模型自我评估足以应对多样化的 LVLM 集成吗?
该论文构建统一流程,通过从不同大视觉语言模型提供的候选回答中选取最佳答案来形成集成。研究在 34 种置信度估计、24 种集成配置、20 个数据集及两种提示规范下进行了全面评估。
该论文构建统一流程,通过从不同大视觉语言模型提供的候选回答中选取最佳答案来形成集成。研究在 34 种置信度估计、24 种集成配置、20 个数据集及两种提示规范下进行了全面评估。
AimLock CEO Bryan Bockmon 指出,得益于智能手机技术带来的算力提升及双用途技术复用,自主目标系统成本大幅降低且不再依赖专用硬件。多模态传感器融合(可见光、热成像等)通过机器学习整合数据流,显著提升了复杂环境下的检测与分类性能。公司坚持采用“辅助目标识别”而非全自动化决策,以适配美国军事政策术语并规避自主武器条约的政治争议。
该研究对比了交互艺术与人类轨迹预测算法,指出尽管模型定量性能提升,但算法中对人类行为、思维及社会互动的考量呈递减趋势。作者通过感知、互动与时效三个维度,探讨艺术直觉如何关联 AI 算法,并发现部分受艺术启发的算法能从数据中推导出有趣的人类行为模式。
研究评估了 249 项生物医学图像分析挑战,发现其数据集在地理分布、成像模态和问题类型上代表性有限。尽管榜单成绩显著,但受限的访问条件、不合规的许可及文档缺失严重制约了可复现性与长期复用。这些系统性缺陷暴露了基准生态的基础公平性局限,导致排行榜成功与临床相关性脱节。
MIT 团队宣称 Astra 仅通过观察原始权重即可大幅提升 Qwen3.5-0.8B 数学能力,引发关注。但 spaCy 作者 Matthew Honnibal 质疑该研究存在误导,指出其混淆了两种技术路径:在小模型上直接读取 raw floats 参数与在大模型上结合 Python 编程及多次前向测试的工程手段。
基于 VISION 2026 访谈,自主机器视觉依赖光学(如 SWIR 成像)、高速相机(100/200 GigE)及边缘处理(eBUS Edge)构成的完整栈。系统需同步多传感器数据并满足 EU Cyber Resilience Act 等安全要求,以支持缺陷检测、PCB 检测等应用。
该 arXiv 位置论文主张现代视觉系统评估不应再主要依赖单一图像质量基准,因客观指标已偏离人类感知与用户偏好。文章呼吁在保留指标的同时,转向更以人为本、情境感知及细粒度的评估范式,以规避对创新与科研方向的误导风险。
该论文系统评估了包括合成胡须、白发、妆容和皱纹在内的低成本物理修饰对年龄估计系统的攻击效果。研究在 329 张 10 至 21 岁个体的面部图像上,利用 Gemini 2.5 Flash Image 模拟这些攻击,并测试了八种模型(含 MiVOLO、Gemini 3 Flash 等)。
声网在 iRTE2026 实时智能大会上展示了支持全双工响应、意图判断及行动协调的 Agora Conversational Model,旨在解决 AI“会聊”难题。其提出的五级对话能力框架涵盖从 L1 问答到 L5 深度沟通,并通过分布式实时推理云实现模型靠近用户运行以优化时延与负载。相关能力已集成至对话式 AI 引擎、开发套件及 Call Agent 等产品中,兼容级联与端到端架构。
该研究将人文视角转化为“解读、质询、揭露”三阶段认知游戏,使文本生成图像(T2I)模型如何传播默认刻板印象变得可见且可辩论。在大学生艺术课程试点中,配合轻量级工具的游戏化方法成功引导学生从主观印象转向基于视觉证据的严谨假设验证。该成果已接受 iLRN 2026 会议录用,旨在提升教育场景下对 T2I 模型偏见编码的批判性素养。
该综述正式定义了视频理解智能体的循环机制,通过挑战 - 设计分类法解析了从上下文瓶颈到多模态歧义的解决路径。文章系统回顾了状态空间范式、学习范式及监督信号等核心要素,并明确了迈向原生时序建模与视频原生智能体的开放方向。目前论文已接受 DICTA 2026,共 15 页含 3 幅图,代码与数据许可情况未明确说明。
北京通用人工智能研究院孵化的团队通衍灵智推出 Recursive Self-Improving Personal AI 技术,旨在将企业与个人的业务经验沉淀为可持续进化的专属模型能力。
该论文审计了 2022 至 2026 年间发布的 27 款文本到图像生成器,分析了超过 5.1 万张生成面孔和 16 万张真实照片。研究发现几乎所有生成器在自动化指标下得分均高于真实人脸,且人类评估者认为其显著更具吸引力;其中女性提示生成的面孔有 37% 超越中位数专业时尚模特,深色皮肤群体得分普遍低于浅色皮肤群体。
MIRAGE 提出了一种利用扩散模型生成感知良性对抗图像的视觉间接提示注入框架,旨在检测受信任平台中仅控制特定区域(如广告位)的第三方评估场景下的多模态大语言模型网页智能体漏洞。该方法结合曲率感知引导与稀疏暗像素扰动技术,在 SeeAct 和 OpenClaw 等主流框架上的实证评估证明了其攻击效力、现实性与隐蔽性。
一项包含 56 名参与者和 392 次视频问答实验的研究发现,交互后信任度显著预测用户委托决策(OR=14.97),但验证仍是主导策略且常与高信任共存。任务顺序调整后的委托增加率(OR=1.22)揭示了仅靠自评无法捕捉的经验相关成分。研究提出“已执行委托痕迹”框架,建议从意图转向对协作中委托行为的非侵入式观察。
Kolab 发布包含 50 名从业者共 115+ 小时屏幕录像的新数据集,填补了现有基准过度关注自动化而忽视人机持续互动的空白。分析显示前沿模型高估专家协作效果且难以区分协作质量,无法预测用户采纳或修改贡献的行为。该 arXiv 预印本作为研究真实专业工作流中人类 - 智能体协作的宝贵资源,暂未开放代码或商用许可。
针对冻结视觉语言模型的安全评分,研究通过控制变量发现该分数主要随提示词结构和相机视角变化,而非反映真实危险。在涵盖三种策略、180 个回合及 130 次接触起点的实验中,分数仅在接触前约二十步下降,证实其无法区分危险信号与场景相关特征。结论表明仅凭图像文本相似度转化为奖励或置信度权重,并不能建立真正的危险感知能力。
Emesent 联合创始人 Stefan Hrabar 介绍 Hovermap 解决方案,利用基于 LiDAR 的 SLAM 技术在矿井、城市峡谷及森林等 GPS 信号缺失或受干扰区域实现自主导航。该系统通过多传感器融合克服粉尘、烟雾及无特征空间挑战,已在矿山和地下设施完成真实部署。
Groq 3 LPX 凭借确定性执行架构,在 NVIDIA Vera Rubin 平台上实现了针对 AI 工厂功耗约束的高能效推理。该方案将每瓦性能确立为衡量平台价值的核心指标,而非单纯的原始吞吐量。此技术旨在解决 AI 工作负载对全计算平台在有限功率预算下最大化输出的需求。
相同硬件配置的 NVIDIA H100、GB200 NVL72 或 GB300 NVL72 集群在训练吞吐量上常存在 8% 至 12% 的性能差距。NVIDIA Exemplar Cloud 通过优化内核配置栈,帮助合作伙伴部署消除与参考架构之间的性能断层。该技术文档为解锁 AI 基础设施全性能提供了关键配置指南。
DeepMind 提出四项原则,利用 Gemini 赋能的 AI 指针将像素转化为可操作实体,支持用户通过指向和语音直接请求如“显示路线”或“比较产品”等复杂任务。该实验环境已在 Google AI Studio 上线演示,并正整合进 Chrome 浏览器及即将推出的 Googlebook Magic Pointer 功能中。