跳到正文
  1. 量子位77

    MatOS:面向材料研发的科研智能体系统正式开源

    北京中关村学院 AI 材料研究所发布的 MatOS 科研智能体系统正式开源。该系统将数据、知识、工具等组织为科学资产,通过有状态自适应工作流执行长周期任务,并利用证据驱动机制持续进化资产库。

    推荐理由:MatOS 系统开源,通过分层资产图与有状态工作流解决材料研发长周期任务中的工具接入、状态保持及经验复用难题。

  2. arXiv · 机器人与计算机视觉78

    LEDGE:分离文本到图像自修正中的批评者与编辑器故障

    论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。

    推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。

  1. arXiv · 机器人与计算机视觉81

    RoadState:一种增强领域先验的视觉语言系统用于工业级车道级地图更新

    论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。

    推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。

  1. arXiv · 机器人与计算机视觉78

    LPM:面向复杂降质的工业级生成式视频修复框架

    论文提出了 Large Processing Model (LPM),这是一个基于扩散模型的生成式框架,旨在解决用户生成内容中复杂的真实世界退化问题。该系统通过大规模数据工程、基础模型训练和高效推理的统一架构,实现了任意长视频的逼真且时间一致的修复。

    推荐理由:该工作提出首个工业级生成式视频修复模型,在快手生产环境处理约45%观看时长并降低20%码率。

  1. arXiv · 机器人与计算机视觉78

    ManimCode:面向教育动画生成学习的视觉自我修正

    ManimCode 是一个针对教育动画生成的数据与训练框架,旨在解决渲染后存在的视觉缺陷、解释缺失或内容错误问题。研究构建了包含 24,034 条经过渲染验证和过滤的 ManimData 数据集,记录了中间程序、执行错误及修正轨迹。

    推荐理由:该工作提出 ManimCode 框架,利用渲染反馈数据训练单模型实现教育动画的视觉自我修正与代码迭代。

  1. arXiv · 机器人与计算机视觉78

    Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation

    arXiv 论文提出 Don't Risk It Planner (DRIP),这是一个端到端的仅 LiDAR 规划框架,将占用预测与轨迹条件清除及不确定性估计相结合。

    推荐理由:提出仅用 LiDAR 的 DRIP 规划器,通过轨迹条件分布风险评估碰撞概率,在密集人群导航中相比基线减少冻结并提升成功率。

  1. arXiv · 机器人与计算机视觉78

    ConClick:元素级对比学习提升 GUI 定位精度

    针对现有 GUI 定位模型易误点非目标元素的痛点,本文提出 ConClick 对比学习框架及 ConClick-Data 数据集(含 4,292 对挑战样本)。

    推荐理由:该工作通过对比学习框架与专用数据集,显著提升了 GUI 定位准确率并提供了可复用的推理策略。

  1. 量子位78

    DeepSeek-V4系列因分块KV Cache压缩出现相位敏感性:同一任务准确率随Token站位周期性起伏

    字节Seed团队研究发现,DeepSeek-V4系列模型在长上下文检索中表现出显著的“相位敏感性”,即同一条信息仅改变输入位置(Token站位),其检索准确率便会呈现与压缩步长一致的周期性波动。

    推荐理由:字节Seed团队发现分块KV Cache压缩引入相位敏感性,导致模型检索能力随输入位置周期性波动,后训练与架构迭代可显著缓解该问题。

  1. arXiv · 机器人与计算机视觉82

    细粒度缓存:基于少量校准条件的扩散 Transformer 加速方法

    针对扩散 Transformer 重复去噪器评估带来的高计算成本,本文提出一种无需训练的框架,利用条件共模抑制效应构建固定模块复用调度。通过两阶段校准建立缓存簿,在推理时实现无需每输入估计策略的加速。实验显示该方法在图像模型上提升 1.66-1.72 倍,视频模型上提升 1.54-1.68 倍,并可结合 MagCache 或 SeaCache 进一步加速。

    推荐理由:原文提出无需训练的微调框架,利用条件共模抑制效应构建固定缓存策略,在图像和视频生成模型上实现 1.54-1.72 倍加速。

  2. arXiv · 机器人与计算机视觉78

    CentriQ:通过精确均值中心化实现扩散 Transformer 的免校准量化

    论文介绍 CentriQ,这是一种针对扩散 Transformer(DiT)的免校准量化技术。该方法通过在旋转前对每个 token 进行中心化处理,并利用秩 -1 全精度分支恢复均值,从而在无需数据的情况下确定量化范围。

    推荐理由:提出一种无需校准的扩散 Transformer 量化方法,在低比特下保持生成质量并优于现有无校准方案。

已经到底了