当 MLLM 错过人类能读出的文字:诊断并学习阅读‘眯眼文本’
该研究针对多模态大模型无法识别图像中嵌入在粗糙结构里、人类通过眯眼才能恢复的文本(Squint Text)这一缺陷,构建了包含 1076 张生产环境图片的 SquintBench 基准和用于机制诊断的合成套件 SquintCtrl。
该研究针对多模态大模型无法识别图像中嵌入在粗糙结构里、人类通过眯眼才能恢复的文本(Squint Text)这一缺陷,构建了包含 1076 张生产环境图片的 SquintBench 基准和用于机制诊断的合成套件 SquintCtrl。
针对多模态大语言模型处理完整视觉序列导致预填充成本高的问题,该方法提出利用层几何构建稀疏图文图进行相关性传播,并通过节点度修正重要性评分。实验显示,在冻结 LLaVA-NeXT-8B 主干下,仅保留 10% 的视觉 Token 即可实现 5.15 倍的预填充加速和 84% 的端到端 FLOPs 降低,且在多种骨干网络与预算设置下表现最优。
BLEND 提出一种选择性参数微调与聚合策略,通过共享全局适配器并定制个人化投影头,利用混合损失函数在 NeurIPS 2026 预印本中实现个性化与泛化的有效平衡。实验表明该框架在多样化系统设置下持续优于最先进基线,代码已开源供研究使用。
MemReg 提出一种增强姿态相关记忆缓冲的多帧户外点云配准网络,利用长时序全局信息解决稀疏测量与低重叠问题。在 KITTI、nuScenes 和 Apollo-Southbay 数据集上超越所有成对方法及多帧 SLAM 系统,并在 3DMatch 等室内场景表现优异。代码将在发布时开放。
2026 年上半年理想汽车归母净利润亏损 39.94 亿元,毛利率跌至 7.8%。改款理想 i6 全系标配算力 1280TOPS 的马赫 M100 芯片及自研 5C 超充电池,旨在通过旗舰技术下放重塑纯电市场价值标杆并改善盈利结构。该车型将于 10 月 28 日亮相,其能否扭转局面取决于自研电池良率与成本控制成效。
岚图汽车 2026 年度校招计划招录规模达 500 人以上,较上年提升且覆盖智能驾驶、大模型算法及世界模型等技术方向。当前员工总量约 9500 人增长超 30%,在招岗位超 660 个以匹配泰山 Ultra、追光 S 等四款新车落地。企业通过“追光计划”为博士提供补贴并联合 17 所高校共建产学研体系,支撑智能化产品迭代战略。
赛力斯数字能源部副部长刘小飞在第四届 AI 定义汽车论坛上表示,未来新能源汽车应定位为全域智能中枢与懂你的移动伙伴。该架构通过大脑、小脑及躯干硬件协同,结合端云一体软件体系,实现从单体智能向具身智能的跃迁。产业需持续验证跨域硬件稳定性、分层软件落地效果及商业化路径以推动范式真正落地。
论文针对边缘设备内存带宽瓶颈提出的子 8 位量化难题,提出 MiX 格式通过数学上反转微缩放范式(将私有指数与共享尾数结合)来避免异常值导致的下溢。该研究引入自适应双格式推理框架以处理非对称拓扑,并在多个视觉语言模型上验证了 4.5 比特格式的精度优势及相比现有加速器的面积效率提升和速度增益。
针对构建视觉语言模型(VLM)时选择大语言模型(LLM)骨干缺乏原则的问题,本文提出能力驱动的多模态扩展定律。该框架首次通过主成分分析提取低维文本能力分数,结合每骨干迁移率与吸收率,准确预测 VLM 基准准确率及训练轨迹。
该研究提出一种模块化数字孪生(DT)框架,统一建模物理过程、无线通信与应用逻辑。在 BI-REX 试点线通过 5G 连接自主移动机器人(AMR)运输危险液体的真实概念验证中,DT 预测与实测的网络级指标及端到端应用指标高度一致。分析表明网络建模误差会严重影响低延迟工业控制环路的可行性,证实了该框架作为下一代工业系统预部署设计与验证工具的价值。
欧洲航天局Φsat-2任务部署了轻量级星载海洋异常检测流程,结合海图分割与自监督特征编码实现数据直处理。发射前基于仿真图像训练验证算法性能,但在轨实验发现模拟与真实数据存在显著不匹配。团队利用改进标注策略在真实一级影像上重训模型,大幅提升了处理模糊海域的性能并证明了星载可行性。
reViT 通过单个循环 Transformer 块匹配全深度编码器精度,在 ImageNet-1k 预训练下参数存储量减少约 70%,蒸馏后保留 DINOv2 教师模型的线性探测准确率。该设计支持弹性深度训练实现单检查点多深度运行,固定深度部署时可转化为稠密图移除在线路由,已在监督学习与蒸馏两种 regime 下验证优于其他 MoE 方案。
DVD 提出一种统一 2D 与 3D 感知任务的动态向量解码方法,将边界框等表示转化为紧凑离散 token 以适配多模态大语言模型。在 RefCOCO、KITTI、nuScenes 等基准上,该方法显著降低 token 开销并减少推理延迟。该工作为集成感知能力至 MLLM 提供了高效通用框架,代码与权重开放许可状态待定。
UltraLight Luma 是一种仅含 1.31 万可训练参数的紧凑编码器 - 解码器分割网络,专为资源受限的农业机器人设计。该模型在参数效率上优于 U-Net、YOLOv8 和 YOLOv26,单次推理能耗仅为 25.23 mJ。论文已被接受发表于 IECON 2026,最终版本将发布于 IEEE Xplore。
论文提出了 SDPAD,这是首个完全由整数脉冲驱动、无需时间模拟循环的端到端自动驾驶规划管线。该方法通过量化 ANN2SNN 转换将预训练感知栈转化为脉冲形式,利用 Spike-3D-Lift 将多视角图像提升至鸟瞰图(BEV)空间,并通过 Spike-QFormer 融合自车、代理和地图查询进行规划。
FastJEV 通过共享上下文锚点、候选前缀复用及决策引导剪枝,在不额外训练的情况下将 OmniJev 模型的候选深度降低 43.75% 至 45.83%,同时保留 93.66% 至 97.52% 的原始任务得分。
PointLearner 网络结合点聚焦注意力机制与上下文扫描状态空间,模拟生物视觉策略以同步处理局部几何建模和长程依赖。该模型在 ICLR'26 被接收,在多项点云任务中达到最先进性能,解决了复杂局部结构与全局上下文关联的关键挑战。
论文提出 iCATS,这是一种无需微调的稀疏注意力方案,旨在解决扩散 Transformer(DiTs)的计算效率问题。该方法通过基于查询 - 键点积交互的重要性估计替代传统的特征相似性聚类,并将目标重构为二次型以降低计算成本;同时引入信噪比引导的动态稀疏度调度策略以适应不同去噪步长的误差容忍度;最后采用尾部合并策略优化硬件执行效率。
东软睿驰近日获沈阳总部1.8亿元增资,重点投向L2+端到端智能辅助驾驶域控系统研发及以云OS为代表的车云协同AI技术。搭载该系统的新能源汽车已在武汉经开区人工智能科技园开展实车路测,且截至2028年在手订单预计达千万级台套规模。公司四年营收年均复合增长率近100%,已全面启动上市计划。
MAdam 是一种无需修改求解器或优化器的即插即用包装器,通过偏好条件曲率预条件化重构方向,解决了多目标优化中的权重失配与几何失配问题。在跨任务学习、帕累托前沿恢复及物理信息神经网络等场景中,MAdam 在所有求解器家族上均优于 Adam。代码已开放于 https URL,论文为 NeurIPS 2026 预印本版本 arXiv:2606.03904v2。
MemoCare 是一款结合语音转录、时空定向及触屏操作的交互式多模态移动系统,支持英语与越南语工作流。其绘图模块在锁定测试集上验证的 ShuffleNetV2 x1.5 模型达到 91.33% 平均平衡准确率,且软件测试全部通过 151/151 预定义用例。该系统已在 MMM 2027 Demo Track 提交演示论文,参会者可现场体验简化版多模态筛查流程及自动评分机制。
Ra-NEM 方法结合神经解释掩码框架,在不影响模型性能的前提下为任意可微模型提供准确且高效的归因。相比其他算法,该方法在保持高忠实度的同时,在其他 XAI 指标上也表现优异。其高速推理特性使其适用于在线应用,代码已公开。
针对生成式 3D 高斯头像在资源受限设备上部署困难的问题,作者提出了一种高效的无条件合成架构。该方法利用参数高效合成块和深度可分离卷积,在保持风格化条件控制的同时,将计算量(FLOPs)降低 94%、参数量减少 70%、模型体积缩小 81%,且无需模型压缩或量化。
针对深度学习方案计算需求高的问题,该工作提出基于 MixVPR 的新型高效教与重复导航系统。真实测试表明该系统室内外均能运行,精度媲美最先进方法且硬件要求更低,适用于多种机器人平台及实际应用场景。
深蓝汽车官宣 2027 款深蓝 L06,联合英特尔共同研发搭载酷睿 Ultra 平台的 AI Box 及 AI Agent 双智能系统。新车支持一句话复合指令实现动嘴不动手交互,并配备毫秒级阻尼调节的磁流变悬架与追风版空气动力学套件。目前暂未公布完整售价与交付时间表,将 PC 级端侧 AI 算力下放到 15 万级轿跑市场。
该研究提出 Von Neumann Networks(VNN),利用细胞阵列上的扩散过程构建具有专用角色的自工程化人工神经元。实验表明,基于 VNN 的多层感知机在基础任务上优于等效深度学习变体,兼具更高参数效率及学习新类型任务的能力。其数学框架扩展了神经算子理论并证明了计算通用性,代码与权重暂未开放许可。
该研究将任务感知认证构建为运行时保障契约,区分篡改、证据陈旧与决策延迟三种拒绝原因。基于硬件在环车辆 - 基础设施平台评估显示,安全盲模型接纳整个操作空间,而硬件知情模型仅接纳四分之三且拒绝点均因新鲜度不足。认证间隔调整成本约等于延迟分布五倍扩展,该参数可直接配置以适配物理状态预算。
针对扩散 Transformer 在高分辨率生成中计算昂贵且现有窗口注意力存在伪影或依赖定制算子的难题,本文提出 BASA 方法。该方法通过引入跨层的结构化窗口移位方案,在无需额外不规则算子或定制内核的情况下,实现了全局信息交换与视觉质量提升。
该研究利用 Michigan Mcity 测试场与仿真环境,验证了针对开源 Level 4 自动驾驶系统的第三方行为安全评估框架。结果显示该系统仅拥有 14 项行为能力中的 6 项,每英里事故率为 3.01x10^-3,约为人类驾驶员的 1,000 倍并暴露未知不安全场景。这些发现强调了在大规模公共部署前进行此类独立安全评估以改进性能的必要性。
DIPrune 提出一种无需训练的剪枝方法,通过最小化最终任务损失来缓解浅层显著 Token 抑制深层语义信号的问题。该方法在 LLaVA 和 Qwen-VL 模型上实现了最先进效果,其核心在于联合优化层内静态特征显著性与层间动态语义演化。该研究旨在解决现有视觉冗余剪枝导致的语义退化问题,为高效多模态大语言模型提供新方案。
针对热红外反无人机系统,YOLOMG 在连续微调 CST 基准时出现 -0.605 的遗忘度量(能力损失 90%),归因于大目标检测坍缩及规模条件梯度失衡。知识蒸馏将遗忘度降至 -0.033 但缺乏因果验证,而引入 300 个样本的规模分层放牧(SSH)可将遗忘度减半至 -0.605 到 -0.311。消融实验表明随机分层回放效果相当(FM=-0.221),该结果为单种子初步结论。
论文提出 VisionWeave,通过门控空间池器和粒度路由器实现内容自适应的视觉表征分配。在 Qwen3.5-4B 和 Qwen3.8-27B 上验证,相比固定节省目标的 Token 剪枝基线,该方法平均节省 43.0% Token 的同时保留 98.9% 原生性能(基线仅保留 88%)。
IAU-FOA 提出了一种结合自适应不平衡传输与视觉不变性增强的攻击框架,旨在提升对闭源多模态大语言模型(MLLMs)的跨域迁移攻击成功率。该方法通过全局语义缩小差距及局部 patch token 聚类匹配实现细粒度特征对齐,并引入双向像素强度重缩放模拟光照变化以增强扰动泛化性。实验表明该策略在开源与闭源 MLLMs 上均优于现有最先进可迁移攻击方法,代码已公开。
该论文提出 miniTE 轻量级框架,结合执行诊断、跨引擎数值对齐及高效原生 W4A4 GEMM 计算,解决大语言模型强化学习中训练与采样引擎间的不一致问题。
推荐理由:原文介绍了 miniTE 框架,展示了在 Qwen3-30B-A3B 模型上实现原生低比特强化学习稳定训练与高吞吐率的实验结果。
NVIDIA 推出 DOCA GPUNetIO,旨在让 GPU 应用的网络与数据传输行为如同由 GPU 直接控制的操作,而非依赖主机驱动服务。该技术通过消除 CPU 在网络事务中间的瓶颈,降低延迟并提升分布式应用的实时响应效率。此方案统一了 NVIDIA 软件栈中的 GPU 发起式网络架构,解决关键路径上的性能限制问题。
Overview AI 今日正式发布 OV Spark 和 OV Spark Pro 两款工业检测相机,内置“Sparky”自主智能体层,支持用自然英语提问并自动推荐检测工具与策略。
推荐理由:Overview AI 发布搭载自主智能体层的 OV Spark 系列工业相机,将模型选择、推理与 PLC 通信集成于边缘设备,解决工厂部署配置难题。
针对单进程内并发运行的低延迟算子与吞吐型内核等独立组件,NVIDIA 提出难以控制的 GPU 资源共享难题的解决方案。该方案旨在优化同一张 GPU 上数据预处理、模型推理及多阶段工作流的资源分配机制。目前仅披露技术方向,具体性能指标与部署状态待后续更新。
该研究在冻结 Kimi K2.6 视觉编码器权重下,训练出 50M 参数投影器以赋予纯语言模型 GLM 5.2 和 5.3 视觉能力。实验基于 MMMU-Pro 和 BLINK 数据集评估了整体性能及单项视觉任务表现,并提供了大规模适配的可复现方案。
针对多模态大语言模型(MLLMs)中视觉编码器评估指标难以可靠预测下游性能的问题,研究提出了一种基于跨模态最近邻检索的训练免费方法 RAVEL。该方法在大规模实验中解决了既有实验设计与方法论的局限,以显著优势超越先前方法,确立了简单跨模态指标在严谨设置下的强基线地位。代码已公开于 arXiv 链接处供获取。
针对 Vision Transformers 高维计算带来的存储与推理成本问题,本文提出 RPFQ-ViT 旋转相位帧量化方法,通过在二维相位平面上对成对通道进行量化以保留投影方向。