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。
技术方向
相机、传感器、车载和边缘计算的实际规格、量产进度和测试条件。
137 条精选近 30 天 100 条共收录 1,167 条
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。
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。
近日,由市场监管总局认证认可技术研究中心牵头、地平线等单位联合申报的《车规级高端SoC芯片性能与安全检测认证关键技术与应用》项目荣获2025年度中国检验检测学会科学技术奖一等奖。
推荐理由:地平线联合申报项目获中国检验检测学会科学技术奖一等奖,其首创的MAPS评测方法填补了行业空白并写入团体标准。
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。
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。
针对相机在近镜头处透过浑浊、含气泡且流动的水体观测场景,本文引入了一套包含七种流态组合的实测数据集,并展示了复原网络能显著提升结构相似性(SSIM)及目标识别率。研究提出简单处理流程:直接对原始帧进行分类,平均多帧以改善结构相似度,并利用混合训练数据训练的复原网络恢复图像细节。
推荐理由:该工作提供了含气泡与流动水体的实测数据集及复原网络,支持在浑浊介质下直接分类或恢复图像。
该研究引入 CANDID-LKA 框架,利用车载 CAN 总线数据与第三方视觉系统,对三款主流车型共 39,800 秒的实车驾驶进行了评估。结果显示,显示状态无法一致响应标线难识别的条件,不同厂商报告‘未检测到’的频率差异巨大;潜类别模型表明显示状态仅能反映 47% 的感知退化时刻(第三方系统为 80%),且在近半数低置信度片段中从未报警。
推荐理由:该研究通过车载 CAN 总线与第三方视觉系统对比,揭示了量产车道保持辅助系统在低置信度场景下存在‘静默’失效风险,且不同厂商表现差异显著。
10月26日,小鹏汽车宣布其Robotaxi“小鹏悠游”正式获批L4级自动驾驶示范运营资质,可在广州全域开展示范运营。该车型基于旗舰车型GX打造,是中国首款全栈自研、前装量产的Robotaxi,搭载4颗自研图灵AI芯片与第二代VLA大模型,不依赖激光雷达与高精地图。
推荐理由:小鹏悠游获广州L4示范运营资质,基于全栈自研方案完成内测并计划明年无安全员载客。
Lunar Outpost 公司宣布选择 AEye 的 Apollo 长距激光雷达平台集成至 Pegasus 月球地形车(LTV),用于 NASA Artemis 计划的载人任务,预计 2027 年交付、2028 年部署。
推荐理由:AEye Apollo LiDAR 被选定用于月球探测车,验证了固态激光雷达在极端真空与热冲击下的可靠性。
论文介绍了OpenTac,这是一种新型传感器及其全栈生态系统,旨在支持高度定制化、可扩展且在下游机器人控制与学习中易于部署的触觉皮肤。核心贡献包括开发了一种具有结构化变形覆盖层的可扩展电阻式触觉皮肤,能将切向载荷转化为空间变化的压力;以及提供一款高度可定制的传感器设计工具,能从2D轮廓或抽象文本描述自动生成制造文件。
推荐理由:作者开源了可定制触觉传感器的硬件、CAD设计工具及仿真生态,并展示了在多种机器人上的部署与性能提升。
该论文提出多分辨率触觉感知框架 MiTaS,利用模态特定卷积主干与 Transformer 融合机制,整合 RGB 相机、GelSight Mini 传感器及高频事件驱动 Evetac 传感器的信息。系统性实验在五项接触丰富的操作任务中验证了该方法的有效性,平均成功率为 80%,而纯视觉基线仅为 35.5%。该成果已提交至 CoRL 2026 会议,预印本发布于 arXiv。
推荐理由:该工作提出多分辨率触觉表征框架 MiTaS,融合 RGB、GelSight 与事件相机数据,在五项接触丰富任务中平均成功率达 80%,显著优于纯视觉基线。
PCLA-Bridge 是一个无需活跃 CARLA 服务器即可运行未修改 CARLA Leaderboard 智能体的工具,支持从任意传感器源到任意控制目标的部署。
推荐理由:PCLA-Bridge 框架允许在不修改 CARLA Leaderboard 模型的情况下,将其跨域部署到 MetaDrive、AWSIM 等仿真引擎及真实数据流中。
针对流式视频生成中增加注意力上下文长度带来的高昂计算与内存成本问题,本文提出 Attn-Forcing 框架。该方法引入可学习的视觉潜在变量作为注意力代理,利用代理更新模块融合历史视觉上下文,并通过注意力匹配损失显式约束代理的注意力行为以保留全上下文贡献。实验表明,Attn-Forcing 在保持有限资源的前提下,一致提升了流式视频生成质量,并优于现有基线方法。
推荐理由:提出 Attn-Forcing 框架,通过注意力代理在有限资源下保留全上下文贡献,显著提升了流式视频生成质量。
该研究评估了生产级多模态大模型 Gemini 3.8 Flash 和 3.7 Flash 作为事件触发式跌倒筛查器的决策阶段能力,使用公开的低分辨率热成像数据集。
推荐理由:原文在实验室与居家真实场景中评估了多模态大模型对低分辨率热成像视频的跌倒检测能力,并公开了帧级标注数据。
论文提出S3(Spectral Null-Space Swap)方法,这是一种无需训练的成对检查点组合策略。研究指出推理能力的核心存在于非思考模型主导奇异方向投影的零空间中,移除该分量可大幅提升效率而不损害准确率。实验在2B至30B参数量的稠密及MoE架构上验证,相比完整思考模型,S3平均降低27.4%推理token开销,同时整体任务准确率提升1个百分点(如在HMMT25上准确率达+8.3%)。
推荐理由:提出S3方法,通过交换非思考与思考模型的零空间权重,在推理效率提升27.4%的同时保持准确率。
论文提出 PISA,一种无需训练的 Piecewise Sparse Attention 方法,旨在解决扩散 Transformer 的二次复杂度瓶颈。该方法发现非关键块注意力分数具有分布稳定性,采用“关键块精确计算、其余块通过块级泰勒展开近似”的策略,而非直接丢弃信息。
推荐理由:提出无需训练的 PISA 方法,通过分段泰勒展开近似非关键块注意力,在 Wan2.1、Hunyuan-Video 及 FLUX 上实现加速并保持最高生成质量。
该论文提出一种基于正交残差学习的自适应侧偏和转向刚度估计方法,旨在解决轮胎变化时模型校正与滤波器创新竞争的问题。研究通过传播预测测量的刚度敏感性并构建与之正交的校正器,在整车仿真中使侧滑误差降低 12.7% 至 22.0%,并在真实车辆数据上验证了其对名义刚度偏移的鲁棒性。材料为预印本论文,已提交至 Vehicle System Dynamics。
推荐理由:提出正交残差学习框架,在保持侧偏刚度估计能力的同时抑制模型修正干扰。
论文提出 LoRASpace,这是一种免训练方法,利用奇异值分解找到保留 99% 因子能量的最小子空间。该方法支持两种推理模式:静态合并模式(以合并成本换取质量)和动态路由模式(根据输入选择)。在扩散模型池中,动态模式比复合推理快 6 倍以上,因为只需运行一次主干网络前向传播。代码已开源。
推荐理由:提出免训练方法 LoRASpace,通过池级共享子空间实现多 LoRA 静态合并或动态路由,在扩散模型池中显著降低推理延迟。
该研究发现了磁触觉传感器存在的物理漏洞 PhantomTac,攻击者仅需在物体表面粘贴厚度约 0.5 mm、无电池的磁性标签即可篡改力感知数据。实验表明,这种隐蔽的攻击能绕过现有抗干扰机制并劫持闭环控制流程,在抓取位置偏移小于 8 mm 时攻击成功率超过 95%,可导致捏碎或掉落物体。论文提出了多模态一致性防御机制以缓解此类物理层安全威胁,相关内容已接受于 ACM CCS 2026。
推荐理由:研究揭示了磁触觉传感器的物理漏洞,提出了一种无需接触设备的隐蔽攻击方案及多模态一致性防御机制。
针对现有端云协同方法在多分割点切换时存储开销大、延迟高的问题,本文提出了 DS-Net 动态分割网络。该方法设计了动态切换框架以支持单模型内的灵活分割点选择,并引入分层补偿机制来缓解特征分布偏移与信息丢失。
推荐理由:提出动态分割网络架构,在降低存储开销的同时实现毫秒级切换与精度提升。