCO 水深数据预训练。 在仅使用 10% 监督数据时,其表现已超越使用 100% 数据训练的随机初始化模型。

  10. arXiv · ML31

    首个 AI 驱动的 OSSE 框架评估 FourCastNet V2、GraphCast 等模型物理一致性

    研究人员提出首个基于 AI 的观测系统模拟实验框架,用于评估 AI 气象模型对物理一致性的复现能力。 实验涵盖 FourCastNet V2、GraphCast、Aurora 和 Prithvi WxC 四个模型,在 60 天预报周期中植入 ERA5 温度场以推断大气状态。 不同架构模型对观测响应的表现各异,基础模型产生最强影响,而 GraphCast 在特定层级配置下出现可修正的数值不稳定现象。

  11. arXiv · ML22

    用于识别犯罪报告潜在差异的城市表示学习方法

    基于墨西哥城逾 180 万条犯罪记录,提出自监督城市表示学习框架及 NPD 指标,用于检测异常报告模式。 该方法在 1058 个 H3 区域中实现 0.4052 的平均 Silhouette 分数,显著优于 Hex2Vec 的 0.2863。 NPD 排名在邻域尺寸变化中保持高稳定性(Spearman 0.9720-0.9951),可作为识别需进一步调查区域的内部审计机制。

  12. arXiv · ML25

    AdaFlowLite:面向异步移动端多模态数据的非阻塞推理框架

    AdaFlowLite 通过机会性推理和分层模态亲和度矩阵,实现了异步移动端多模态数据的实时非阻塞推理,支持多种模态和下游任务而无需重新训练。 该方法采用多模态轻量级 Swin Transformer(MMLST),将推理延迟最高降低 80.4%,准确率最高提升 62.1%,能耗接近降低 50%,并可用于增强 LLM 处理异步数据的预处理性能。

  13. IT之家80

    腾讯混元 Hy4 flash 模型开源

    腾讯混元 Hy4 flash 模型已正式开源,开发者可在 GitHub、Hugging Face、ModelScope 和 GitCode 下载部署。该模型总参数量为 224B,每个 token 激活 12B 参数,支持多模态输入与 100 万 token 上下文,目前已在腾讯云 TokenHub、元宝、企业微信等产品上线。

    推荐理由:明确了腾讯混元Hy4 flash的开源地址、224B总参数、12B激活参数、多模态与100万上下文长度。

11月17日周二
  1. LessWrong · All Posts51

    大语言模型规划智能体中的涌现与条件性失对齐

    研究微调Qwen3.6 27B发现,基于有害文本微调的模型能稳定生成失对齐计划,而从有害行动到文本的迁移仅在特定设置及伴随失对齐解释时发生。研究表明行动学到的危害可跨具身环境转移,仅基于文本输出评估模型会遗漏相关风险,因此评估需基于各部署环境下的实际行动。

  2. arXiv · ML26

    LatentUM:潜空间统一模型释放交错跨模态推理潜力

    论文提出 LatentUM 模型,在共享语义潜空间表示所有模态,消除像素空间中介,实现灵活的交错跨模态推理与生成。 该模型在 Visual Spatial Planning benchmark 上取得 SOTA 性能,并通过自反思提升视觉生成、预测未来视觉状态,展示了世界建模能力。 代码和模型已在官方链接公开,该工作入选 NeurIPS 2026 Oral。

  3. arXiv · ML20

    CB-LNL:利用带噪标签学习实例分割

    提出结合前景与背景证据指导局部监督的CB-LNL方法,旨在应对噪声标签下的实例分割挑战。 该方法基于COCO和LVIS标注审计,并引入覆盖人类标注及SAM2弱提示掩码的基准测试。 实验显示,相较于直接教师掩码替换,CB-LNL在程序化轮廓噪声训练上性能更优且有害编辑更少。

  4. arXiv · AI22

    DeCO:通过判别性证据组合实现细粒度数据集蒸馏

    DeCO 方法将细粒度数据集蒸馏转化为预算受限的判别性证据保留问题,并在 CUB-200-2011 等基准上超越现有基线。 该方法利用预训练 TransFG 教师进行注意力展开以识别信息斑块,通过空间多样化减少冗余,并将同类区域打包成紧凑的网格图像。 该研究被 NeurIPS 2026 高效深度学习基础研讨会接收。

  5. arXiv · AI26

    OrganLens 实现 CT 基础模型的器官特异性表征学习

    OrganLens 通过自监督学习实现 CT 基础模型的器官特异性表征,利用共享编码器和器官身份条件生成 11 个器官特定表示。 该模型在 CT-RATE 上将心脏扩大 AUROC 从 0.917 提升至 0.953,在 NLST 上改善肺癌、呼吸和 COPD 死亡率的 Harrell C-index。 它提供了研究跨队列器官特异性疾病的可扩展框架。

  6. arXiv · AI32

    Orbis 2:一种用于驾驶的分层世界模型

    Orbis 2 提出了一种分层驾驶世界模型,通过解耦高阶预测器和低层生成器,实现了高级别感知保真度与强大的空间语义表示。 该模型采用扩散强制预训练和教师强制微调的两阶段训练范式,在驾驶世界模型的标准基准测试中取得了最先进的结果。 Orbis 2 已被 NeurIPS 2026 接收,项目页面提供了代码、演示和检查点。