Intra-Architecture Source Attribution for Stable Diffusion:首个 SDXL 微调模型架构内溯源基准发布
IntrAA-SD 任务针对共享 SDXL 骨干网络仅经微调的生成器(如 Juggernaut XL、RealVis XL),提供包含 140K 图像的基准数据集及基于风格条件 MoE 网络的基线框架。该工作利用冻结 CLIP 与高分辨率 LoRA-DINOv2 捕捉图像风格特征,在 WACV 2027 会议接受并开源代码数据。
IntrAA-SD 任务针对共享 SDXL 骨干网络仅经微调的生成器(如 Juggernaut XL、RealVis XL),提供包含 140K 图像的基准数据集及基于风格条件 MoE 网络的基线框架。该工作利用冻结 CLIP 与高分辨率 LoRA-DINOv2 捕捉图像风格特征,在 WACV 2027 会议接受并开源代码数据。
小鹏汽车联合北京大学、香港大学等团队发布了具身感知基座模型GroundingPI。该模型以约40亿参数规模在34项公开感知基准综合评测中位列第一,综合得分73.68分,高于OpenAI前沿模型GPT-6 Astra的71.54分。
物理世界模型创企 LiberAI 于 11 月 4 日发布基于超 220 万小时人类经验数据预训练的世界动作模型 Liber-0。该模型采用混合 Transformer 架构,结合 LiberSense Glove 采集的人手动作数据与互联网视频,旨在减少对真机数据的依赖并提升跨本体泛化能力。
推荐理由:LiberAI 发布基于超 220 万小时人类经验预训练的世界动作模型 Liber-0,在零样本真机测试中取得 36% 成功率并优于 GPT-6 Astra。
Luxonis DepthAI Core 发布 v3.12.0,新增 Multi-stream PointCloud 功能可合并任意数量的深度流(含可选对齐色彩)为单一数据;Stitching 节点正式转正并默认启用校准全景缝合;ImgDetectionsFilter 节点开放以过滤检测结果。
推荐理由:该版本开放了多流点云合并与拼接节点,并优化了深度算法性能。
arXiv 论文 PolicyIK 提出了一种基于强化学习的目标条件化策略,旨在解决机械臂高精度逆运动学问题。该方法利用姿态反馈更新关节位置参考,并通过两尺度误差与特定奖励机制实现毫米级残差消除与大动作保持。
针对自动生成的全脑 MRI 分割标签缺乏可靠性证据的问题,该研究发布了 OpenBrain,包含 35,838 个经来源验证的 OpenNeuro T1w 案例。
论文 VCS-SLAM 提出了一种针对 RGB-D 3D Gaussian SLAM 的可见性一致性语义融合框架,旨在解决传统方法因均匀优化权重导致的语义伪影问题。
论文提出 Aero-VPA 轻量级视觉预测动作架构,用于边缘硬件上的三维导航。该架构利用紧凑的 RGB-D Vision Transformer 和五头集成预测器在不进行像素重建的情况下预测下一潜状态,并通过条件流匹配求解器在两个欧拉步骤内生成速度和偏航率片段。
推荐理由:该工作提出 Aero-VPA 架构,在 PX4 仿真环境中实现四旋翼自主飞行闭环评估,公开代码、策略与基准数据集。
论文 SparseGraph-I2P 针对粗到细图像到点云配准中易丢弃正确但模糊的图对、重复匹配的问题,提出结合外观与深度兼容性构建粗假设图,并通过稀疏精细匹配解码像素及利用深度感知过滤提升内点率。该方法在传感器深度和单目深度校准条件下,于 RGB-D Scenes V2 和 7-Scenes 数据集上实现了最高的配准召回率和最低的延迟。代码即将发布。
针对 3D 高斯泼溅(3DGS)压缩带来的表示特异性失真及缺乏对齐真值的问题,作者构建了包含 3036 个重建、覆盖 11 个真实场景和 22 个合成场景的 3DGS-VBench+ 基准,标注了 9108 个 MOS 分数以评估整体、几何和颜色质量。
针对大视觉语言模型(LVLMs)常命名图像中不存在物体的问题,本文提出一种无需额外前向传播的熵门控动态校正方法(EGDR)。该方法利用生成过程中的预测熵作为局部控制信号,在不确定性高时降低干预阈值以抑制幻觉,而在确定性高时保持校准的工作点。
MABEL 是一个开源的类人移动双臂机器人平台,拥有 56 个自由度且部件成本约为 8100 美元。该平台集成了两个 7 自由度手臂、17 自由度手爪、可俯仰躯干、升降机构、3 自由度颈部和全向底盘,支持背驱式交互与从地面到 2.23 米的指尖抓取范围。
作者发布 RoboScope Kit 以解决仿真基准评估慢、接口不统一的问题。该工具通过 Python 类封装模型与基准适配器,实现并行调度与渲染优化;在 LIBERO-Long 和 RoboTwin Easy 等任务上,相比官方 StarVLA 评估器速度提升 4.45 至 6.16 倍,四 GPU 配置下比单卡基线快 25 倍以上。代码与项目页面已开源。
推荐理由:该工具通过统一接口与调度优化,将机器人策略评估速度提升数十倍,相关团队可据此加速现有训练流程。
openJiuwen AgentMemory 0.2.0 版本正式上线 OmniMem-Lens 多模态记忆透镜,通过视觉与听觉双流联动按真实事件切分长视频,并构建三层记忆结构实现离线整理与在线秒级检索。
论文介绍 Micius-Flash 是一个拥有 270 亿参数的工程领域多模态模型,具备原生多模态输入、深度推理和 256K token 上下文窗口。研究团队构建了知识树驱动的数据飞轮,训练了半导体知识与推理、硬件编码等专家模型,并通过多教师同策略蒸馏整合能力。
推荐理由:该预印本介绍了面向工程领域的轻量级多模态模型 Micius-Flash,展示了其在硬件代码与半导体任务上的性能提升及工具执行反馈能力。
针对大语言模型智能体在处理多步交互时上下文开销过大且注意力分散的问题,本文提出了 Coca-Cola 模型,将工具观测结果压缩为连续潜在 token 并嵌入输入空间。
推荐理由:提出连续潜在上下文压缩方法,显著降低 Agent 推理成本并提升任务性能。
清华大学与加州大学伯克利分校联合提出并开源了面向训练搭建的跨环境统一框架uni-robot-agent。该工具旨在打通不同机器人及仿真环境的接口,为通用大模型操控机器人、采集数据及训练提供统一基础。
NIV 是一种将静态字体自动转换为功能完备的可变字体的方法,通过预测轮廓点位移实现多设计轴的连续几何变化。该方法在超过一百万个变化元组的新数据集上训练,能泛化至未见字符、风格及高复杂度汉字甚至手写输入,并支持现有渲染引擎的连续插值。研究团队开源了数据集、完整代码及预训练模型。
OpenSR-SRGAN 是一个模块化、配置驱动的框架,支持用户通过 YAML 配置文件在任意传感器波段设置下训练和评估生成器 - 判别器架构。该工具无需修改模型代码即可暴露损失函数、归一化等组件,简化了跨遥感数据集的超分辨率流程复现与部署。其张量基模型组件经适当预处理后也可适配其他配对成像数据。
针对现有图像引导零样本风格迁移方法因自注意力机制导致语义信息从风格图泄露的问题,本文提出 SuRe 框架。该方法通过打乱价值向量以解耦风格键与值的原生对应关系,同时保留经验分布,并引入渐进式重耦合机制在风格化过程中逐步恢复对应性。
推荐理由:提出 SuRe 框架通过解耦与渐进恢复 KV 对应关系,在扩散模型风格迁移中有效抑制语义泄露并提升内容相似度。
论文 MAESTRO 提出一种新路线,利用视觉语言模型(VLM)作为代码代理,从预 curated 的工具库中编写机器人程序以执行多步感知与动作任务。该方法通过 plan-act-replan 循环结合视觉反馈来验证结果并恢复故障。
MindEye2 通过预训练跨多个受试者并微调新受试者的少量数据,实现了仅需一小时 fMRI 训练数据的高质量视觉感知重建。该方法利用功能对齐将脑数据映射至共享潜在空间,并结合 Stable Diffusion XL 实现从 CLIP 空间到像素空间的转换,在图像检索与重建指标上优于单受试者方法。代码已开源。
Anchored Fusion(A-Fuse)方法在 ATM'26 训练集上,于 30 例成人 CT 达到 93.24% Dice 分数的最高分支检出率,并在 9 例儿科扫描中取得 94.15% Dice。该方法成功保留全部 39 次测试中的气道树结构,避免非气道物体误选,已部署为自动化 Web 应用并开源代码、权重及 ITK-SNAP 扩展插件。
论文提出了 Adaptive Probabilistic Gaussian Calibration (AdaPGC) 方法,旨在利用未标记的测试数据对预训练多模态模型进行分布外适应,以应对模态可靠性下降或模态完全不可用的情况。
KlaskTron 是一个基于动态桌面游戏 KLASK 的低成本(<2500 美元)桌面级机器人测试床,旨在解决物理多智能体强化学习基准稀缺的问题。该平台配备双 CoreXY 龙门架和高扭矩无刷电机,支持高速精确操作。项目完整开源了硬件 CAD/BOM、NVIDIA Isaac Lab 数字孪生仿真环境以及经过验证的零样本策略迁移基线(使用学习到的神经执行器模型),所有资产均公开以确保证据可复现。
推荐理由:开源低成本桌面级对抗多智能体强化学习平台,含硬件设计、数字孪生及零样本策略迁移基线。
针对手术多模态大模型计算成本高且直接知识蒸馏在手术数据上不稳定的问题,作者提出 SurgPace 框架。该方法利用预测置信度和洛伦兹几何一致性估计样本复杂度,引导从易到难的连续训练过程;同时引入分层表示对齐机制,逐步将训练重心从模仿教师转向任务监督。
该预印本介绍了 VideoEditor-MoE,这是首个用于视频编辑的开源混合专家(MoE)框架。研究基于一个 50 亿参数的基座模型,将其扩展至 140 亿和 560 亿参数版本,每个 token 激活约 80 亿参数。
推荐理由:该预印本提出了首个开源视频编辑 MoE 框架,验证了路由注意力机制在保持全局交互下的扩展性优势。
论文介绍 Solv3R,这是一种循环 Transformer 模型,旨在解决传统结构从运动(structure-from-motion)重构中难以扩展和迭代优化的问题。该模型通过学习独立的更新算子,能够联合优化已处理和新增的视角,支持离线重建、增量重建、重定位及流式处理等多种任务,且无需针对特定任务进行训练或添加模块。代码与模型将公开提供。
Juergen Graf 发布了一篇关于广义奇异值分解(GSVD)在机器人学中应用的预印本论文,系统推导了线性代数与统计估计所需的完整理论框架。该研究将 GSVD 应用于多模态和集体估计问题,分析了信息归因、子空间几何及决策判别等核心要素,并提供了经过数值验证的参考实现代码。
SurgStream 提出工作流锚定记忆(WAM)和截止时间感知转换学习(DTL),解决实时手术视频中联合保留过程证据与时机响应难题。SurgStream-Bench 包含覆盖感知、回溯查询及主动问答的 1.17 万条交互数据,实验显示其在记忆与主动问答任务上优于最先进方法。源代码即将开放。
论文提出 SurgQ-VLM 模型解决手术视频问答中时序证据丢失与答案结构异构难题。该模型采用问题感知的双流压缩器将视觉 Token 缩减 49 倍,并结合 GRPO 强化学习与答案类型感知奖励机制。
推荐理由:提出 SurgQ-VLM 模型,通过问题感知的双流压缩与答案类型感知奖励机制,在手术视频问答任务上显著超越零样本基线。
针对扩散 Transformer 模型在超高分辨率生成时出现的严重语义退化问题,本文提出一种无需训练的框架。该方法通过文本 - 视觉尺度解耦注意力模块(TVSDA)保留全局感受野并校准图像感受野,同时利用结构细节引导策略(SDG)显式建模中间轨迹的结构与细节信息。实验表明,该方法在结构一致性和细节保真度上显著优于现有训练自由方法。代码已开源。
该论文提出 AbacusGS 方法,通过将高斯点按八叉树分组并存储混合顺序,避免了传统 3D Gaussian Splatting 中每帧对每个点进行深度排序的耗时操作。
作者报告了 MiniMax H3(20.38B 参数)完全在 Apple Silicon M5 Pro 和 64GB 统一内存上本地运行的端到端部署与测量结果。
针对机器人生成的平面图缺乏建筑知识评估的问题,作者将行业生产软件中的接受规则编码为六项固定顺序的检查,并校准房间形状限制以匹配真实公寓的 5% 拒收率。研究在四项生成器和两个真实数据集上验证发现,仅凭比例检查即可拒绝 33.7% 的 House-GAN++ 平面图,而现有邻接关系指标无法反映这些缺陷。作者已开源校验工具 floorcheck v0.1.1,但指出通过检查并不等同于实际工程验收。
推荐理由:作者将建筑规范编码为六项检查,揭示现有生成模型在比例与合规性上的缺陷,并开源了校验工具。
论文提出了 Gaussifier,这是一个轻量级的前馈框架,旨在解决二维高斯分解耗时的问题。该方法通过学习基于单图拟合数据的密度图,结合等质量 Voronoi 布局与无状态可复用网络进行迭代优化,实现了超过 60 FPS 的处理速度。
配置和优化针对 NVIDIA Vera Rubin 等新 GPU 硬件的 Kubernetes 环境复杂且易出错,需确保驱动、内核及调度器等组件协同调优。NVIDIA AI Cluster Runtime(AICR)作为 NVIDIA DSX AI Factory 的一部分,旨在解决此类匹配问题以保障工作负载运行与性能。
小米内部创新团队推出成本约 150 元的开源 AI 硬件 HachimoDock(哈基米机),集成个性化桌宠、语音操控电脑端 Agent 及智能家居联动能力。该设备已在 GitHub 公开源码,并在嘉立创平台提供硬件物料清单与装配教程,引发配件涨价与大量复刻攻略。
研究证实,针对无清洁训练目标的去噪任务,基于 Noise2Noise 对训练的无条件整流流仅需一步即可达到最小均方误差(MMSE)去噪器效果。在低剂量 CT 实验中,该方法相比噪声输入提升 PSNR 1.99 dB,且额外欧拉步反而降低性能;直接回归相似补丁则取得最佳无标签结果。相关代码、模型定义及数据加载工具将公开,但仓库链接暂 withheld 以匿名评审。
本文介绍了一个开源软件栈,旨在恢复 Franka Emika Panda 机器人的 ROS 2 支持并解决其外部位置控制接口长期存在的不稳定问题。作者分析表明,观测到的振动和保护性停止源于外部控制循环的时序和采样抖动,而非机器人本身的限制。