Consommé:用于分割推理的条件化 Token 合并方法
Consommé 是一种在冻结骨干网络下实现分割推理的 Token 压缩方法,利用 CLS token 的双重特性通过软分配将图像块合并为恰好 k 个 token。该方法在 DeiT-S/T 数据集上于激进预算下领先现有方法,且在浅层分割场景可运行而二分匹配无法操作,以更低部署成本达到微调方法的性能。
Consommé 是一种在冻结骨干网络下实现分割推理的 Token 压缩方法,利用 CLS token 的双重特性通过软分配将图像块合并为恰好 k 个 token。该方法在 DeiT-S/T 数据集上于激进预算下领先现有方法,且在浅层分割场景可运行而二分匹配无法操作,以更低部署成本达到微调方法的性能。
针对多模态大语言模型处理长视频输入时的严重内存瓶颈及现有压缩方法忽略近似误差积累的问题,本文提出 Video-MemComp 框架。
RootDown 提出端到端图像流水线,利用 SAM 3 生成标注以解决甜菜根重叠遮挡难题。在 Raspberry Pi 5 搭配 Hailo 加速器的边缘设备上,该方法实现了高精度、低延迟且低功耗的推理性能。研究结果证明基础模型标签可大幅替代人工标注,为移动户外自动质检提供实用方案。
针对固定窗口 Vision Transformer 解码器因重叠分块导致的计算冗余问题,该方法在不进行模型微调的情况下,通过保留部分层级的独立注意力机制并融合共享状态,实现了显著的速度提升。
Ba-GP 框架利用记录的高斯过程后验均值梯度,将估计的输入偏差与噪声高效传播至均值和协方差修正。仿真与室内光强映射实验表明,该方法相比含噪输入基线提升了预测精度与不确定性校准,且计算成本降低一个数量级。该成果已获 IEEE Robotics and Automation Letters 录用(2026 年 10 月)。
10月26日,小鹏汽车宣布其Robotaxi“小鹏悠游”正式获批L4级自动驾驶示范运营资质,可在广州全域开展示范运营。该车型基于旗舰车型GX打造,是中国首款全栈自研、前装量产的Robotaxi,搭载4颗自研图灵AI芯片与第二代VLA大模型,不依赖激光雷达与高精地图。
推荐理由:小鹏悠游获广州L4示范运营资质,基于全栈自研方案完成内测并计划明年无安全员载客。
10月21日,科大讯飞在北京举办发布会,正式发布行业首个全模态类人交互座舱“星火智慧座舱SparkAuto Space 3.0”、汽车专用大模型“星火汽车大模型SparkAuto”以及两款端侧硬件盒子“SparkAuto BOX”。
该研究提出具备全局 Lipschitz 常数小于 1 的 provably contractive denoiser,确保输入扰动$\|\delta\|\leq \varepsilon$时输出变化不超过$\varepsilon$。
EdgeCrafter 提出统一紧凑 ViT 框架 ECDet,利用仅 COCO 标注数据在少于 10M 参数下实现 51.7 box AP,其 X 变体经 Objects365 预训练后分别达 59.9/49.8/75.9 AP。该方案证明结合任务专用蒸馏与边缘感知设计的紧凑 ViT 可成为资源受限设备上的实用竞争解法。代码已开源,论文被 TMLR 2026 接收。
针对现有自动驾驶模型在跨区域场景下缺乏适应性的问题,本文提出 OEL-AD 框架,利用规划模块的轨迹不确定性作为触发信号,通过预测行为与后续观测的差异构建自监督学习信号来优化感知和预测模块。在 nuScenes 数据集的新加坡与波士顿跨区域划分上的实验表明,该框架能持续提升感知、预测及规划性能,验证了在线进化学习在构建自适应自动驾驶系统中的潜力。
LACToS 是一种针对多模态内部分布场景的局部离群点检测方法,通过超像素分组与高效代理估计实现统计典型性分析。该方法在医学影像、人脸及 X 光安检三个基准上表现优于现有方法,代码已开源。
GLOW-FM 提出一种冻结 Tiny-VAE 的单步潜空间流匹配框架,利用终端速度匹配(TVM)实现单次函数评估的高效低光照图像增强。在真实世界基准测试中,该小变体仅需 34 GFLOPs 即可达到具有竞争力的画质与跨数据集泛化能力,优于现有迭代采样方法。代码将在发表时公开。
针对投影式方法在特征提取中存在的几何信息丢失及空间关系建模不足问题,论文提出 RaSFNet 架构。该方法通过射线对齐几何分布编码模块刻画视锥内点云分布,利用扫描拓扑感知的 Mamba 块捕捉长程依赖,并引入范围约束的点 - 视锥融合机制以维持空间对应性。在 SemanticKITTI 和 nuScenes 验证集上分别取得 70.2% 和 77.7% 的 mIoU 分数。
论文介绍 EgoHand,一个针对自摄视频的单体 3D 手部重建模型。该方法构建了包含合成数据、真实视频和多相机动捕的高质量训练语料(1400 万图像),采用 SOMA-Hand 参数化表示并结合 Transformer 编码器处理 2D 手部裁剪,引入相机线索与辅助分支以提升几何一致性与对齐效果。
NVIDIA 在柏林 GTC 展示将多台 DGX Spark 节点互联,以支持需数百 GB 显存的前沿架构及多模型并行编排。此举旨在把开发环境从数据中心延伸至桌面,让开发者能直接链接更多 Spark 节点进行复杂实验。
随着 AI 模型计算量每五个月翻倍且训练数据集每八个月翻倍,高效移动存储数据成为关键。NVIDIA 提供基于 Python 的解决方案,利用 GPUDirect Storage 技术直接将数据从存储设备加载至 GPU 显存。该方法旨在解决日益增长的加速器算力与海量数据处理之间的带宽瓶颈问题。
论文介绍 Varest 方法,利用对象和文本定位器引导变分辨率合并以保留边界细节,并通过学习到的注册表在早期解码后剪枝视觉 Token。该方法在三个骨干网络和 13 个基准测试中均优于 15 个基线,仅使用 5.56% 的原始图像 Token 数量即可保留 86.10%-92.33% 的全量性能。
针对多模态大模型部署成本高且激进压缩导致精度下降的问题,本文提出 CAFD(Compressed-Context Adaptation via Full-Context Distillation)框架。
针对具身智能中视觉语言动作模型推理延迟高的问题,本文提出 rMuscle 框架,利用跨执行相似性构建上下文与动作双重缓存机制,复用视觉 token 输出并减少权重访问。实验显示该方案在 RTX 4090 和 Jetson Thor 上实现 1.29-1.42 倍加速,且在 LIBERO、RoboTwin 及物理操作任务中保持原有成功率。
SpineContextResUNet 是一种专为资源受限环境设计的轻量级 3D 残差 U-Net,通过并行多膨胀卷积捕捉长程解剖依赖。在 VerSe2020 和 CTSpine1K 基准测试中,该模型分别达到 88.17% 和 88.13% 的 Dice 分数,且能在 Intel Core i5/8GB RAM 等边缘设备上稳健运行。
针对 Visual Geometry Grounded Transformer (VGGT) 在多任务(深度估计、相机位姿预测、点云重建)下量化误差敏感性不均的问题,提出基于对角 Fisher 信息矩阵的量化方法 FGQ。
Iterative Gaussian Synopsis 提出一种针对 3D Gaussian Splatting 的自顶向下“展开”框架,利用自适应可学习掩码剪枝构建多级层次结构以消除冗余。该方法结合分层空间网格与共享锚点代码本,在带宽和内存受限场景下实现了高效的渐进式渲染与显著存储压缩。实验表明该方案在所有细节层级均维持高渲染质量,具备实用性与可扩展性。
TernScope 通过模型与硬件协同设计,利用全层三元权重和 8 位激活值,在仅用 0.2483 M 参数下保持高精度分割。相比同工艺 Gemmini 加速器,其计算阵列面积减少 88.46%,实现了轻量级医疗分割的低比特高效路径。代码与实验结果已公开,适用于图像视频处理、硬件架构及计算机视觉领域。
研究基于 LLaVA-OneVision 骨干,在经典仿真环境下评估了插入或替换 4-8 量子比特电路对视觉语言模型的影响。结果显示,视觉投影器后插入量子层使 Visual Spatial Reasoning 数据集开发准确率提升至 80.7%,而替换最终解码器前馈子层则减少了 1307 万可训练参数但保留 79.22% 精度。
PCLA-Bridge 是一个无需活跃 CARLA 服务器即可运行未修改 CARLA Leaderboard 智能体的工具,支持从任意传感器源到任意控制目标的部署。
推荐理由:PCLA-Bridge 框架允许在不修改 CARLA Leaderboard 模型的情况下,将其跨域部署到 MetaDrive、AWSIM 等仿真引擎及真实数据流中。
针对流式视频生成中增加注意力上下文长度带来的高昂计算与内存成本问题,本文提出 Attn-Forcing 框架。该方法引入可学习的视觉潜在变量作为注意力代理,利用代理更新模块融合历史视觉上下文,并通过注意力匹配损失显式约束代理的注意力行为以保留全上下文贡献。实验表明,Attn-Forcing 在保持有限资源的前提下,一致提升了流式视频生成质量,并优于现有基线方法。
推荐理由:提出 Attn-Forcing 框架,通过注意力代理在有限资源下保留全上下文贡献,显著提升了流式视频生成质量。
针对深层网络中反向传播易受梯度消失或爆炸影响的问题,本文提出一种基于 CMA-ES 的全局前向学习框架用于共享核小波神经网络。该方法引入结构感知参数分解和通道特异性信用分配,将搜索分解为三个子空间。
针对现有生成式图像压缩(GIC)方法在低码率下难以平衡感知质量与推理速度的问题,本文提出 GR-GIC 框架。该方法引入由熵上下文引导的潜在变量细化及自适应扰动以优化重建性能,并采用重构投影残差向量量化(P-RVQ)提升并行度以降低延迟。
针对自动驾驶模型在雾天等恶劣天气下因域偏移导致性能下降的问题,论文提出 FogTTA 框架。该框架基于 RF-DETR 构建教师 - 学生架构,利用部署模型作为教师生成伪标签,并通过强增强样本和 Varifocal loss 优化学生模型以抑制噪声,同时通过指数移动平均更新教师以保证稳定性。
No Frames, Just Frequencies 提出一种基于设备端频率描述符的源辅助自适应框架,无需传输相机帧即可让智能眼镜模型适应数据分布变化。该框架在 ConvNeXtV2-Femto、DeiT-Tiny 及 TinyViT-5M 等视觉模型上评估,恢复监督oracle增益达93%-98%,且描述符分辨率从224降至28像素时带宽降低784倍。
AdvFidelity 通过在线对抗奖励将感知瑕疵的保真监督融入强化学习,实现在单阶段内完成偏好对齐与高保真少步生成。该方法基于 LeapAlign 构建判别器以区分高质量参考与内容匹配重建,无需分布匹配蒸馏(DMD)等显式目标。在两个模型骨干及三个任务设置中,其四步或八步推理效果媲美全步 LeapAlign 及其他全步强化学习方法。
QSelect 方法通过组合 AWQ、GPTQ 和 AutoRound 检查点,在 DeepSeek-R1-Distill-Qwen-7B 等模型上实现更低困惑度。默认模式无需标签即可降低 KL 散度,目标适配模式使 Llama 模型 3-bit 准确率提升 4.3 至 4.5 个点。所有评估均在通用领域基准和地面 GPU 上进行,空间任务与飞行硬件留待后续工作。
针对流式视频理解中上下文不匹配导致的精度与效率权衡问题,本文提出了 FrameBlend 方法。该方法通过选择性 KV 重计算,在空闲预填充阶段使用更短注意力窗口以降低成本,并在查询时刻利用相关上下文重新计算关键帧的 KV 缓存。
DetM-Tracker 提出了一种针对自主工业检测的简化视频实例分割框架,通过紧凑标量记忆、动态实例通道和熵门控跳过连接消除架构冗余。相比最先进密集特征基线,该方法将推理延迟降低约 20 倍,显存消耗减少 6 倍,有效解决了资源受限边缘平台的内存墙问题。该研究作为预印本发布于 arXiv,代码与权重尚未开放许可。
针对边缘部署的视觉语言模型(VLM)在安全关键系统中的物理对抗鲁棒性问题,该研究提出条件攻击成功率(cASR)作为统一指标,通过佩戴对抗补丁的人体图像测试 VLM 与目标检测器的表现。
论文提出 SICAF(Spikes Information Compression And Focus)框架,旨在解决自监督脉冲神经网络在事件驱动光流估计中时空特征提取困难及潜在表示冗余的问题。
在2026世界智能网联汽车大会上,大众汽车集团管理董事会主席奥博穆和中国CTO吴博锐表示,大众在华智能化已跑完布局期进入交付模式。L2++全场景辅助驾驶已开始部署,目标于2027年实现L3就绪。大众通过整合VCTC合肥研发中心、CEA中国电子架构及酷睿程HS8方案,构建本土开发体系,首款搭载CEA的车型“与众08”已量产下线。此外,基于该平台的车辆正出口至中东和中亚地区。
论文提出S3(Spectral Null-Space Swap)方法,这是一种无需训练的成对检查点组合策略。研究指出推理能力的核心存在于非思考模型主导奇异方向投影的零空间中,移除该分量可大幅提升效率而不损害准确率。实验在2B至30B参数量的稠密及MoE架构上验证,相比完整思考模型,S3平均降低27.4%推理token开销,同时整体任务准确率提升1个百分点(如在HMMT25上准确率达+8.3%)。
推荐理由:提出S3方法,通过交换非思考与思考模型的零空间权重,在推理效率提升27.4%的同时保持准确率。
SCOPE 是一种利用正交投影嵌入实现免训练的联邦学习核心集选择框架,专为高分辨率仪器产生的非独立同分布及长尾数据设计。在 HPC 集群 GPU 节点上针对四个数据集(含科学显微图像)的测试中,该框架比基于特征的核心集基线快 7.7 倍且上传数据量减少 293 倍。
SANA-SR 提出一种利用 32 倍压缩率自编码器和线性注意力 DiT 的高效单步图像复原框架,在基准数据集上表现优异且纹理更真实。经剪枝后部署推理仅需 0.019 秒,含 407.95G MACs 与 3.44 亿参数,具备移动端潜力。该预印本代码已开源,适用于计算机视觉领域。