MedScope-4B 通过反事实病灶擦除训练,使小型医疗视觉语言智能体仅报告图像所见内容
MedScope-4B(基于 Qwen3.5-4B、LoRA 及图像工具)在 507 例内部病例上达到证据敏感性差距 0.758,将擦除病灶的误报率从前沿模型的 41%-62% 降至 9.6%,且未显著损失真实病灶检测精度。
MedScope-4B(基于 Qwen3.5-4B、LoRA 及图像工具)在 507 例内部病例上达到证据敏感性差距 0.758,将擦除病灶的误报率从前沿模型的 41%-62% 降至 9.6%,且未显著损失真实病灶检测精度。
EarthRecord 基准基于 56 个站点四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始数据,提出 238 个涵盖十类任务的土地变化问题。评估显示十二个多模态智能体虽能完成端到端分析,但在需从影像映射变化时表现不佳;当单一卫星数据被篡改且地面实况不变时,半数正确答案随之改变。该基准旨在衡量并推动智能体从像素理解到真实地表变化的能力演进。
DecompRL 提出拓扑感知内部分割动作与几何奖励机制,解决复杂 CAD 模型特征错位导致的六面体网格生成难题。在 ABC、Fusion360、NIST 及 DeepCAD 基准测试中,该方法在三者上取得最高成功率,其中 Fusion360 达 59.6%,运行时间较 LMFF 快两个数量级。该预印本论文已在 arXiv 发布,代码与权重暂未提及开放许可。
该方法利用外部无漂移追踪作为真值,在准备阶段同步采集头显与外部的三维锚点以建立对应关系。运行阶段通过云配准对齐两种追踪方法,结合头显内置能力实现独立功能并扩展精准追踪范围。实证评估显示系统能有效对齐虚拟内容与现实世界,适用于制造、建筑及教育娱乐等场景。
Emre Kutlusan 和 Yongmin Li 在 arXiv 上发表论文,对比了基于 DINOv2 的基础模型微调(从仅调整偏置项到全量微调)与从头训练的 U-Net/ResU-Net 在结肠镜、乳腺超声和皮肤镜任务上的表现。
FlyNet 模型在碰撞检测任务中仅用 RAFT 的五分之一算力却对常见视频腐蚀更稳健,但面对对抗纹理仍易失效。研究证实连接组约束通过降低边数提升效率而非鲁棒性,且反向 phi 错觉与对抗攻击共享同一底层运动统计脆弱点。该工作已接受 NeurIPS 2026,为理解生物感知漏洞提供了可验证假设。
RS-JEPA 提出一种仅含 3.88M 参数的紧凑联合嵌入预测框架,在 BEN-14K、CBRSIR-VS 和 DSRSID 基准上实现最高 F1@5(分别为 72.92%、80.35% 和 94.43%)。该方法利用 Vision Mamba 编码器共享及对抗视图耦合机制,在无需人工标签的情况下实现了 SAR-光学与 PAN-多光谱图像的高效跨模态检索。
论文指出当前许多记忆增强的视觉语言动作(VLA)策略错误地依赖时间戳填充记忆,导致在任务无实质进展时误判为‘幽灵进度’而提前停止。研究通过在 RoboMME 计数任务中引入停顿或抖动验证了这一漏洞:均匀采样使成功率从 47% 降至 16%,而从事件索引记忆的修复方案在不重新训练的情况下恢复了半数以上损失,证明机器人记忆应统计事件而非时钟滴答。
BoviShift 是一个由 2021 至 2026 年连续六个年度群体构成的牛只视觉数据集,包含 2,657 头牛、10,610 张静态图像及 2,566 段视频。研究基于固定 ResNet-50 基线评估了体重、年龄等五项属性在跨年份部署中的表现差异。该资源是目前已知跨度最长的结合连续年度群体与物理视觉属性的牛只视觉数据,旨在解决相关图像帧导致的可靠评估难题。
论文提出了 TanCRAFT 框架,这是一个四阶段的实时预测性辅助系统,旨在通过跟踪场景状态、推理当前部分组装情况、预测被操作部件的近期运动并在预测放置不兼容目标时进行干预,来防止物理组装中的人类错误。研究在受控的七巧板(Tangram)组装任务上进行了离线基准测试和受试者内用户实验,结果显示该系统的预测反馈相比无引导和反应式会话显著减少了错误,同时带来了最低的感知工作负荷和最短的完成时间。
针对视觉问答任务中视觉 - 语言模型的高计算开销问题,提出 C$^2$-Routing 方法,自适应选择裁剪或压缩策略以平衡局部细节与全局上下文。该方法引入安全门控机制利用联合正确率分布指导回退,在 RTX 3090 上验证显示相比单纯截断视觉 Token,平均减少端到端 FLOPs 36.53%、视觉 Token 42.36%,任务得分仅下降 0.77%。
该方法通过直接估计次表面散射参数,填补了离线路径追踪与实时游戏引擎着色器间的差距。系统采用低成本单光单视采集方案,在 Monk Skin Tone Scale 的 45 人真实数据集及合成数据上验证了泛化性与角度一致性。最终生成的混合轮廓图可直接适配标准实时渲染管线,无需额外硬件支持即可实现生产级应用。
UGG 是一个针对 4D 场景理解的统一框架,将 RGB 视频与深度、相机位姿等几何表示联合建模。通过为不同模态和时间分配噪声水平,该框架在单一生成模型中将视觉合成与几何预测表述为条件补全任务,从而能从具有不同几何和视觉标注子集的异构数据集中学习。
该论文描述了团队针对 2026 BEHAVIOR 挑战赛提出的解决方案,核心为基于$ ext{\pi}_{0.5}$构建的单一视觉语言动作(VLA)模型,在 OmniGibson 仿真器上完成百项长周期家务任务。
针对视频世界模型训练中动作监督稀缺且难以扩展的问题,本文提出 OnlyAct 方法。该方法不从头学习动作空间,而是利用预训练基础模型(V-JEPA)帧对嵌入中已包含的动作信息,通过无标签对比适应框架在保留场景不变性的同时提取动作表示。研究在机器人操作、相机导航、游戏和驾驶等基准上进行了统一评估,结果显示其生成的世界模型能将演示动作更忠实地迁移到新场景中。
SIGMO 是一种将多项式 Sigmoid 函数集成到视域内规划器的交互感知运动规划算法,旨在解决拥堵环境下的导航难题。该方法利用物理基础的交互特征分析周围代理的让行分数,在仿真与硬件实验中实现了主动防御行为的平衡且计算轻量。该工作已提交至 IEEE,视频演示及代码资源可通过相关链接获取。
该研究基于涵盖生物显微、野生动物及城市航拍等 12 项任务的框架,发现现代多模态模型可作为免训练起点,而微调检测器在较大标注预算下更优。利用模型预测优先选择人工标注单元可提升效率,且仅需审查中位数 3.2% 的图像即可满足空中叉角羚调查±5% 的误差容忍度。
针对小型全向水下机器人(AUV)在水下难以获取精确动力学模型的难题,本文提出一种非线性六自由度模型预测轮廓控制(MPCC)方法,通过高斯过程回归学习残差动力学并嵌入零阶鲁棒优化方案中,使控制器在 25 Hz 保持实时性。仿真消融实验表明残差选择至关重要,基于 MOLA AUV 的水下实验验证了该方法相比名义 MPCC 和工业界常用的 PID 控制器具有更优的轨迹跟踪性能。
该研究针对世界动作模型(WAMs)需注入低维机器人信号的难题,提出 MetaWAM 方法,将姿态、动作等信号折叠进单一频域通道并通过逆 DCT 提升,无需增加模块即可对齐预训练视频扩散模型的先验。在 RoboCasa 基准上成功率达 68.9%,推理延迟降低 39%;在三项真实 Franka 任务中成功率为 85.0%。代码与模型已公开。
推荐理由:提出 MetaWAM 统一接口,将机器人信号折叠进单一频域通道,无需额外模块即可对齐预训练视频扩散模型的先验分布。
论文介绍 TaoMate-R1 模型,该模型通过为场景建立与延续分配独立的低秩适配器(冻结主干),利用自梯度强制联合训练角色。在 32 个多参考案例及约十分钟的流式测试中,相比操作基线,TaoMate-R1 将边界亮度跳变均值从 1.96 降至 0.613,并提升了 CLIP 和 DINO 时序相似度。代码与模型已开源。
论文 ForeseeDrive 提出将未来场景演化转化为可部署的接口以塑造候选轨迹生成,而非重建密集状态或评分固定菜单。该方法从日志中提取查询索引 Token(涵盖演员运动、占用演变、路线交互及 TTC 裕度),并在部署时基于当前上下文预测同一 Token 空间以条件化轨迹几何。
UniFlow-RS 提出单一潜在流匹配预测器,通过结构化视觉目标与任务模态自适应时间步采样(TMAS),在六个任务和十三个数据集上超越现有专用方法。该模型无需针对特定目标适配,即可实现跨未见数据集、任务设置及遮挡条件的零样本迁移,并在近红外假彩色影像中表现稳健。
针对密集分数分布偏移导致单一验证调优阈值脆弱的问题,本文提出 AutoThreshold,一种无需重训模型头部的后处理策略。该方法预测正负像素在分数分箱上的联合质量,直接参数化阈值索引的混淆计数,避免独立估计流行率和类条件率的乘积问题;结合 Softmax 归一化与累积解码生成连贯单调的混淆谱,并通过插件式解码器为任意 F_beta 目标选择最优阈值。
本文研究了变形线性物体(DLOs)平面单抓握形状控制的预测效用与决策效用区别。作者提出 Geometry-Pointer-Flow (GPF) 几何策略,将抓取位置选择与运动生成分离。
该论文针对世界动作模型(World-Action Models)迭代视频去噪带来的高推理开销问题,提出 Elastic-WAM 方法。该方法通过自适应分配时空细化计算资源,统一调控何时停止世界细化、每步推进多远以及刷新哪些区域。研究在多样化仿真基准和真实长程操作任务中评估,结果显示其兼具最先进的控制性能与更低的推理延迟。材料为预印本论文,未提及具体开源代码或模型权重下载链接。
推荐理由:提出弹性计算分配机制,在仿真与真实长程操作中实现控制性能领先且降低推理延迟。
论文提出稀疏编码器攻击潜在方差(SEAL)框架,通过可微 top-k 掩码联合优化扰动位置与值,并引入显著性引导的分散惩罚以保护人脸视觉质量。实验表明该方法在 CelebA-HQ 和 VGGFace2 数据集上 PSNR 超过 41 dB、SSIM 达 0.97,同时将扩散个性化后的身份相似度降至 0.15 以下。代码与数据已公开。
ViGA-FLAME 提出两阶段框架,通过参数化 - 几何变分自编码器统一头部表面与 FLAME 参数表征。其次,可训练视觉 - 几何适配器将预训练语义特征映射至该潜在空间,在不改变原始视觉流的情况下实现鲁棒三维头部表情估计。该方法在严重面部形变和大视角下表现优于现有前馈方法,代码与权重待 arXiv 注册后开放。
本文提出 Koopman 模型基础强化学习(K-MBRL)算法,旨在解决具有未知动力学的非线性机器人控制系统问题。该方法通过最小化结合即时成本与一步预测状态未来成本的近似策略目标来学习控制策略。
SpecValley 针对异质图邻域聚合会抑制标签信号的问题,提出先学习可微分的光谱谷值位置再结合普通滤波的两阶段架构。该方法在密集异质图基准上表现优异,消融实验证实性能增益源于聚合算子而非下游滤波器。研究正式证明了度归一化响应在特征积累点消失的数学性质,并开源了代码与权重。
针对前馈 3D 基础模型处理长序列时的单目尺度模糊问题,本文提出 Sim(3)-TurboReg 方法,通过引入严格的 Tri-Scale Consistency (TSC) 准则重构兼容性图构建过程。
HIM-INR 模型利用密集采样的组织学图像作为辅助监督,联合重建基因表达谱与组织学表征,仅需稀疏二维切片即可预测任意三维坐标的基因表达。在两个 3D ST 数据集上的实验表明,该方法在缺失切片数量增加时仍优于现有方法。该研究为高成本三维空间转录组数据的连续重构提供了新的解决方案。
CroCoMAE 提出了一种基于 ViT 架构的跨模态自监督学习框架,通过图像级对比学习与 Patch 级掩码建模统一处理 SAR 与光学数据。该模型在场景分类和语义分割两个基准上,优于单模态自监督基线及主流跨模态框架,尤其在少标签条件下显著提升语义分割性能。代码与权重暂未公开,论文状态为 arXiv 预印本。
针对现有个性化方法依赖静态预定义概念集且需人工频繁扩展的局限,本文提出 TAME-O,首个支持长上下文的免训练开放集个性化多模态大语言模型助手。该方法引入概念调和技能(CR Skill),使助手能在人机交互中自动解锁新概念并防止混淆,持续掌握新概念并逐步优化已知概念的建模。实验表明该方法在开放集个性化设置下有效。论文已获 NeurIPS 2026 主轨道接收,代码与数据已公开。
针对基础模型控制机器人存在的安全风险,作者提出了 RoboRisk 综合安全评估基准和 LEASH(Lease-Enforced Agentic Safety Harness)框架。
论文提出了 LASER(Look-ahead State Readout),这是一种利用预期引导的智能体,旨在解决多模态大语言模型在描述视频帧中目标物体状态时属性指定不足的问题。
针对现有系统缺乏对信息收集过程有效性的监测问题,本文提出了 Acquisition-State Telemetry (AST),一种无需训练即可评估信息获取状态的架构。
推荐理由:提出无模型架构 AST,通过实时监测信息获取摩擦与进展信号,帮助自主系统在任务完成前识别无效停滞并优化策略。
arXiv 论文介绍 Stylus,一种无需额外训练的面部风格化框架。该方法将风格迁移视为在预训练扩散模型潜在流形上的测地线导航,通过降低离散测地能量实现内容 - 风格的平滑融合与空间自适应风格注入。实验表明,Stylus 在保持身份和内容的同时实现了较强的风格化强度。
推荐理由:提出无需训练的框架,将面部风格迁移建模为扩散模型潜在流形上的测地线导航。
论文提出了 DexSeed 框架,旨在低成本生成多样化的、可物理执行的机器人演示数据用于灵巧视觉语言动作(VLA)学习。该方法基于 InteractionMesh 重定向和手臂轨迹增强技术,在保持抓取关系的同时适应不同物体几何与放置位置,并通过强化学习手指控制策略实现仿真中的可执行 rollout。
针对细粒度视觉感知难以标注的问题,该方法利用大模型在放大后能识别细节的特性,构建从全图提问、仅靠局部信息验证的数据管道。由此建立包含 1000 题的双语基准 ZoomGainBench,28 个 VLM 最佳得分仅 61.08。基于该数据微调后的 9B 模型在多项感知基准上超越数百亿参数模型,HR-Bench 4K 得分为 90.25。代码与数据已开源。
该方法提出帧级 Transformer 架构,通过连续视频帧的烟雾运动时空联合分析来检测可见与被遮挡林火。模型仅基于 RGB 数据训练并适配低成本商用无人机,在 FLAME2 数据集上取得分割 Dice 92.61%、目标检测精度与召回率分别为 93.21% 和 91.73% 及视频级分类准确率 98.02%。