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。
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。
该研究介绍了 Sage S1.5 Flash 模型,这是一个拥有 3200 亿参数的通用多模态专家混合模型(MoE),旨在进行科学证据推理并在交互式环境中行动。
奥比中光与 ThinkRobotics 在班加罗尔科技峰会首次全面展示其机器人免数据收集硬件平台,整合 EGO、WristCam、UMI 及 Hub 设备。该平台提供 1080p 以上高分辨率采集与小于 1ms 的多设备同步精度,满足印度市场对轻量化穿戴设计及多模态数据的需求。
DEEP 基准通过 KITTI 和 nuScenes 数据集评估感知计算对下游决策的实际增益,发现 34%–54% 的感知模式升级反而增加损失。研究指出仅凭漏检率提升选择信号会导致平均测试决策增益降低 7.4%,且引入 20% 延迟预算后仅轻量级路由器优于随机策略。该工作强调应以预算受限的决策预言机为基准,而非将全精度推理视为上限。
该论文提出 Chameleon 框架,将量化格式本身作为离散变量,按权重通道和激活层动态从 INT8、FP8 等集合中选择,而非固定单一格式。在 SDXL、PixArt-$\alpha$ 等模型上,该方法在所有位宽设置下均取得最佳 FID,推理速度较 FP16 提升 1.09 倍且权重体积缩小 3 倍。材料为预印本,未提及同行评审状态或开源代码仓库。
推荐理由:提出 Chameleon 框架,通过动态选择激活与权重的混合格式在固定位宽下实现最佳 FID 与推理速度提升。
MindTopo 是一个基于认知科学与形式拓扑学的基准,涵盖连续性、分离性、序关系、封闭性与纽结五种属性,包含 3900 个核心实例和 11035 个扩展实例。
Vladimir Iglovikov 发布基准,实测八种图像输入流水线向 NVIDIA L4 交付同步 CUDA float16 批次的速率。在共享的 34 个配方中,DALI 以 19.7 batches/s 的中位速度领先 AlbumentationsX(17.1),且峰值显存占用为 1,872 MiB 对比 AX 的 404 MiB。
针对文档视觉问答(DocVQA)中固定检索数量导致延迟高或精度低的问题,作者提出 ViSAR 方法。该方法在嵌入空间构建查询感知的页面相似度矩阵,动态确定需检索的页面数,无需额外训练且能显著降低端到端延迟。
基于洛杉矶大都会区 9,085 张街景图像,研究发现对预训练 CLIP 进行编码器适配可将区域判别准确率从冻结编码器的 39.03% 提升至 75.94%-82.10%,并将预测中心均方距离由 12.30 km 降至 3.86 km。
该研究开发了一种针对加州戴维斯市的光学 GeoAI 工作流,利用 2022 年国家农业影像计划数据生成树冠候选并映射了 7.71 平方公里的树冠覆盖。分析显示像素召回率为 87.3%,与 USDA/CAL FIRE 激光雷达辅助产品的交并比为 0.719。
针对现有压缩图像复原方法难以同时满足像素保真、人类感知和机器偏好之间的矛盾,论文提出 FDIR 框架。该框架分两阶段工作:首先利用质量引导的单步流模型生成结构先验,随后通过流条件细节细化网络预测残差以保留纹理细节并忠实于原图。在 LIVE1 和 DIV2K 数据集的严重压缩设置下,FDIR 在所有指标中均取得最佳或次优排名,且在下游检测、分割等任务中表现优异。
Vertigo Vertigo 项目利用大视频扩散模型,仅基于原片 2.78% 的关键帧锚点完成首尾插值,成功重构了希区柯克《迷魂记》。计算评估显示 73.1% 的生成帧可被识别为合理版本,仅 3.6% 出现灾难性失败,证明了经典电影规范已深度压缩在模型潜在先验中。
研究对 CelebA 数据集及预测模型进行多维审计,发现女性感知面孔虽整体获高吸引力标注更多,但衰老与男性化特征组合对其吸引力的负面关联显著强于男性。SHAP 分析显示体型属性对女性为负贡献而对男性近乎中性,Grad-CAM 揭示年轻女性关注面部中心而年长男性聚焦额头,证实了视觉评估中的性别双重标准。
论文提出 LatentRouter 方法,将多模态大语言模型(MLLM)的路由问题建模为反事实多模态效用预测。该方法提取学习到的路由胶囊并代表候选模型能力,通过潜在通信估计各模型在选定时的表现,结合分布结果头与有界胶囊修正进行决策。
$\Delta$LPS 是一种利用梯度信息识别离散状态空间内有效移动的离散朗之文启发式后验采样器。该方法支持跨所有 token 维度的并行更新,且对掩码或均匀状态的离散扩散先验训练范式无关。实验表明,其在图像复原、空间映射及 DNA 序列生成等线性与非线性逆问题任务中,性能优于近期离散扩散后验采样器并可与强连续扩散求解器竞争。
该方法通过矩阵值路径联合训练分数网络并学习噪声调度,推导了高效优化估计器及二阶 Heun 离散化反向 ODE 求解器。在 CIFAR-10、AFHQv2、FFHQ 和 ImageNet-64 数据集上,其 FID 指标持续优于基线且低 NFE 增益最大。代码已开源,论文版本为 arXiv:2602.19512v2。
论文提出将局部微调、LoRA 及激活干预等 LLM 控制方法视为由控制信号诱导的动态权重更新,构建了统一的偏好 - 效用分析框架。研究发现控制强度增加会提升对目标概念的倾向(偏好)但降低生成连贯性(效用),并通过激活流形视角解释了这一权衡机制。作者据此提出了新的转向方法 SPLIT,旨在改善偏好同时更好地保留效用。代码已开源。
该研究介绍了一种黑盒可解释性框架,通过学习“宪法”来总结提示词变化对模型行为(如对齐、正确性或约束遵循)的影响。方法利用原子概念编辑(ACEs),系统性地添加、移除或替换输入提示中的可解释概念,从而建立从编辑到结果的因果映射。
针对科学文档视觉问答中证据定位困难且缺乏可解释性的问题,作者提出了 SciEGQA 数据集。该数据集包含 1,623 个人工标注的高质量问答对及超过 30K 个自动构建的训练样本,支持语义连贯的证据区域标注。实验表明,基于该数据集训练能显著提升视觉语言模型在科学文档中的推理与证据定位能力。
本文对 CNN 和 ViT 架构在多种训练范式下的分布外(OOD)检测置信度评分函数进行了系统性基准测试。研究发现,简单概率分数主导误分类检测,而基于几何、重构或残差的分数在不同表征坍缩程度下表现各异。研究提出了一种基于 PCA 的投影过滤流程以提升性能,并开发了仅利用已训练分类器的神经坍缩(NC)指标来预测其竞争性 OOD 检测器清单的方法,无需额外 OOD 数据或先验知识。
论文提出 Watermark-based Adversarial Surface Perturbation (WASP) 方法,证明可见水印可作为对抗表面破坏文档理解性能。
论文介绍了一种名为 FlowTool 的新方法,通过将基于工具的图像编辑任务建模为流匹配问题,直接对输入图像和用户指令条件化地生成高质量工具参数的分布。该框架结合了视觉语言模型骨干网络与扩散 Transformer 参数生成器,无需自回归推理即可有效完成结构化连续编辑参数的生成。
针对多视图投影和现有 UV 空间方法依赖辅助模块导致的接缝不连贯问题,论文提出 DirectUV 框架。该方法在预训练图像 VAE 的潜在 UV 空间中运行,利用 Diffusion Transformer 结合单张输入图像和粗略 UV 图进行去噪。
该论文在 COCO-Val 全量数据集上分析了零训练大语言模型与开词汇检测器流水线的表现,发现定位准确率下降主要源于词汇新颖性导致命名对象超出标注类别范围,而非模型幻觉或视觉复杂度问题。研究证实了该现象具有通用性,并修正了前版计算误差,为开放世界多模态系统的评估与设计提供了关键依据。
推荐理由:研究发现零训练流水线中定位与语义的差距主要源于标注类别限制而非模型幻觉,为评估开放世界系统提供了新视角。
论文提出 RecCAR(Reciprocal Cross-modal Attention Regularization)方法,针对联合视频与动作、音频生成的跨模态对应关系不对称问题,利用已建立的视频到模态的强对应作为固定参考,通过 KL 散度正则化对齐较弱的模态到视频对应。
本文提出 GameReplica 基准,用于评估视觉语言代理在黑盒条件下复现网页游戏系统的能力。该基准包含 25 款游戏的 125 个实例,涵盖五种核心机制家族及五个难度等级。
本文研究了冻结多源 3D 语义融合中直接取 Top-1 标签导致信息丢失的问题,提出通过保留 Top-k 候选来改善性能。在 ScanNet200 数据集上,Top-20 策略的调和平均 IoU 达到 35.49,优于 Top-1(28.47)和全量保留(34.87)。研究还发现几何池化算子下全量保留表现最佳。该工作为冻结基础模型的融合推理提供了新的信息论视角与实验证据。
针对驾驶场景下视图切换导致的空间退化与生成不一致问题,论文提出 PRG-Fusion 框架,利用稀疏 LiDAR 投影建立几何控制并学习稠密 3DGS 渲染的外观控制。该方法根据重建证据将像素划分为保持、修复和生成三类区域,分别执行外观保留、结构修正和内容补全,在 Waymo 数据集上实现了具有优异视觉质量与几何保真度的新轨迹视频合成。
推荐理由:提出 PRG-Fusion 框架,利用重建证据在可靠区域保持内容、受损区域修复结构、无支撑区域生成新视图,实现高几何保真度的驾驶轨迹视频合成。
该论文提出一种名为 Object-Aware Velocity Control (OAVC) 的无训练图像编辑框架,旨在解决现有基于速度的编辑器在对象中心编辑时易出现的背景漂移和边界不稳定问题。
FReSH-IR 提出一种基于层级编码器 - 解码器架构的轻量级全合一复原方法,通过傅里叶跳连接融合频域分解与空间处理。该方法在保持复原质量的同时,相比 Transformer 模型减少 80% 的参数和计算量,显著降低资源消耗。实验表明其在受限资源系统中具备高效能比,适用于物理 AI 中的恶劣天气图像增强场景。
针对视觉语言模型(VLM)无法从图像恢复三维几何的问题,本文提出一种可检查的 3D 几何中间层方法,建立无模型渲染基准以区分模糊视角、信息丢失或推理缺陷。
基于多样化纵向数据集训练的 AI 视网膜身份匹配系统,在 Rotterdam Study、UK Biobank 及 AREDS 研究中实现了跨设备与数十年的精准身份核验。该系统在固定每千次正确分配产生五次误报的条件下,错误分配率分别为 0.4、9.3 和 1.1 例/千次,检索任务中正确身份位列第一的比例达 97.2% 至 99.7%,并成功发现所有队列中的图像标签错误。
DWT_AlexNet_DNN 框架结合离散小波变换与 AlexNet 深度特征,解决手工特征表达能力有限及深度学习未充分利用多尺度空间频率信息的难题。该研究在工业检测、医学分析及遥感等计算机视觉任务中验证了混合架构的有效性,论文包含 25 页正文与 15 幅图示。代码或权重暂未提及开放许可,仅作为预印本提交至 arXiv。
DeCO 将细粒度数据集蒸馏定义为预算约束下的判别性证据保留,利用预训练 TransFG 教师模型的注意力展开识别信息区域并构建类级证据库。在 CUB-200-2011、FGVC-Aircraft 和 Stanford Cars 数据集上,该方法在不同 IPC 预算下均优于代表性核心集与蒸馏基线。该研究作为 NeurIPS 2026 研讨会预印本公开于 arXiv,代码与权重未提及开放许可。
针对暗区微小亮度差异难以恢复的问题,该方法提出 Color-Adaptive Low-Light Enhancement (CALE),结合图像条件强度表示 Box--Cox Intensity Adaptation 与结构校正流网络。
针对真实世界无人机检测中恶劣天气和季节性外观变化难以采集的问题,作者提出了 SynDroneVision-Weather (SDV-W) 数据集。该数据集包含 55,187 张高分辨率城市环境图像,通过游戏引擎渲染覆盖三种季节配置及雨、雪、雾等多种天气条件。
ALTER 提出解剖学局部时间证据表示方法,利用全局先验集成、区域代理差分和区间变化融合解决现有方法忽视患者个体纵向变化的难题。该模型在 RadGenome-ChestCT 验证集和 CTRG-Chest-548K 测试集上取得最先进结果,代码与数据预处理细节已公开。
论文提出 MoRAE 方法,利用预训练的 Motion-JEPA 编码器预测隐藏关节轨迹并压缩其冻结特征,构建适合流变换器的紧凑潜空间。该方法在 HumanML3D 和 KIT-ML 数据集上实现了最先进的 FID 分数,同时保持了接近真实运动的检索式文本一致性和多样性。材料为 arXiv 预印本版本,未提及同行评审状态或开源代码仓库。
本文提出一种从不确定性到确定性的粗到细视觉楼层平面图定位(FLoc)框架,旨在解决室内重复布局导致的跨模态信息不对称问题。该方法在粗略阶段利用图像条件化的位姿扩散模型参数化连续多模态分布,引导随机初始化的位姿粒子流向不同候选模式;在细化阶段提出局部精炼器,基于候选中心裁剪的平面图预测亚米级位姿残差以消除结构歧义。
Quasi-SVD 通过左奇异向量的李参数化代数与软约束,实现了 GPU 友好的并行矩阵分解。该方法在 MNIST 去噪、穆勒矩阵偏振测量及超声定位显微镜等任务中,相比精确 SVD 提速 2.6--67 倍且保持高重建保真度。该预印本论文(arXiv:2607.25967)展示了跨仪器与尺度的稳健域迁移能力,显著加速了成像流水线处理。