分子之心发布MMDesign技术报告:19个项目18个成功,拿下高难度GPCR靶点
分子之心发布了其AI蛋白质从头设计平台MMDesign的最新技术报告,覆盖18个不同靶点共19个设计项目,其中18个项目获得经实验确认的结合分子,项目成功率达94.7%。
推荐理由:报告展示了国产AI制药平台MMDesign在抗体从头设计上的系统性验证成果,涵盖GPCR等难靶点及跨模态能力。
技术方向
检测、分割、三维感知、定位与视频理解,以及相机、传感器和视觉工程。
985 条精选近 30 天 659 条共收录 6,653 条
分子之心发布了其AI蛋白质从头设计平台MMDesign的最新技术报告,覆盖18个不同靶点共19个设计项目,其中18个项目获得经实验确认的结合分子,项目成功率达94.7%。
推荐理由:报告展示了国产AI制药平台MMDesign在抗体从头设计上的系统性验证成果,涵盖GPCR等难靶点及跨模态能力。
针对生成式模型中提示词序列缺乏一致结构导致图像平滑过渡困难的问题,论文提出 Token-to-Token Alignment 框架。该方法包含两个阶段:首先将不同提示词重述为共享的结构化形式以建立语义对应关系,其次基于语义相似性对齐 token 嵌入表示。
推荐理由:提出 Token-to-Token Alignment 框架,通过结构化重述与嵌入对齐解决提示词语义错位问题。
针对现有方法难以揭示多模态扩散模型中去噪步骤的语义传播及文本图像交互问题,该研究提出 DifFRACT 框架,通过训练时步条件转码器近似 MLP 子层行为并构建紧凑归因图。实验表明该方法在稀疏性与忠实度权衡上表现优异,成功复现了从提示驱动到图像驱动的转换过程,并为系统性生成错误提供了可干预的解释。
推荐理由:该工作将基于转码器的电路追踪扩展至多模态扩散模型,通过构建可解释特征图揭示了去噪步骤中的语义传播机制与属性绑定候选机理。
论文研究了不同预训练信号如何诱导视频世界模型潜变量中的动作相关结构。研究通过统一的逆动力学探针评估发现,时序视频预训练主要驱动了动作相关性,而像素重建保真度并非关键;具有强解码质量的模型可能表现出近零的动作恢复能力。此外,逆动力学监督显著提升了模型对视觉扰动的鲁棒性。该工作已接受至 CoRL 2026。
推荐理由:该研究通过统一探针评估发现,视频预训练带来的时序预测结构是驱动潜在空间动作相关性的核心因素,而非像素重建保真度。
针对现代视觉语言模型(VLM)难以处理需要精确连续输出的问题(如事件时间边界定位或机器人控制动作),本文提出 DRIFT 框架,结合基础预测器与基于流匹配的生成细化模块。该残差公式将全局分布学习转化为局部残差建模,简化优化过程。研究在感知和规划任务上评估了该方法,涵盖多模态大模型、视觉语言动作模型及世界动作模型等多种架构,结果显示 DRIFT 一致优于现有的回归和生成类解决方案。
推荐理由:提出 DRIFT 框架,利用流匹配残差适配器解决 VLM 连续输出难题,在感知与规划任务上优于回归及生成基线。
针对现有链式思维推理难以编码连续视觉证据的问题,本文提出 ReGuLaR 框架,利用训练时的 ReGFormer 聚焦问题相关物体与关系,在推理阶段无需调用该模块即可生成答案。研究构建了 RGROUNDING-351K 数据集以支持模型训练,并在多个基准测试中取得了优于现有方法的最先进性能。
推荐理由:提出基于关系的潜在推理框架 ReGuLaR,通过训练时显式建模物体关系提升大视觉语言模型的连续证据编码能力。
AmaraSpatial-10K 是一个包含 10,071 个合成 3D 资产的数据集,所有资产均经过标准化处理以支持直接摄入。每个资产提供符合物理尺度的.glb 文件、分离的 PBR 贴图、凸碰撞包络、配对参考图像及多句文本元数据。
推荐理由:该数据集提供标准化 3D 资产与独立评测套件,显著改善检索召回率并提升仿真稳定性。
论文提出 GEST-Engine 开源系统,可确定性执行事件图并渲染同步多角色场景视频,同时记录包括三维实体状态、相机状态、成对空间关系及实例分割在内的完整真值。
推荐理由:该工作利用游戏引擎生成带完整时空真值标注的视频数据集,填补了视频模型在实体间关系理解上的空白。
本文介绍 Ctrl-A(ControlAugment),一种用于图像视觉任务的自动化数据增强算法。该方法引入控制理论原则,在模型训练过程中根据操作响应曲线动态、独立地调整增强强度分布,从而消除对个体增强强度的初始化需求,并减少使用损害模型性能的增强操作。
推荐理由:提出基于控制理论的自适应在线数据增强算法,通过闭环机制动态调整增强强度以消除手动工程需求。
该研究提出了 DEIMv2 系列目标检测模型,通过结合 DINOv3 特征与空间调优适配器(STA),在涵盖从 X 到 Atto 的八种模型规模上实现了性能与成本的优化。其中最大模型仅用 5030 万参数即达到 57.8 AP,而 S 版本成为首个参数量低于 1000 万且超越 50 AP 里程碑的模型。
推荐理由:该工作将 DINOv3 特征引入检测框架,在保持参数高效的同时实现了性能突破。
该论文挑战了‘离散视觉 Token 必然导致语义损失’的假设,提出因子化向量量化方法以缓解代码本饱和问题。在工业级多模态数据上训练的模型,在多指标平均性能上超越 UniAR 和 Emu3-Chat,并在细粒度 OCR 任务上与 Qwen3-VL 等连续表示模型竞争。材料提供了关键原则与实践配方,支持离散视觉表征作为大规模原生多模态基础模型的潜力。代码与模型已开源。
推荐理由:提出因子化向量量化方法,在离散表示下实现与连续表示相当的多模态理解性能。
论文指出语言链式思维导致多模态大模型无法可靠回溯视觉证据,从而引发视觉遗忘。为此提出 VideoLVR,从相关视频时刻构建局部区域的潜在视觉证据,将视觉 token 重构作为词汇表预测任务,统一了视觉证据重建与文本生成框架。该方法支持在推理过程中高效整合不同时刻的视觉信息,并通过强化学习联合优化策略。实验表明其在需要细粒度视觉证据的任务上有效,且未显著扩展多模态上下文。
推荐理由:该工作提出 VideoLVR,通过潜在视觉证据重构与强化学习优化,解决多模态大模型在推理过程中的视觉遗忘问题。
该论文提出 GCSR-OCC 框架,通过证据守恒高斯到占用算子(EC-G2O)抑制尺度膨胀并校准响应,利用多模式查询优先高斯语义路由(MM-QGSR)匹配文本查询以细化 voxel 级预测。
推荐理由:提出 GCSR-OCC 方法,结合几何校准与语义路由解决开放词汇占用预测问题。
论文介绍 SceneEvolve 框架,将三维场景表示为可执行代码并通过演化 harness 来改进重建效果。该框架结合参数化原语与语义空间关系构建动作接口,利用强教师模型迭代优化 harness,同时保持模型参数固定。
推荐理由:该工作提出用代码演化框架提升开源模型在三维重建任务上的表现,并实现了对闭源大模型的超越。
该论文提出 EvidenceConnect 数据合成框架,通过利用单张图像内相关区域的局部放大视图生成需要比较、聚合或链式推理的视觉问题,并保留独立 VLM 一致的答案及通过区域消融测试的问题。基于此数据训练的 ZwZ2 模型在细粒度感知、空间感知、具身空间推理、多模态长上下文理解及通用视觉推理等任务上均取得提升。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源仓库链接。
推荐理由:提出 EvidenceConnect 框架,利用单图局部放大视图合成数据以训练连接证据能力,提升多模态感知与空间推理。
该研究针对多视图 3D 感知中 VGGT 模型全局注意力计算量大、长序列运行慢的问题,提出了一种无需训练的加速方法 GPA-VGGT。该方法通过用共享跨帧 K/V 集增强的帧注意力替换早期块的全局注意力,并在后续块中仅合并键值对同时保留所有查询,恢复被合并键代表的注意力质量,并将匹配度量随机投影至 128 维以降低计算成本。
推荐理由:提出无需训练的加速方法,在保持高精度几何估计的同时显著降低长序列推理成本。
针对视觉自回归生成受限于训练数据分布的问题,本文提出 Next Token Imagination(NTI)方法,允许模型在满足特定约束条件下探索未见过的合理视觉实现。实验表明该方法能显著提升生成图像保真度,接近最先进扩散和自回归模型效果,同时具备更小模型规模和更低训练成本。
推荐理由:提出 Next Token Imagination 方法,在 ImageNet 上以较小模型和更低成本实现生成图像保真度提升。
论文发现少步蒸馏文本到图像模型存在速度与安全的内在张力:加速推理会显著提升不安全生成率且削弱现有概念擦除方法的效果。为此,作者提出 DICE 方法,通过调整潜在空间构建与生成保持损失以适配蒸馏过程,在 FLUX Schnell 上将不安全生成率从至少 0.161 降至 0.046,同时保留良性生成质量。该工作已接受发表于 IEEE S&P 2027。
推荐理由:针对少步蒸馏模型加速导致不安全生成率上升的问题,提出适配蒸馏过程的擦除方法 DICE,将 FLUX Schnell 的不安全生成率降至 0.046。
针对灾难响应等危险环境中四足机器人的外部监控需求,作者提出了QuadPose模型和首个四足机器人姿态基准QuadSyn。该研究解决了四足机器人关节变化、自遮挡及缺乏公开基准的挑战。在QuadSyn上,QuadPose实现了92.18%的[email protected]和3.65度的平均关节角度误差等指标,支持约33 FPS的处理速度。材料为arXiv预印本,未提及同行评审状态或真实部署结果。
推荐理由:提出QuadPose模型与首个四足机器人姿态基准QuadSyn,在单目视频序列上实现高精度全身姿态估计。
该论文提出了 WithinVAE,这是一种紧凑的变分视觉自动编码器,通过序列瓶颈、基于指数移动平均副本的 DINO/iBOT 风格自蒸馏以及位置相关令牌掩码实现四倍压缩比。
推荐理由:提出无需预训练编码器即可在自蒸馏中习得语义结构的紧凑变分自动编码器,实现四倍压缩比并提升重建指标。