跳到正文
11月19日周四
  1. Hacker News AI26

    Show HN:AI 厨房设计工具

    该工具允许用户上传厨房照片,在约 30 秒内生成 18 种风格的改造预览,首次设计免费。支持 Refresh、Remodel 及 Redesign 三种改造深度,输出分辨率最高可达 4K。生成的视觉效果仅为概念参考,不具备实际测量功能,需结合专业工具进行最终确认。

  2. Hacker News AI30

    Canva 推出设置允许用户关闭大部分生成式 AI 功能

    Canva 新增两项设置,允许免费和 Pro 用户全面关闭生成式 AI 功能,或降低其素材库中 AI 生成内容的出现概率。 背景移除和 Magic Grab 等非生成式编辑工具在关闭全局 AI 后仍可使用,且其输出不会添加 AI 标签。 新设置位于个人资料选项卡下的“权限”及“AI 个性化”部分,旨在给用户更多控制权。

  3. 量子位75

    可灵推出 Kling Image 4.0:支持原生 8K 分辨率、千字排版及组图生成

    可灵推出新版图像模型 Kling Image 4.0,主打原生 8K 高清输出,单图支持 2000 字文本生成及 70 款预设字体,并新增最多 10 张连贯组图与长图生成能力。模型采用原生理解生成大一统架构,具备原生 Agentic 能力,支持 15K Token 指令处理;第三方 Artificial Analysis 文生图榜单显示其位列全球第七、国产模型第一。

    推荐理由:通过12张实测图与多轮生图演示,展示了Kling Image 4.0在原生8K清晰度、超长文字排版及组图连贯性上的具体表现,适合评估其在电商设计与影视分镜场景下的可用性。

  4. IT之家76

    火山引擎上线豆包 SeedRealtime 1.0 API,实现全模态实时交互

    火山引擎正式全量上线豆包实时音视频通话模型 SeedRealtime 1.0 API 服务。该模型将声音、画面、时序与表达统一到端到端架构中,替代了传统的 ASR、VLM、TTS 级联系统,降低了交互延迟与信息损耗。

    推荐理由:火山引擎上线豆包 SeedRealtime 1.0 API,该模型将音视频流统一至端到端体系,实现了主动交互与实时判断。

  5. arXiv · ML27

    Prithvi-EO-2.0 蒸馏:将地学基础模型压缩为 0.7M 参数的水面分割器

    研究团队将 3 亿参数的 Prithvi-EO-2.0 教师模型蒸馏为 0.7 参数的 EfficientViT-B0 学生模型,在 WorldFloods-v2 等测试集上达到教师级精度。 学生模型体积仅 1.6MB,在 Jetson Xavier NX 上以 4.9ms/图速度运行,误报率低于 10%。 该方案解决了大模型在边缘硬件部署的难题,支持洪水预警等无值守场景应用。

  6. arXiv · ML33

    DLWM: Diverse Latent World Models for Efficient Multimodal Reasoning

    DLWM 是一种结合潜空间推理与强化学习的多模态推理框架,在多个基准测试中准确率较现有方法高出 2-5 个点,同时内存使用降低 24%。 该框架通过构建多样化的潜空间世界假设并利用基于正交性的多样性正则化防止假设坍缩,解决单一解释假设的局限性。 资源感知的强化学习策略将推理过程建模为资源受限的序贯决策问题,动态决定扩展、剪枝、合并推理路径或生成最终答案。

  7. arXiv · ML22

    GRTO:面向指代分割的自举式组相对工具优化

    GRTO 提出一种两阶段框架,联合优化视觉语言模型策略与可微分割工具,在三个指代分割基准上显著超越基础 GRPO。 该框架首先将工具自举至理论最优策略以获取易得增益,随后扩展 GRPO 联合精化策略与工具,实现比单一优化 VLM 更稳健的奖励信号与收敛性。 实验表明 GRTO 匹配或超越领域 SOTA 方法,验证了统一强化学习与可微辅助目标在推理密集型分割任务中的价值。

  8. arXiv · AI22

    SciFigQual-Bench:基于手稿关联上下文的科学图表质量评估

    研究团队推出 SciFigQual-Bench 基准及 SFQ-Agent 框架,针对已发布的计算机会议图表,将图像与图注、引用段落绑定评估。 该框架通过分模态调用与跨模态评分,重点考察视觉清晰度、布局、图注及上下文一致性,实验显示其比单程评估更接近人类评分。 该方法解决图表内容与文本脱节导致的质量误判问题,指出图注一致性是目前主要评估难点。

  9. arXiv · AI21

    MonitorVLM: 用于矿业作业安全违规检测的视觉语言框架

    MonitorVLM 发布,通过视觉语言框架自动识别矿场监控视频中的安全违规行为。 模型基于 9000 个 VQA 样本训练,引入条款过滤器和行为放大器模块,推理延迟降低 13.56%;相比 72B 未微调基线,精准率提升 22.01%,召回率提升 34.22%。 框架支持自动违规报告与时间戳定位,提升多模态模型在职业安全监测中的应用潜力。

  10. arXiv · AI34

    FedS2R 提出首个用于自动驾驶合成到真实语义分割的单次联邦域泛化框架

    FedS2R 是首个面向自动驾驶合成到真实语义分割的单次联邦域泛化框架,通过不一致性驱动的数据增强与多客户端知识蒸馏融合特征训练全局模型。 在 Cityscapes 等五个真实数据集上,该全局模型显著优于单个客户端模型,性能仅比同时访问所有客户端数据的模型低 2 mIoU。

  11. arXiv · AI22

    MAP:面向真实地点的多模态无障碍规划基准

    研究团队推出MAP,这是首个评估多模态AI系统在真实世界地点无障碍规划中表现的基准。 该基准包含两项评估:验证无障碍规划声明和检索视觉证据,采用自动评分与部分人工评分结合的方法。 MAP支持定时刷新真实数据以评估AI系统,便于比较不同系统表现。

  12. arXiv · AI26

    基于分歧引导的智能体数据筛选用于多模态安全

    该研究利用分歧信号筛选合成边界案例,在多模态安全基准上将 F1 从 0.220 提升至 0.731,FNR 降至 0.245。 管道生成策略条件化图像,选取评分者分歧案例并检索 50 个示例作为上下文演示,显著优于 350 例常规池。 盲测显示专家在分歧引导图像上的分歧率为 24%,验证了该方法在可追溯多模态安全评估中的有效性。

  13. arXiv · AI23

    CXReasonAgent:基于证据的胸片诊断推理智能体

    研究人员提出集成LLM与临床工具的CXReasonAgent,解决大型视觉语言模型(LVLMs)缺乏证据支撑及适配成本高问题。 该智能体在包含1,946个对话、覆盖12项诊断任务的基准测试CXReasonDail中表现优于LVLMs。 论文已被ML4H 2026会议接收,并提供了在线演示以支持可靠且可验证的诊断推理。

  14. arXiv · ML24

    基于语音的帕金森病检测中性别差异研究

    研究评估了基于三个预训练语音模型嵌入和声学特征的帕金森病(PD)检测,发现女性在较大数据集上的分类准确率高于男性。 当模型仅针对单一性别训练时,无法泛化到另一性别;研究结果强调在开发PD检测系统时将性别作为变量纳入的重要性。

  15. arXiv · AI42

    OCTR2A:城市路口实时 RGB 转 BEV 轨迹投影与预测

    OCTR2A 架构利用对角 RGB 相机重建并预测鸟瞰图(BEV)轨迹,实现城市路口实时感知与预测。 该模型在单张消费级 GPU 上实时运行,预测 ADE/FDE 达 0.154/0.241 米;相比 SIND 基准 SOTA,预测精度提升 66.7%/41.7%。 R3ST++ 合成基准支持真实场景适配,无需 LiDAR 或 HD 地图等昂贵资源。

  16. arXiv · AI23

    VideoACE:通过高帧率动作评估智能体视频理解的基准

    研究团队提出 VideoACE 基准,包含 1000 道多选题,涵盖六大类细粒度动作理解,并附带时序证据标注与经筛选的用户提示。 评估环境结合视频检查工具与用户模拟器,允许模型调整时间覆盖、采样密度及空间细节,并在模拟用户反馈下重新审视证据。 该基准测试了单通道观察、自主工具使用及结合用户反馈的工具使用模式,为探索固定观察设置之外的智能体视频理解提供了测试平台。

  17. arXiv · ML29

    辐射学语言-图像预训练中重新思考对比目标:CorLIP 方法

    针对 CLIP 式辐射学预训练在零样本评估峰值后性能下降及大批次训练失效的问题,研究提出兼容性修正方法 CorLIP。该方法无需改变架构,仅将临床断言与图像一致的文本视为正样本,解决了确定性梯度偏差。 CorLIP 大幅放大数据增益,并在 B=2048 的大批次下保持稳定,且该修正可从胸部 X 光迁移至 3D CT 模态。

  18. arXiv · AI21

    冻结人体检测器监督后处理中信息量、物体变化与完整成本的选择

    针对冻结检测器的监督后处理选择,Full100 在319张图像上匹配6004个物体,优于原始WBF的5848个。 原生集上下文增加275个匹配但增加96个未匹配预测;Full100与元统计读数在64张图像完整工作负载下耗时约95毫秒。 研究表明特征维度和非净检测增益是采纳的不可靠指南,支持使用信息充分的输出读数。

  19. arXiv · AI33

    ProtoBridge-CLIP:用于医学影像-报告表征学习的观察掩码发现原型方法

    研究团队提出 ProtoBridge-CLIP 框架,结合全局对齐与观察掩码发现监督,在医学影像表征学习中区分已确认、明确否定及未提及的医学发现。 该方法在 CT-RATE 等 3 项 CT 基准及 5 项胸片基准上取得 66.5%至 91.4% 的 macro-AUROC 成绩,优于全局对照。 结果表明,在表征学习中对已观察与未观察概念差异化处理具有实用价值。

  20. arXiv · ML26

    MoMoVL:面向端侧稀疏激活视觉-语言模型的模态感知自适应压缩

    针对 MoE 视觉-语言模型(VLM)在端侧部署面临的内存挑战,MoMoVL 提出了模态感知自适应压缩框架,将推理资源需求控制在端侧预算内。 该框架联合利用专家激活特征与模态量化敏感度指导位宽分配,相比均匀精度基线减少内存占用最高达 15.44%,且精度下降温和。 MoMoVL 在精度-压缩权衡上优于最先进混合精度基线,代码和数据已公开,论文被 WSDM 2027 接收。