AdaGround:基于 Token 归一化自适应缩放与验证器闭环优化的 GUI 定位框架
AdaGround 是一种无需训练的 GUI 定位框架,包含 Token 归一化自适应缩放、验证器闭环优化及组合结构定位三个组件。该框架利用模型对目标大小的估计来设置放大倍率、视野和缩放深度,并通过标记点击的 Yes/No 验证器来决定接受或拒绝每次缩放、在缩放链之间进行选择,以及何时进行弃权。
AdaGround 是一种无需训练的 GUI 定位框架,包含 Token 归一化自适应缩放、验证器闭环优化及组合结构定位三个组件。该框架利用模型对目标大小的估计来设置放大倍率、视野和缩放深度,并通过标记点击的 Yes/No 验证器来决定接受或拒绝每次缩放、在缩放链之间进行选择,以及何时进行弃权。
LOWN 解码法在无需训练的情况下,将 LLaDA-V 的解码计算量降低至平均 35.3%,同时保持 99.6% 的基准测试分数。 该方法通过预测无图像预测与条件预测的一致性,自适应决定每步是否处理图像及解掩码数量,且可与视觉 token 剪枝正交组合。 LOWN 泛化至 LLaDA 系列扩散视觉语言模型,并在 key-value caching 下进一步提升效率,代码已开源。
Tap2Listen提出了一种流式视听目标说话人提取模型,支持即时切换目标说话人。 该模型将计算按模态分离,音频编码器处理混合信号,视觉线索仅作为解码器条件,切换仅需0.12ms重新投影。 在LRS3-2mix测试集上,SI-SNRi从8.85 dB提升至9.68 dB,且可在单CPU核心上实时运行。
提出利用视频基础模型先验的FrameForge,实现统一条件图像生成。 采用Mixture of Temporal Experts (MoTE) 动态选择时间RoPE专家,配合Chain of Temporal Reasoning (CoTR) 通过潜在中间态和推理瓶颈注意力掩码建模条件到目标的转换。
研究团队提出 SOMA 基准,包含 1,632 个经人工验证的问题,用于评估多模态大语言模型(MLLMs)在细粒度人体运动理解上的表现。 评测覆盖 37 个主流闭源、开源及专用 MLLMs。
研究发现,主流视觉语言模型在执行人脸种族与性取向转换任务时,生成的图像在统计上可区分且常强化刻板印象。 这些生成过程中的表征偏差会重现于文本推理与人物特征描述任务,并延伸至犯罪嫌疑人的画像生成。 该研究已被EMNLP 2026主会议接收。
summary_zh: CrossProfile 基准指出,在隐藏特征任务中,基于相关性或罕见性的记忆筛选策略均存在显著缺陷。 相关性筛选会引入干扰项,相比罕见性筛选在经典配置下损失 23 至 31 分;罕见性筛选平均效果等同于随机选择,且决策模型中社会证明效应导致额外误差。
Timestral 是一组包含 5M、28M、123M 和 209M 参数四个规模的时间序列基础模型,专用于概率预测。在 GIFT-Eval、TIME 和 fev-bench 基准测试中,Timestral-209M 和 Timestral-123M 包揽了所有指标的前两名。
研究通过因果干预发现,Gemma4-12B-it 在文本与图像模态间共享数值计算的几何结构。 直接复用子空间仅恢复 53.2% 因果效应,经旋转和缩放后恢复率升至 91.4%。 13 个输出层不可见方向中,77.6% 的情况下可定向后续数字输出。
研究提出 Dwell 框架,将预训练视觉-语言模型重构为循环潜空间转移算子,实现智能体在潜空间的预测与行动。 该框架利用模型表征同时作为世界模型与策略,通过在线交互与潜空间想象持续改进行为,代码已公开。 在五个交互式视觉环境中,Dwell 在可训练方法中取得最强整体性能,并大幅降低想象所需的计算量。
研究提出 PIP-ToM 框架,解决多模态心智理论(ToM)中的证据可接受性问题。结合 GPT-4o,该方法在 MuMA-ToM、MMToM-QA 和 Hi-ToM 基准上分别达到 92.56%、95.00% 和 95.00% 的平均准确率。 该框架通过构建特定于智能体的证据存储,将其与结构化心智状态主张对齐,并在保留贝叶斯推理过程的同时校准模型假设分数,避免视角泄漏和来源混淆。
提出可靠性感知框架解决稀疏事件关键点误差问题。 三分支表征结合正负事件与最近事件时序,通过跨分支注意力和时空聚合提升定位精度。 在SPADES官方测试集上,系统综合姿态得分为0.0474,较PASAN+IRIS低5.4%。
研究提出AC-JEPA,一种兼容SFT的插件,通过预测掩码中间状态实现跨模态翻译,对不完美伪标签数据具有容错性。 在WildMol基准的Simple集上,使用干净数据时AC-JEPA准确率为76.07%,超过纯SFT的67.40%;使用相同伪标签数据时,AC-JEPA自训练将准确率提升至80.23%,而直接SFT则从67.40%降至63.47%。
CogArena 发布,包含 10 个社科行为范式,Agent 通过标准浏览器完成实验。三级评分系统评估任务完成度、准确率及行为特征。 四项多模态模型测试表明,完成实验与复现特征并非必然同步,部分会话未完成或特征复现不稳定。CogArena 提供任务、代码及公开排行榜。
研究发现红心等简单视觉符号能隐式引导 VLMs 在编码任务中生成递归解决方案,但该效应与模型直接解读存在显著差异。模型间视觉沟通存在生成与解读偏差,发送的直观图形常无法有效引导其他模型。这些发现揭示了 VLMs 视觉沟通的潜力及与人类惯例偏离带来的挑战。
框架 RouteDRAG 通过学习路由与控制 Agentic 执行,在多模态文档 RAG 任务中提升了准确性。 在两个基准测试中,该框架相比仅短路径执行平均准确率提升 3.47 个百分点,且仅将 79.3% 的查询分配给 Agent。 其性能优于统一 Agent 执行模式,同时减少了回答所需的调用次数。
The Trinity 提出了一种结合世界生成与 Harness 演化的递归自我改进框架,通过 Creator、Explorer 和 Evolver 三个角色实现多模态智能体的能力提升。
微软发布 MAI-Image-2.7-Preview 图像编辑模型,宣布其在全球图像编辑模型中排名第二,仅次于 OpenAI 的 GPT Image 2.5 Sunburst (max)。
WAVE 引入多级离散小波变换(ML-DWT),实现由粗到细的深度超分辨率重建,在多个基准测试中匹配或超越现有方法,最大增益出现在高上采样倍率下。 该方法将结构与细节重建分离为专用模块,利用语义门控处理高频带,并通过可逆耦合机制融合模态,防止单模态坍缩。 这种设计显式分离了误导性的 RGB 色彩和纹理线索,提供了比不透明网络隐式抑制更直观的替代方案。
QPredSGG引入混合量子谓词分类器,在Visual Genome 150数据集上将CFEN基线的mR@100从41.1%提升至57.25%。 该模型通过QP-Head将4096维特征压缩至16维,使用96个可训练量子参数,实现128倍的空间压缩。 其核心优势在于极致的表征紧凑性,而非相对于全维度经典基线的准确率增益。
StayFair 通过分解模型偏差与 Guidance Scale 相关的引导偏差,解决了调整 guidance scale 时扩散模型公平性下降的问题。 该算法在 classifier-free guidance 中通过 prompt-dependent offset 移动 null embedding,仅修改 guidance 步骤即可叠加于现有公平模型,且不牺牲图像质量。
8款AI年龄估算模型面临化妆攻击,单一合成胡须可使28%至69%的未成年人被误判为成年人。 研究使用Gemini 2.5 Flash Image对329张10至21岁人脸图像进行胡须、灰发等模拟攻击,8款模型包括Gemini 3 Flash、GPT-5-Nano及MiVOLO。 攻击导致预测平均年龄增加7.7岁,最大攻击转换率达83%,凸显已部署年龄验证系统的关键脆弱性。
研究评测了5种神经网络架构在量子点状态识别上的表现。 使用共享合成数据集训练,独立合成与实验测试集验证。卷积、全连接网络、混合密度网络、视觉Transformer和U-Net在合成数据上排名稳定,但实验表现差异显著。 合成数据最优架构在实验中并非最佳,仅凭合成基准无法选定实验部署模型。
FMC-DETR 提出了一种针对航拍目标检测的频率解耦融合框架,在多个遥感基准测试中取得了最先进的性能,并显著优于基线检测器。 该框架包含三个核心组件:使用级联小波变换增强全局低频结构感知 WeKat 骨干网络;通过部分通道空间、频谱和结构协调优化跨尺度融合表示的 MDFC 模块;以及提升特征多样性的 CPF 模块。 代码已开源,可用于自然资源监测、交通管理和无人机救援等实际应用场景。
研究提出 Adapter Alignment 分阶段训练流程,通过轻量级适配器将预训练模型对齐至新受试者,显著提升低数据场景下的 fMRI 视觉重建性能。 该方法将重建指标最多提升 8%,仅需 24 分钟受试者特定数据即可超越使用 1 小时数据微调的基线模型,且适用于 3T 至 7T 等不同架构和数据集。 实验证明增益源于 fMRI 嵌入中额外的图像特定信息,而非生成先验。
针对带宽受限与算力不足的资源匮乏地区,云边协同架构利用边缘轻量化模型与云端 LLM 实现多模态临床筛查。 在 20 个多模态病例、500 kbps-5 Mbps 网络条件下,系统实现 98-99% 诊断工具召回率、92-96% 精确率,且 token 成本降低 4-15 倍。 该设计优于纯云端基线,在部署限制下显著提升了多模态数据整合效率与事实依据可靠性。
论文提出因果变分深度嵌入模型CauVaDE,将未观测混杂因子坍缩为离散潜变量,近似观测与干预分布。 该模型引入因果引导机制,通过调节混杂因子熵强度生成多样化因果解释及干预图像分布。 此方法解决了图像生成领域因结构假设过强导致的干预分布不可辨识问题。
该研究为掩码扩散模型提出自适应顺序策略,通过轻量级策略网络决定解码顺序,提升生成质量。 新方法将掩码扩散损失按策略概率重新加权,使解码器优先处理易正确识别的位置。实验证明,该策略优于随机或启发式方法,在组合、蛋白质及代码语言任务中表现更优。 作者发现,在固定解码器下训练策略即可提升性能,联合训练策略与解码器可进一步实现相互适应。
提出 Vib2ECG 数据集,包含 17 名受试者 6 个胸导联位点的同步 ECG 与振动信号,并建立基准。 基于该数据验证 364K 参数 U-Net 可从振动信号重建心电,发现并分析了模型在无电活动区域产生心电波形的“幻觉”现象。 展示通过 IMU 传感器获取低成本振动信号实现移动设备友好的 ECG 监测的可行性。
AmbientFM 是基于 WiFi CSI 信号的环境感知基础模型,经微调后迁移至 9 项下游任务,所有分类基准 AUROC 均高于 0.90。 模型在 439 天内收集的 920 万条无标签样本上预训练,采用对比学习与掩码重建等技术,被 NeurIPS 2026 接收。
CLARiTy 视觉Transformer模型在NIH ChestXray14数据集上实现竞争性的14种病理分类,并在8种病理的弱监督定位上优于先前方法。 其定位热图通过OneBox转换为边界框,在严格阈值下相对Macro IoU准确率最高提升50.7%;针对小病灶,224变体在结节上的IoU准确率达0.154。
MECo 框架将 LLM 的编辑意图转化为可执行代码,在保留分子结构的基准中实现 98% 以上的复现准确率。 该模型在物理化学性质和靶标活性下游任务中,将一致性提升 38-86 个百分点至 90% 以上。 MECo 支持高保真反馈闭环与人机协作工作流,已被 EMNLP 2026 收录。
提出针对 LiDAR 物体检测 SOTIF 分析的不确定度评估方法,通过阈值转移在触发条件下判定性能目标适用性。 基于 PointPillars 在 KITTI 和 nuScenes 数据集的测试显示,按帧计数时远距离及雨雾场景的阈值转移导致多数正确检测被拒绝,但 ROC 曲线下面积未下降。 该结果验证了性能目标仅在特定触发条件下经测试后才可视为有效证据,需结合独立记录序列数量进行报告。
结合白质纤维取向分布(WM-FODs)与SE(3)等变CNN的脑龄预测框架优于DTI模型和常规CNN。 该框架在Human Connectome Project Aging数据集(692名36-90岁参与者)上取得3.54年平均绝对误差及0.958皮尔逊相关系数。 结果表明WM-FODs与等变处理的结合对性能优势至关重要,且预测准确性在球谐阶数Lmax = 2时最高。
仅语言视觉语言模型选择(LOVM)中,现有排名指标无法直接评估所选模型性能。 文章提出免训练的TC-ESR方法,基于源任务最低相似度加权平均遗憾进行选择。在22个目标任务和43个VLM上,TC-ESR取得了最低的简单遗憾和离群鲁棒归一化遗憾。 该方法修正了现有评估协议中的目标性能泄漏问题。
Dream2Assist 提出了基于强化学习的框架,通过意图推断增强协同车辆控制。 框架基于递归状态空间世界模型,利用虚构共玩策略支持离散人类目标。在三个人类研究(N=30和N=10)中,意图条件化显著改善了扭矩对齐和碰撞率。 该技术为安全关键的实时人机协作系统提供了部署流水线与设计实践参考。
该研究提出证据驱动的 Agentic AI 框架,通过 nnU-Net 实现肝脏与病灶分割,并由 LLM 生成符合预设模式的结构化报告。 在 51 个 LiTS 案例中,肝脏 Dice 分数达 0.947,病灶敏感性为 75.6%,阳性预测值为 68.9%。 该工作通过连接定量影像证据与智能体报告生成,迈向注重可追溯性与临床相关性的以人为中心的医疗 AI。
IntNet 框架通过传输车辆意图并采用自适应通信调度,在复杂城市环境中将通信开销降低 60%,且碰撞率低于现有通信型 MARL 方法。该无模型架构利用图注意力网络处理接收消息,并通过调度器动态优化通信图以提升带宽效率,实现了协同安全。实验验证了其在避免碰撞轨迹中平衡信息共享与带宽使用,及系统可扩展性方面的优势。
AudioFM 提出一种结合录音级对比学习与掩码潜在区分的自监督框架,在多种音频领域的线性探针、微调及零样本迁移任务中均达到 state-of-the-art 性能。
研究对比了 patch-derived 和 register 两种变长图像分词策略,发现 patch-derived 在极端压缩下重建效果显著更好,而 register 在中等预算下表现稍优。
最多提供 50 页,更早的内容请使用搜索或主题页。