跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉71

    面向视频语言模型的Content-Aware Adaptive Token Pruning方法发布

    针对视频处理中多帧分析导致的推理延迟问题,该方法提出基于Token嵌入相关性结构自适应确定剪枝比度的策略,动态保留动态场景信息并激进剪枝静态内容。实验显示在视频描述基准上,10% Token保留率下准确率提升7%,计算量减少95%。方法完全后处理且无需额外训练或微调。

  2. arXiv · 机器人与计算机视觉75

    HorizonStream:面向流式三维重建的长视界注意力方法

    HorizonStream 针对在线三维重建中现有方法存在的漂移、抖动及长序列崩溃问题,提出一种显式分解几何传播核的长视界 Transformer。该方法通过 Geometric Linear Attention 实现多时间尺度的有界传播,利用带时空 RoPE 的局部注意力抑制注意力陷阱,并通过度量读出 Token 恢复稳定尺度与刚性姿态。

  3. arXiv · 机器人与计算机视觉7

    Vision Transformers on the Edge:ViT 模型压缩与边缘加速策略综述

    该综述系统梳理了视觉 Transformer(ViT)在图像分类、检测及分割等任务中的模型压缩技术与硬件感知加速策略。文章分析了这些方法对精度、效率及 GPU/ASIC/FPGA 适配性的影响,并指出当前缺乏针对边缘部署的综合评估框架。研究旨在为优化 ViT 在资源受限设备上的高效部署提供当代指南,涵盖从预训练到推理优化的关键挑战与方向。

  4. arXiv · 机器人与计算机视觉45

    LeJEPA 编码器在自监督学习中出现信号失真与下降的已知答案测试

    研究通过合成图像训练 LeJEPA 编码器,发现十次种子中九次因子可读性骤降且损失持续降低,但十一种无标签监控信号仍误判为改进。标准变点检测罕见在初期标记下降,基于这些信号的检查点选择多发生在衰退后。代码与数据已公开,该测试揭示了自监督训练中特征信号失真的潜在风险。

  5. arXiv · 机器人与计算机视觉78

    TriTile:一种用于视频扩散 Transformer 的三层注意力方法

    该研究提出 TriTile(含 Triage)方法,针对视频扩散模型中视觉 Token 注意力计算成本高的问题,设计了跳过、低精度估算及残差修正三种近似层级。该方法通过轻量级路由器根据块统计信息动态分配层级,仅在误差降低值得到额外算力时才升级精度,并融合执行于 RTX Blackwell GPU 的 FP4 Tensor Core。

    推荐理由:该方法在无需训练的情况下,利用硬件特性实现了视频生成模型的加速与精度提升。

  6. arXiv · 机器人与计算机视觉73

    从语音 Token 到被盗声音:通过表示反转实现的攻击者指定文本说话人模仿

    针对端到端语音语言模型前端表示可能泄露说话人身份信息的问题,该研究提出了一种名为 STIA 的语音 Token 反转攻击方法。该方法仅需极短的泄露表示(如 Moshi 模型的 3 秒音频),即可在不接触原始音频或转录文本的情况下,生成指定内容的受害者声音。

  7. arXiv · 机器人与计算机视觉35

    Securing Edge & Physical AI:面向关键任务的抗量子物联网区块链架构

    针对公钥认证机制易受量子计算机威胁的问题,研究提出旋转机密性目标及 PARS 参考机制,协调策略触发的密钥建立与轮换。PARS-ESL 可选架构仅记录授权验证器维护的加密纪元状态而非高频交易,使资源受限代理能以轻量客户端参与。结果显示,在既定信任、受损、连通性及资源假设下,该架构对选定的边缘 AI 和 CPS 安全控制工作负载可行。

  8. arXiv · 机器人与计算机视觉85

    Iris:一种支持图像、文本或混合候选人的视觉决策框架

    该论文提出 Iris 框架,解决多模态设置下模型处理离散视觉候选人的问题。研究证明在 Iris 架构下可实现严格的顺序不变性和精确缓存复用,并在 MetaEncoder 基准上超越更大参数量的基线。此外,通过重构 Qwen3.5 的 patch-embedding 卷积层为矩阵乘积形式,将 Ampere GPU 上的处理速度提升了 350 倍。代码、数据和检查点已开源。

    推荐理由:Iris 框架在保持候选顺序不变性的同时实现缓存复用,显著降低多模态决策延迟,并解决了 Ampere GPU 上的系统瓶颈。

  9. arXiv · 机器人与计算机视觉35

    物理神经网络通过设备变量选择优化分类任务

    该方法利用电子 RNPUs 的离散路由训练,将 MNIST 小 CNN 准确率从 94.5% 提升至 96.9%,CIFAR-10 准确率从 62.8% 提升至 68.0%。实验基于经校准的可微模型在 MNIST 和 CIFAR-10 数据集上进行,推理开销可忽略不计。研究展示了利用破同构物理神经网络架构诱导偏差以提升能效的潜力。

  10. arXiv · 机器人与计算机视觉58

    MatAnyone-E:基于稀疏记忆传播的高效高分辨率视频抠图方法

    MatAnyone-E 是 MatAnyone 2 的高效扩展版本,旨在解决高分辨率视频抠图中计算成本过高的问题。该方法首先进行低分辨率传播以定位需要精细处理的区域及关键记忆候选者,随后仅在这些区域执行高分辨率匹配并复用低分辨率结果,从而减少详细匹配的位置数量和搜索的记忆量。

  11. arXiv · 机器人与计算机视觉48

    Temporal Slice Learning 实现 AI 生成视频检测,FLOPs 降低 400 倍且推理快 3.6 倍

    Temporal Slice Learning 方法将视频重构为紧凑的时间切片表示,在 GenVideo 和 AI-Artist 基准上实现了高效检测。相比 ReStraV 基线,该方法模型前向 FLOPs 减少超 400 倍、端到端推理快 3.6 倍。该工作已接受发表于 NeurIPS 2026,项目页面提供代码与权重。

  12. arXiv · 机器人与计算机视觉82

    GUIFlow:面向 GUI 智能体的时序冗余感知增量推理框架

    针对基于视觉语言模型的 GUI 智能体在连续演化界面中重复计算的问题,本文提出了 GUIFlow 框架。该框架通过位置对齐的历史 KV 状态注入、变化信号引导的视觉编码器与语言模型状态选择性更新,以及利用早期动作响应作为目标模型验证的推测草稿,实现了跨步骤的增量推理复用。

    推荐理由:提出 GUIFlow 框架,在无额外训练下实现多步交互的增量推理,显著降低计算成本。

  13. arXiv · 机器人与计算机视觉42

    物理 AI:带多约束的航空光电云台复合扰动分离与预测控制研究

    该研究提出一种结合自适应周期观测器与有界 LSTM 网络的模型预测控制(MPC)方案,用于解决航空光电云台在载体振动、输入延迟及执行器约束下的指向稳定难题。实验搭建无人机双轴云台平台进行室内悬停对比测试,结果显示该方法将俯仰和偏航相对角度均方根误差分别降至 0.350 度和 0.770 度,较线性主动扰动抑制控制降低跟踪误差 45.9% 和 25.1%。

  14. arXiv · 机器人与计算机视觉58

    VLA-HWBench:VLA 模型在边缘硬件上的时间瓶颈分析

    论文提出了 VLA-HWBench 基准,评估了 18 个开源 VLA 模型在 NVIDIA Jetson AGX Thor 和 AMD Ryzen AI Max+ PRO 395 等边缘硬件上的推理延迟。研究发现动作生成策略比模型大小更关键,长动作块生成优于逐 token 解码;4 位权重与内核融合能显著加速特定模型但兼容性有限;优化后内存带宽和 CPU 预处理成为主要瓶颈。

  15. arXiv · 机器人与计算机视觉78

    GRASP:无需推理标注的医疗视觉问答混合后训练方法

    针对医疗视觉问答(VQA)数据稀缺且缺乏推理标注的问题,本文提出 GRASP 方法,将强化学习与监督微调结合于每次更新中,利用 RL 探索模型自身推理并由 SFT 提供金标准答案进行直接监督。该方法仅微调约 1% 参数,在 Qwen3-VL-8B、InternVL3-8B 和 Gemma 3-4B 等模型上均优于对比基线。论文开源了包含 12.9K 短答案问题的 MedTerse 数据集及代码。

    推荐理由:提出 GRASP 方法,结合 RL 探索与 SFT 监督解决医疗 VQA 数据稀缺且无推理标注的难题。

  16. arXiv · 机器人与计算机视觉12

    NVHT 算子:一种用于乳腺影像梯度模式分析的高效非插值虚拟网格方法

    针对传统医学图像分析方法在斜向轴模式优化、计算效率及特征缓冲存储上的不足,研究提出了一种无需将方形图像转换为六边形网格的非插值虚拟网格(NVHT)算子。该方法利用同方图上的滤波器核,在降低计算与存储成本的同时,提升了疾病分类的特征提取效率与准确性。实验表明,此方法在保持多方向高敏感度的前提下,优于常规处理方案,相关代码与数据处于预印本发布阶段。

  17. arXiv · 机器人与计算机视觉72

    Rescuing Your Pruning:重审多模态大模型的视觉 Token 剪枝与后训练恢复

    论文提出通过统一协议对多模态大模型进行视觉 Token 剪枝,并验证了后训练能挽回大部分性能损失。研究发现联合压缩中保留编码器 40% Token 比投影器 10% 更快,最佳配置在保持理解能力同时加速 LLM 阶段 3.49 倍,但端到端首字时间仅提升 1.54 倍。数据、协议与代码将开源。

  18. arXiv · 机器人与计算机视觉62

    面向内存受限机器人的稠密地图内存感知关键帧管理方法

    针对在单一设备上同时运行语言模型和稠密 3D 地图易导致内存溢出问题,论文提出基于语义空间单元(房间、走廊)的关键帧管理机制。该方法直接以内存为界限制图大小,并在读取数据前预知每帧成本;通过按语义区域释放已离开区域的地图,使机器人仅保留当前及即将进入的区域。

  19. arXiv · 机器人与计算机视觉68

    Fast Instinct, Slow Reason:一种用于卫星视频自配置多目标跟踪的双速代理框架

    针对卫星视频多目标跟踪难以在轨实时适应的问题,本文提出双速代理框架,结合离线编译的快速本能与在线服务的慢速推理。算法 AUSPEX 利用无标签短列表从先验经验中学习覆盖短列表和无标签排序器,为序列提交单一配置;系统 CORVUS 级联反射、技能和智能体层,使验证技能在每次观测中占用 2.5 秒,语言代理服务自然语言任务。

  20. arXiv · 机器人与计算机视觉75

    基于生长神经气码本与图引导掩码图像建模的视网膜 OCT 视觉基础模型压缩方法

    针对视网膜成像视觉基础模型体积大、计算需求高的问题,本文提出一种拓扑感知离散化框架,将连续基础模型蒸馏为离散码本,并作为掩码图像建模的重建目标。该方法结合无梯度生长的神经气学习生成码本邻接图,用图距离软交叉熵损失替代传统 one-hot 监督。

  21. arXiv · 机器人与计算机视觉73

    AGQ:面向视觉语言动作模型的行动引导超低比特量化

    针对视觉语言动作模型(VLA)部署于内存受限车载平台的挑战,本文提出 AGQ 方法,结合动作敏感性与权重恢复成本代理来分配矩阵位宽。该方法通过通道校准补偿量化误差、保持矩阵内统一位宽以维持布局规则性,并利用基于位的分组无损编码减少驻留存储及块级恢复限制临时缓冲区。

  22. arXiv · 机器人与计算机视觉72

    Aerial-R1:首个强化空中推理与分割的多模态大语言模型框架

    针对现有方法在航拍领域因尺度变化剧烈和视觉模糊导致的严重幻觉问题,本文提出 Aerial-R1 框架。该框架受 DeepSeek-R1 启发,利用多视图一致性建立类似思维链的视觉推理机制,并引入混合视角组优势加权回归策略以适配非自回归掩码生成。

10月26日周一
  1. 量子位76

    讯飞Spark-X2.6全栈国产模型发布:实测纯CPU运行完成3D故宫搭建与合同审查

    讯飞发布Spark-X2.6系列大模型,该模型基于全栈自主可控的国产算力平台构建,支持端侧与云端按需协同。实测显示,4B版本在仅靠CPU离线运行时,能独立完成跨文件数据核对、风险识别及代码生成任务(如搭建3D故宫网页),完成度约九成;云端版本则通过评语模型路由机制,将敏感信息脱敏后处理复杂合同审查,准确率提升至96.1%。

    推荐理由:实测讯飞Spark-X2.6全栈国产算力模型,验证其在纯CPU离线环境下的跨文件分析与代码生成能力。

  2. 量子位82

    岩山科技联合港科大、CMU开源EdgeRock-4B模型

    岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。

    推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。

  3. arXiv · 机器人与计算机视觉72

    特征空间平滑:深度表征的可认证鲁棒性

    针对深度学习模型在特征空间扰动下的脆弱性,本文提出基于高斯随机平滑的特征空间平滑(FS)框架,将任意特征编码器转化为具备可认证鲁棒性的变体,确保在 L2 有界扰动下清洁与对抗特征间的余弦相似度下界。研究进一步建立预测级认证机制,并引入高斯平滑增强器(GSB)模块以无需重训练即可提升编码器的内在高斯鲁棒性分数。实验表明,该方法在多模态大语言模型等应用中能显著改善强白盒对抗攻击下的任务性能。

  4. arXiv · 机器人与计算机视觉65

    OmniSpace:面向自动驾驶车辆的几何感知高效 MLLM 方法

    针对自动驾驶车辆中多模态大语言模型(MLLM)空间智能不足的难题,本文提出 OmniSpace 范式。该方法通过相机姿态注入、多视角极线注意力模块及三维几何蒸馏目标,将几何知识直接融入模型以解决跨视图对应与深度估计瓶颈。实验表明,OmniSpace 在 nuScenes、Bench2Drive 等规划基准及风险检测任务上优于现有方法。

  5. arXiv · 机器人与计算机视觉21

    Online Continual Learning in Edge-Cloud Applications:边缘云物联网中的持续学习、OOD 检测与概念漂移检测方法研究

    该方法针对物联网边缘系统无法访问完整训练数据时的在线适应难题,提出集成持续学习与 OOD 及概念漂移检测的边缘云方法论。通过引入 ODIN 和 ECDD 机制识别标注样本并触发基于重放的模型更新,实验在汽车、医疗和农业数据集上验证了其缓解灾难性遗忘的适用性。