Hint-Informed Self-Distillation for Reasoning Segmentation
该论文提出 Hint-Informed Self-Distillation (HISD) 方法,旨在解决推理分割中目标消歧难的问题。该方法利用外部模型离线生成包含目标身份、判别性属性等线索的提示词(Hints),并通过提示词感知的指数移动平均教师网络对学生轨迹进行评分与知识蒸馏。
该论文提出 Hint-Informed Self-Distillation (HISD) 方法,旨在解决推理分割中目标消歧难的问题。该方法利用外部模型离线生成包含目标身份、判别性属性等线索的提示词(Hints),并通过提示词感知的指数移动平均教师网络对学生轨迹进行评分与知识蒸馏。
HeadIO 提出结合身体帧航向分解与双向 Mamba 骨干网络的方法,在仅用 IMU 的头戴设备(如 AR 眼镜)上实现无相机头部追踪。该方法在 Nymeria 基准数据集上将 RTE-5s 误差从 0.260m 降至 0.239m,FLOPs 约为现有全管线方法的三分之一、参数少 8 倍。论文已提交至 ICRA 2027,代码与权重暂未开放。
优必选与沐曦股份联合发起的端侧芯片公司曦选创智宣布完成5亿元天使轮融资,投后估值40亿元。该公司计划于2027年提供开发验证平台,并于2028年推出首款面向机器人的大小脑一体SoC产品及具身智能整体解决方案。目前曦选创智仍在推进自研主控架构设计,尚未完成流片。
韩国首尔国立大学开发出 TACToC 和 mzCache 两项新技术,分别通过仅传输任务所需信息减少通信成本、缩短智能手机 AI 响应时间。TACToC 将通信成本降低高达 14.5 倍且准确性损失控制在 3 个百分点以内;mzCache 在多应用环境中使 AI 首次响应时间缩短高达 5.5 倍,有效解决传统视频压缩传输冗余信息的问题。
由优必选、沐曦股份和锋龙股份共同出资成立的具身智能端侧芯片公司曦选创智,近日完成5亿元天使轮融资,投后估值达40亿人民币。本轮资金将用于核心芯片与计算平台研发、软件工具链搭建及量产交付准备。该公司首颗自研芯片定位为面向机器人的“大小脑一体”SoC,计划于2027年提供开发验证平台,并于2028年推出首款产品及整体解决方案。
Luxonis DepthAI v3.12.1 修复了 OAK4-FFC 单目模块误用彩色驱动的问题,并解决多设备管道因不支持外部帧同步而启动失败及固件崩溃等缺陷。在特定条件下,ToF 场景处理帧率从 12.34 FPS 提升至 30.06 FPS(+144%),同时优化了 macOS 退出时的遥测数据保留机制。该版本已集成测试 Luxonis OS 1.48.0,旧版系统行为保持不变。
均胜电子旗下宁波超平面机器人科技公司正式向宇树科技交付了首台机器人高算力大脑背包。该产品是软硬一体方案的核心载体,搭载高算力端侧平台与高效能能源系统,可适配人形、四足及轮式等多种形态机器人,支持独立外挂部署以提供环境感知、数据采集、自主决策及动态运动控制算力支撑,并承载端侧具身模型实时推理与物理Agent自进化迭代。双方正加速推进机器人关键部件及工业场景应用共研,有望在年内取得更多积极进展。
FedBNN 提出一种联邦旋转感知二值化框架,在异构客户端数据分布下利用全局模型引导本地二值化并融合局部旋转信息。实验显示该方法在多个基准数据集上达到与全精度联邦模型相当的准确率,同时相比全精度模型 FLOPs 节省高达 58 倍、内存占用降低 32 倍。该成果为资源受限的边缘设备提供了预测性能与部署效率的实用平衡方案。
该论文提出 LookThere 方法,通过端到端强化学习框架联合训练浅层输入选择器和深层表示提取器,解决现有自适应计算方法在极端稀疏下的泛化问题。实验表明该方法仅选择任务特定输入,在高分辨率场景(交通标志、台球)下表现优异,仅需 0.2% 的输入即可保持精度,并在图像分类、分割、零样本分类及回归等跨任务和模型设置中超越最先进方法。
该论文提出了 MMDiff 框架,旨在解决多模态大语言模型内部特征难以识别和控制的难题。研究团队在 LLaVA-MORE、PaliGemma 2 和 InternVL3.5 三个模型家族上训练了多模态稀疏自编码器(SAEs),并通过基线模型与多模态适配版本的差分分析,实现了特征隔离、任务特定检测及因果控制。
针对物联网与消费电子领域对高效视频编码的迫切需求,该论文提出基于深度学习的滤波(DLF)技术三维分类体系,重点权衡率失真性能与硬件可行性。研究结合联合视频专家组(JVET)关于神经网络视频编码的最新标准化活动,指出实时推理延迟与误差传播仍是下一代消费电子设备面临的主要挑战。
arXiv 论文提出 Diff-Instruct with Diffused Reward (DIDR),这是一种基于积分 KL 最小化的无数据轨迹级对齐框架,旨在解决一步文本到图像生成中奖励优化与扩散动力学不匹配的问题。
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%。
论文指出当前大视觉语言模型虽能保护通用隐私(如信用卡号),但缺乏对个性化、上下文相关隐私的保护能力。为此,作者提出了首个系统性评估框架 SPY-Bench,包含 32,700 个样本和针对用户指令的度量标准。
推荐理由:提出首个 ITP3 基准 SPY-Bench,揭示主流大模型个性化隐私保护能力不足,并给出噪声对比对齐方法将准确率提升至 96.88%。
针对高分辨率 3D 形状匹配中空间 - 谱耦合计算量随网格分辨率二次增长的问题,研究提出将其等价于缩放点积注意力机制,利用学习到的描述符作为查询与键、谱基函数作为值。
针对无人机采集的遥感影像部署机器学习模型时面临的分布差异挑战,本研究对比评估了 Alibi-Detect、NannyML 和 PyTorch-OOD 三款开源工具。实验结果显示各方法在检测效果与计算延迟上存在显著权衡,为资源受限系统提供了轻量化监控机制参考。该工作已作为短文被 WACV 2027 地球观测计算机视觉研讨会接收。
GSTAR 提出一种空间 - 分组协同缩放框架,在固定信息预算下实现 32 倍甚至有效 64 倍的压缩率。该模型在单张 NVIDIA H200 上以 2.5 秒速度生成 1024×1024 分辨率图像,较先前列式离散自回归模型提速 20 倍。其在 GenEval、DPG-Bench 等五个代表性文生图基准测试中表现与领先模型竞争。
该论文提出 APEX 方法,利用条件移位技术在生成器内部估计分布速度场,从而移除对独立假分数网络的依赖并保留冻结参考教师等机制。在 180 秒视频评估中,APEX 在渐进式轨道的指令遵循得分(3.856)和视觉美学评分上均优于 S2-Avatar,人类评测显示其指令遵循净偏好提升 30%。相比 DMD 方法,APEX 每 GPU 峰值显存降低 4.4%,平均迭代时间缩短 9.2%。
11 月 11 日,神龙科技与火山引擎在武汉签署全面战略合作协议,联合开发智能座舱系统及应用软件。双方将端侧智能列为重点,确保断网环境下核心功能车端可用比例超九成,数据在车端处理不回传云端。神龙科技作为合资车企首家搭载该 AI 座舱助手的企业,未来车型将全面接入火山引擎方案。
Intel 和 Altera 宣布联合开发灵活、实时的传感器桥接参考系统,用于边缘和物理 AI 应用(包括机器人)。该系统结合 Intel 的计算、连接性与软件,以及 Altera 的可编程门阵列(FPGA),旨在帮助制造商应对在日益丰富的传感器环境中连接、处理和响应实时数据的复杂性。
NVIDIA Alpamayo 2 Edge 旨在让自动驾驶开发者在车载系统的算力与延迟约束下部署推理模型。该技术通过缩减模型规模、保留有用推理能力并验证目标硬件性能,解决了大模型上车需额外工作的难题。
NVIDIA 宣布推出两个处于公开预览阶段的开源项目:NVIDIA Kubernetes Engine (NVKE) 和 NVIDIA Kubernetes Recipes (NVKR),用于构建和管理基于 GPU 基础设施的托管 Kubernetes 服务。
NVIDIA DSX AI Factory Platform 新增开源组件 NVIDIA Snapshot,让初始化后的 GPU 推理任务在副本间复用。该功能解决冷启动耗时分钟级的痛点,使突发需求或副本故障时可用 GPU 即刻转化为服务容量。
论文介绍 InfraRSI,这是一个将开放指令转化为验证过的训练优化的代理框架。它通过五阶段工作流初始化锁定可编辑范围、校准集群噪声并协同优化启动参数与代码补丁。
Deep Tensor Network 是一类由查询、键和值收缩构建的序列算子,利用结合律在不生成 n×n 令牌矩阵的情况下精确计算 Gram 算子。该方法在查询/键宽度为 d 时仅需 O(d²+ddᵥ) 的工作量及因果令牌的摘要状态,并推导了前缀递推关系与迹、对角及行归一化条件。研究还给出了 Hadamard 变体与矩阵指数变体的精确评估及成本分析。
该论文提出平行展开近似(PRA)框架,旨在解决像素空间连续令牌自回归生成中单步误差大及训练推理差距累积的问题。方法通过生成低维中间状态并利用一步去噪像素解码器映射回像素块,在保持并行训练的同时模拟推理条件。
针对扩散 Transformer(DiT)在图像编辑中延迟高的问题,本文提出 HiLo-Token 框架。该方法根据用户掩码区域分配更多 Token 以保留细节与上下文,对非编辑区则利用空间频率策略仅用高频 Token 捕捉局部特征、低频 Token 表征全局结构。
针对低精度早期退出机制中 ViT 模型不稳定的问题,论文提出了 Amortized-Precision Quantization (APQ) 与 Mutual Adaptive Quantization with Early Exiting (MAQEE)。
针对资源受限边缘平台,该研究评估了 YOLOv8-v12 与 RT-DETRv1-v2 模型在无人机端的实时杂草检测性能。实验显示,RT-DETRv2-R50-M 以 79% mAP50 实现精度效率平衡,YOLOv10n 推理最快,而高容量模型虽达 86.9% mAP50 但延迟过高。
针对深度神经网络中单个神经元编码概念的解读难题,本文提出 LINE,一种无需训练、严格灰盒的迭代方法。该方法利用大语言模型和文生图生成器,结合激活历史在闭环中不断提议并细化概念。
Spectral Complex Autoencoder Pruning (SCAP) 通过构建复数交互场并训练低容量自编码器,以重构保真度作为衡量卷积层输出通道功能冗余的指标。
该论文提出了 Multimodal Speculative Decoding (MSD) 框架,旨在解决多模态大语言模型(MLLMs)自回归解码延迟高的问题。针对文本和视觉 token 特性差异,该方法在草稿模型中解耦了两者处理并应用特定策略,同时采用先强化语言建模再逐步引入视觉感知的两阶段训练方案。
推荐理由:提出针对多模态大模型的推测解码框架,通过解耦文本与视觉 token 处理及两阶段训练策略,在保持生成质量的同时实现显著推理加速。
FUSE-PnPL 提出一种基于点线联合测量的统一相机位姿估计器,通过 Plücker 坐标表征直线并采用两阶段方案实现统计一致性与渐近高效性。该方法在合成数据及真实世界基准测试中验证了理论性质,展现出在静态全局定位与动态 SLAM 系统中的优势。其线性计算复杂度使其适用于高精度实时机器人位姿估计任务。
Multi-Node Transformers 提出统一框架,利用共享视觉编码器消除重复图像编码路径。该架构在由四台 NVIDIA Jetson Orin Nano/NX 和两台 Raspberry Pi 5 组成的六设备测试床上运行,INT8 模型单节点达 38.1 FPS、峰值显存 3.5 GB、功耗 11.8 W。
该论文提出了一种面向低功耗边缘硬件的车牌检测与字符识别统一框架。模型采用共享特征编码器与无锚框定位头,直接在对齐的特征图上完成解码,避免了图像裁剪与二次骨干网。
该研究通过 11 个数据集、3 种 CLIP 骨干及 5 个 shot 水平的实验证明,在全量微调下普通 SGD 优于代表性 PEFT 方法,而 Adam/AdamW 因支持集预条件化不可靠导致崩溃。理论形式化了少样本估计误差如何被放大为不安全更新,证实优化器诱导的预条件化而非全量微调本身是失败主因。论文已接受发表于 NeurIPS 2026,代码与权重开放许可待确认。
针对资源受限平台上视觉语言动作(VLA)模型的自回归生成延迟问题,本文提出了 Zora 软硬件协同设计框架。该方法利用轻量级检索增强生成(RAG)草案模型结合机器人动力学替代昂贵的神经网络草案模型,并通过运动学引导的动作接受策略与 KV-cache 共享注意力机制降低批验证开销。
STABLE 是一种原对偶优化器,通过自适应漂移控制解决持续学习中灾难性遗忘与不稳定的适应问题。实验表明,在长视界单模态及 CLIP 多模态流中,STABLE 微调基线匹配或超越专用持续学习方法并保留零样本迁移能力。该成果已获 NeurIPS 2026 接收,代码与权重开放许可。
PTC-IoU 将检测框历史压缩至 CPU 以估算边缘端无标签场景下的检测质量,在 Nvidia Jetson Orin Nano 上相比神经网络基线延迟从 10.3 ms 降至 2.2 ms。该方法流水线吞吐量提升 13.6%,能耗降低高达 95%,同时在多个数据集上保持了具有竞争力的最终检测精度。
该论文提出 EgoLabel 流程,在不使用目标域标签训练的情况下整合现成模型以实现几何、物体与人体姿态的跨模态配准与一致性诊断。实验显示,相比单一全局尺度,每只手深度锚定将序列中位手 - 深度残差均值降低 23%,聚合中位为 84.6mm(真值参考 20.5mm),手部 PA-MPJPE 为 14.53±1.29mm。