CueSplat:面向边缘设备的动态高斯泼溅稀疏形变调度学习
针对动态场景渲染中形变网络评估计算量大的问题,上海交通大学团队提出 CueSplat 后训练框架。该方法利用局部时序规律预测高斯属性,通过轻量级路由器在离线校准的预算内选择需精确更新的索引,并复用邻近帧的选择结果以降低开销;同时引入漂移信号调度全形变帧以控制误差。
针对动态场景渲染中形变网络评估计算量大的问题,上海交通大学团队提出 CueSplat 后训练框架。该方法利用局部时序规律预测高斯属性,通过轻量级路由器在离线校准的预算内选择需精确更新的索引,并复用邻近帧的选择结果以降低开销;同时引入漂移信号调度全形变帧以控制误差。
上海 AI 实验室联合清华大学 AIR 及药学院推出 PFArena 专业蛋白质改造评测基准,基于 202 项真实实验数据,系统评估了蛋白质语言模型、通用大模型与科学智能体在候选生成、排序及实验信息利用上的能力。
推荐理由:PFArena 基准基于 202 项真实实验,系统评测了蛋白质改造任务中候选生成与排序能力,揭示了大模型在复杂突变组合下的局限及‘通专融合’的破局路径。
现有空间推理基准主要测试对输入中可见关系的感知,而真实世界需要预测性空间推理以构建场景并推演干预后的未见结果。该研究引入 SpaceCast-Bench 基准,基于观察 - 转换 - 推断框架,涵盖 182 个现实场景中的 3,862 个问题及 16 种任务类型。
上海人工智能实验室于2026年9月13日发布书生多模态大模型S2(书生-S2),重点提升长程科研与智能体能力。该模型通过Memory Decoder引入可插拔专业记忆,在不修改主参数下持续扩展领域知识;在IMO-Proof等数学基准上领先开源并达到Gemini 3.1 Pro水平。
推荐理由:上海AI实验室发布书生-S2,通过Memory Decoder实现专业知识持续扩展,在数学与科学任务上达到顶尖闭源水平。