跳到正文
11月17日周二
  1. arXiv · ML24

    AllyAAC:结合无辅助 AAC 与生成语音的个性化手势识别系统

    研究团队开发可穿戴系统 AllyAAC,通过 14 名参与者的实地研究构建了首个包含 60 万余条非典型手势的多模态数据集。 该系统采用腕部 IMU 与智能手机应用,利用不同预训练策略的 Transformer 模型解决个性化手势识别挑战。 研究为开发结合无辅助与有辅助 AAC 的自适应个性化系统提供了设计原则及参考实现。

  2. arXiv · AI23

    HalluProbe:利用VLM幻觉进行后门检测

    研究提出HalluProbe方法,通过增强并分析视觉语言模型(VLM)解码过程中的幻觉分布一致性来识别后门攻击。 核心依据是受毒化数据训练的VLM会高频幻觉特定目标token,而干净模型的幻觉缺乏稳定偏差。该方法在三个模型上对抗六种代表性VLM后门攻击测试,检测准确率超过90%。 实验结果证明HalluProbe有效检测后门VLM,性能优于现有后门检测技术。

  3. arXiv · AI32

    11个视频世界模型未通过FlipTest因果状态测试

    研究构建FlipTest基准测试,评估的11个视频世界模型全部未能准确识别微小变化导致的未来状态翻转。 模型在真实与模拟场景的平均配对准确率仅18.3%,低于25%的随机猜测水平,且在变化与未变化步骤上表现一致。 论文呼吁重新思考世界建模范式,认为下一帧预测需识别控制未来动态的因果状态而非仅生成像素。

  4. arXiv · AI30

    对象识别准确率随语义距离单调下降

    研究提出 ImageNet-OOC1k 基准,发现 35 个视觉模型在对象背景语义距离增加时识别准确率呈单调下降。分析显示 Vision Transformer 存在聚合失败现象,空间重排序策略可使样本内准确率提升 5.7 个百分点。该研究确立了上下文敏感性是视觉系统的连续可预测属性。

  5. arXiv · ML33

    UNITE:基于共享锚点一位因子化整合具身 VLM 专家

    论文提出 UNITE 框架,将四个 Qwen3-VL-8B 具身视觉语言专家整合为共享主干混合专家模型,总存储仅 20.3 GB,比未压缩 MoE 节省 59.6%。模型采用共享浮点锚点与专家特定位二值化表征,适配阶段仅更新少于 0.6M 参数。在 22 项基准测试中,UNITE 在扫描理解与导航任务上超越各源专家,最高提升 19.1 分。

  6. arXiv · AI28

    探索视频世界模型中意外发生的区域:违反预期的本地化评估

    提出局部违反预期(VOE)评估框架,用于衡量视频世界模型在物理违规发生的具体时空区域内的预测误差差异。 该研究对比了全局、时间局部化和时空局部化评估方法在 V-JEPA 模型上的表现,发现全局聚合可能掩盖局部判别正确性或产生缺乏局部证据的表观判别。 确立了局部 VOE 评估作为评估直觉物理能力的互补诊断工具,证明全局预测误差不一定反映物理违规的时空证据。

  7. arXiv · AI26

    神经引导热启动加速锥形束CT变分重建

    提出神经网络引导热启动框架,保持锥形束CT变分重建原始公式不变。 使用FDK算法初始重建并经图像域神经网络精化,仅用于初始化后续基于模型的优化。 在SynthRAD2025数据集上,重建时间减少超三倍,且保持可比的图像质量。

  8. arXiv · AI31

    VibeSyn:用于意图驱动多步分子合成的层级智能体决策系统

    研究团队提出 VibeSyn 系统,通过层级智能体将化学家定义的分子目标转化为自适应决策,驱动计算工具与实验室自动化执行多步合成。 该系统在三次演示中验证了从实验决策到生物碱全合成的能力,其中人类主动输入占比低于 7.5%,简单确认占比低于 5.2%。 这展示了智能体主导的实验室自主导航实验轨迹、实现目标化合物合成的未来潜力。

  9. arXiv · AI29

    ChartSync: 面向视数逻辑级联图表编辑的基准测试

    研究者提出 ChartSync 基准,用于评估生成式图像编辑模型在结构化统计图表中执行视数逻辑级联编辑(VLCE)的能力。 该基准包含 870 个样本三元组、涵盖 9 种图表类别及 4 种任务类型,并构建了保证确定性地平耦合的编程渲染流水线。 对 14 个模型及 1 条代码管道的测试显示,多数开源模型在几何同步上严重下降,仅两个前沿专有模型展现出初显的 VLCE 能力。

  10. arXiv · AI28

    CivilBench:土木工程领域多模态信息整合的 VLM 基准测试

    summary_zh: CivilBench 发布,用于评估视觉语言模型在土木工程中的多模态信息整合能力。 该基准涵盖顺序推理、图像结构理解和开放世界理解三大任务族,覆盖结构损伤评估与修复规划。 CivilBench 发布,用于评估视觉语言模型在土木工程中的多模态信息整合能力。 该基准涵盖顺序推理、图像结构理解和开放世界理解三大任务族,覆盖结构损伤评估与修复规划。

  11. arXiv · ML21

    有限深度样本下尖锐首次命中识别方法研究

    论文针对有界Lipschitz连续源逆深度场,刻画了有限采样下的首次命中深度集合,证明了其可能不连通,并提出了共享场景的充要性检验。 基于标量锥不等式的极线减少方法无需枚举表面,在rectified模型中给出了尖锐最坏情况逆深度直径的理论界,并通过十场景评估区分了求解器正确性与假设失效。

  12. arXiv · ML28

    视觉证据如何改变视觉-语言顾问在激励驱动下的误报行为

    研究表明,视觉输入未使视觉-语言模型(VLM)更诚实,其遵循激励的程度取决于读数是否显式化及输出顺序。 实验涵盖 15,170 次试验,覆盖 Qwen2.5-VL、InternVL3、Gemma 3 等 4 个模型,发现添加文本真值可消除偏差。 该研究揭示了纯文本评测与均值偏移指标的盲点,已提交 IEEE 发表。