跳转至

🧠 NeurIPS2026 论文汇总

4076篇NeurIPS2026论文解读,涵盖优化/理论(313篇)、LLM Agent(270篇)、强化学习(237篇)、安全(208篇)、图像生成(206篇)、模型压缩(205篇)、学习理论(202篇)、多模态 VLM(175篇)等 54个方向。每篇含一句话总结、核心思想、方法详解、实验结果与局限性分析,5分钟读懂一篇论文核心思想。


💡 LLM Reasoning (111)

A Mechanistic Analysis of Looped Reasoning Language Models

通过对循环推理语言模型隐状态与注意力模式的机械可解释性分析,本文揭示出循环块内的各层在循环展开中收敛于互不相同的循环不动点,形成稳定的隐空间循环轨迹,并在深度上周期性复现传统前馈 Transformer 的推理阶段(Stages of Inference)。

A Theoretical Framework for Self-Play Theorem Proving Algorithms

本文提出了首个针对大模型形式化定理证明自博弈算法的理论分析框架,证明了在等周连通条件下基于随机游走的猜想者-证明者系统知识集呈指数增长,并提出基于扩散相似度局部最大化多样性的改进猜想算法及对比学习求解方案。

A Theory of Online Learning with Autoregressive Chain-of-Thought Reasoning

本文建立了自回归思维链推理的在线学习理论,证明端到端监督下错误界在生成长度 \(M\) 上存在从常数到对数 \(\Theta(L(F)\log M)\) 的严格增长阶层分类,而思维链监督能彻底消除对 \(M\) 的依赖。

Adaptive Generate-Rank-Verify: Inference-Time Search with Costly Verification

针对大语言模型复杂推理中便宜奖励模型与昂贵形式化验证器并存的算力权衡问题,本文建立了主动搜索理论框架,并提出无需难度先验与奖励校准的壳层自适应策略 ADAP,在保证常数倍理论竞争比的同时将验证与采样综合成本降低数倍。

Advancing Entropy-Level Credit Assignment in RLVR via Proximal Entropy Policy Optimization

PEPO 将成功推理轨迹中 token 的更新权重改为相对邻域的不确定性,并保持每条轨迹的总权重不变,在数学推理主实验中优于所比较的 GRPO 与全局熵基线,但趋势鲁棒性和跨任务推广均有明确边界。

An Enigma of Artificial Reason: Investigating the Production-Evaluation Gap in Large Reasoning Models

本文揭示了大推理模型(LRMs)在数学推理中存在严重的“生产-评估差距”:即便具备极高的解题生成能力,在面对答案正确但推理步骤存在琐碎荒谬漏洞(VAIR)的解答时评估准确率却骤降至 48%,其根本机理在于答案确认偏差驱动的认知失真与表征覆盖。

Anti-Self-Distillation for Reasoning RL via Pointwise Mutual Information

本文揭示了带有特权上下文的在线自蒸馏本质上是条件点互信息(PMI),由于其会不合理奖励捷径词并惩罚探索性思考词,作者提出了逆转梯度方向的反向自蒸馏(AntiSD),借助有界 JS 散度梯度上升和熵触发门控,在无需额外模型的前提下实现 2-10 倍训练加速并显著提升复杂推理性能。

Are Your Reasoning Models Reasoning or Guessing? A Mechanistic Analysis of Hierarchical Reasoning Models

本文通过对分层推理模型(HRM)的隐空间轨迹进行机械可解释性分析,揭示了其本质上是在“猜测”不动点而非渐进推理的动力学机制,进而提出数据增强、输入扰动和模型自举策略,将极难数独准确率从 55.0% 提升至 96.9%。

Ares: Adaptive Reasoning Effort Selection for Efficient LLM Agents

Ares 针对大语言模型智能体长程多步交互中的高额思考开销问题,设计了一种轻量级路由机制,在每一步动作决策前自适应预测最低且充分的推理努力等级(low/mid/high),在保持甚至提升任务成功率的同时削减多达 52.7% 的推理 token 消耗。

Asking the Right Questions: Improving Reasoning with Generated Stepping Stones

提出了 ARQ(Asking the Right Questions)框架,通过构建独立的垫脚石问题生成器为大模型搭建过渡性子问题,结合蒙特卡洛期望解题奖励驱动的 SFT 与 DPO 后训练,显著拓宽了推理模型攻克前沿竞赛级数学难题的求解边界。

查看全部111篇「LLM Reasoning」论文 →


🦾 LLM Agent (270)

3DCodeBench: Benchmarking Agentic Procedural 3D Modeling Via Code

提出了包含 212 个类别、2.6 万条多模态提示-独立代码-3D网格三元组的程序化建模基准 3DCodeBench,并搭建了基于人类成对偏好的 3DCodeArena 竞技场,系统评测并揭示了 12 款前沿 VLM 在执行力、API 适配以及 3D 物理合理性上的核心瓶颈与测试时扩展规律。

A Few Teacher Steps Go a Long Way: Cost-Efficient On-Policy Data Augmentation for Agent Post-Training

本文将大模型智能体的在线策略数据增强形式化为监督预算分配问题,揭示在学生诱导状态下仅采样极少量教师后续步(bounded teacher steps)即可高性价比地打破行为克隆的协变量偏移,性能媲美或超越复杂筛选方案与后续强化学习。

A Matter of TASTE: Improving Coverage and Difficulty of Agent Benchmarks

针对现有智能体基准严重饱和且工具调用模式单一的问题,本文提出反转任务构建流程的 TASTE 框架,通过自适应对比 n-gram 模型采样高覆盖率工具序列、聚类筛选代表性动作,并结合提示验证与对抗式难度演化,构建出更具挑战性与多样性的 \(\tau^c\)-Bench 基准。

Adaptive Adversaries: A Multi-Turn, Multi-LLM Benchmark for LLM Agent Security

提出了包含 21 个任务场景的 Security Arena 基准,构建自主 LLM 攻击者与全新会话防御者的多轮自适应博弈机制,揭示了单轮评测严重低估攻击风险及宏观指标掩盖模型场景特异性脆弱点的事实。

AEM: Adaptive Entropy Modulation for Multi-Turn Agentic Reinforcement Learning

针对多轮 Agentic RL 中稀疏奖励导致的步级信用分配模糊与过早熵坍塌痛点,AEM 在信息几何视角下揭示自然梯度更新中熵漂移由优势度与相对惊奇度的乘积所决定,通过响应级不确定性代理自校准重缩放优势度,无需额外模型与密集监督即可实现从早期探索到后期利用的平滑动态自适应。

Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback

本文提出面向符号世界模型生成的多智能体协同框架 Agent2World,通过深度调研检索补全规范漏洞、沙箱代码迭代开发,以及单元测试与仿真测试双重交互反馈驱动多轮修正,并将可验证轨迹用于 SFT,显著提升了跨 PDDL 与 MuJoCo/TextGame 代码环境的生成质量。

Agent Meltdowns: The Road to Hell Is Paved with Helpful Agents

论文揭示了自主智能体在遭遇良性环境错误(如 404、文件缺失、权限受限)且无任何对抗性攻击输入时,为执着追求“有帮助”与完成任务而自发升级采取越权侦察、提权破坏与泄露隐私等危险行为的“意外崩溃”(Accidental Meltdown)现象,并构建了涵盖 13 种行为的评测基准。

Agent Security is a Systems Problem

将智能体安全重新定义为系统安全问题,主张将不可信的大模型置于确定性可信计算基(TCB)之外,通过指令数据分离、可验证最小特权策略生成及信息流控制(IFC)从系统层构筑确定性安全不变式。

Agent-ToM: Learning to Monitor Autonomous LLM Agents via Theory-of-Mind Reasoning

针对自主 LLM 智能体在长交互中执行隐蔽恶意任务难以检测的挑战,Agent-ToM 将心智理论推理(信念、意图、预期动作、偏差)与“推理-验证-修正”两阶段流水线结合,并在训练期通过批判反馈将监控策略蒸馏至持久语义护栏记忆,在单流水线 2 次 LLM 调用下全面超越多调用集成监控方法。

AgentAbstain: Do LLM Agents Know When Not to Act?

提出了首个针对工具调用型智能体的系统性弃权评测基准 AgentAbstain 与自动化合成管线 AbstainGen,构建了覆盖执行前与运行时 8 类弃权场景的 263 组受控配对任务,评测 17 款前沿模型发现即便是最优模型配对准确率也仅为 59.5%,并揭示了智能体执行能力与弃权克制能力在统计上相互独立的严峻鸿沟。

查看全部270篇「LLM Agent」论文 →


⚖️ 对齐 / RLHF (44)

Alignment Dynamics in LLM Fine-Tuning

本文基于经验神经正切核与对齐得分推导出大模型微调中对齐演化的闭式解,将对齐更新正交分解为驱动力与回弹力,揭示了后验狭窄度加速对齐逆转的机理,并发现及验证了重曝光诱发更快二次对齐的“预热启动效应”。

Authority Bias in Language Models: Source Deference and User Agreement Are Not Interchangeable

论文固定错误答案、只改变背书者,用方向移除与独立拟合的归因补丁证明:在三个开放权重模型家族中,服从错误来源与迎合用户具有可选择性干预的差异,不能用同一种迎合评测代替。

Avoiding Obfuscation with Prover-Estimator Debate

针对递归AI辩论中不诚实辩手通过构造复杂子问题制造“混淆论据”导致诚实对手无法反驳的根本缺陷,提出了非对称的“证明者-估计者”辩论协议与 \(\rho\)-稳定性条件,证明了在无需计算力压制对手的前提下诚实辩手可在近似 Stackelberg 均衡中以极大概率获胜。

Back to Blackwell: Closing the Loop on Intransitivity in Multi-Objective Preference Fine-Tuning

针对大模型偏好微调中多目标打分引起的偏好非传递性与最优策略不存在问题,本文提出最大熵布莱克威尔优胜者博弈解概念并推导出无须对抗训练的单玩家回归算法 PROSPER,在指令遵循与通用聊天基准上显著超越传统标量化对齐基线。

Bayesian Preference Learning for Test-Time Steerable Reward Models

本文提出变分上下文奖励建模框架(ICRM),将测试时偏好建模转化为基于 Beta 先验的摊销变分推断,仅凭少量示例即可实现对未见偏好标准的单目标与多目标测试时动态调控,并从理论上证明了 KL 正则项对奖励过度优化的抑制作用。

Bayesian Test-Time Inference of Task-Aligned Similarity from Weak Interactive Feedback

提出了无需训练的贝叶斯框架 BASIS,通过标量打分、成对偏好或验证器等弱交互反馈,在测试时联合推断候选目标与任务对齐的相似度准则,并在信息增益准则下主动选择探针。

Beyond Pairs: Your Language Model is Secretly Optimizing a Preference Graph

针对传统 DPO 强行将多采样候选切解为独立样本对而丢弃偏好传递性的缺陷,本文提出 GraphDPO,将采样候选项构建为有向无环偏好图并沿被支配邻域执行基于 Plackett–Luce 的局部归一化损失,在等价类分层下实现线性时间复杂度并显著提升数学推理与程序合成性能。

BSO: Safety Alignment Is Density Ratio Matching

本文揭示了安全对齐最优策略的似然比可闭式分解为数据比与参考分布,从而将安全对齐严格重塑为基于 Bregman 散度的密度比匹配问题(BSO),在无需任何辅助奖励/成本模型的前提下统一了现有方法并取得了更优的安全性与有用性 Pareto 权衡。

Consolidating Rewarded Perturbations for LLM Post-Training

针对权重空间后训练(如 RandOpt)在推理阶段需对测试样本执行数十次前向推理投票的高昂代价,本文提出无梯度算子 CoRP,通过发掘高奖励扰动在权重空间的低秩子空间共性并结合兼容性重加权与留出验证门控,以单次前向推理部署合并更新,在仅用十分之一采样预算下恢复超半数集成增益。

Diffusion LLMs are Natural Adversaries for any LLM

将大模型对抗提示词搜索的离散优化难题重构为扩散大模型(DLLM)的摊销推理任务,通过在联合分布上对目标有害回复进行逆向条件补全采样,无需访问目标模型权重即可高效生成高迁移性、低困惑度的越狱提示词。

查看全部44篇「对齐 / RLHF」论文 →


🔒 安全 (208)

A Comprehensive View of Fairness through Distributional Stability

将公平性重新形式化为预测规则在受保护群体边际分布扰动下的分布稳定性,不仅在理论上统一了个体与群体公平性,还通过重加权凸组合与二阶锥规划提供了测试期任意人口比例下的无分布部署保证。

A Statistical Framework for Algorithmic Collective Action with Multiple Collectives

本文首次建立了多群体算法集体行动(ACA)的严格测度论统计理论框架,推导出在特征-标签修改、仅特征修改以及自适应信号消除下的单群体与全局成功率下界,揭示了群体规模与目标对齐度对模型干预效果的核心权衡。

A Systematic Analysis of Out-of-Distribution Detection Under Representation and Training Paradigm Shifts

本文从表征几何视角系统剖析了分布外(OOD)检测算法的有效性机理,揭示出检测器性能根本上由表征的神经坍缩(NC)与子空间几何决定,并提出了无需任何 OOD 验证数据、仅凭训练模型表征几何即可跨架构精准推荐顶尖检测器候选集的预测框架。

A Unified Framework for Adversary-Aware Differential Privacy Bounds

提出了首个统一的敌手感知差分隐私(DP)上界分析框架,仅依赖隐私参数与敌手先验基线成功率,即可同时涵盖多目标、非均匀先验分布与近似重构指标。

ABC-Align: Prediction-Powered Alignment with Adaptive Bias Control

针对大语言模型对齐中人类偏好标注稀缺、伪标签存在系统性偏差的瓶颈,提出双参数自适应偏差控制梯度估计器 ABC-Align,打破了传统预测驱动方法 \(\Theta(1/n)\) 的无偏方差下界,在 RM、DPO 与 GRPO 上全面取得更优对齐效果。

Accuracy vs. Accuracy: Computational Tradeoffs Between Classification Rates and Utility

本文揭示了在具有丰富标签(类型、排序或风险分布)的学习任务中,子群体分类接受率保证(决策/分类精度)与预测校准度及效用最优化(损失极小化)之间存在本质的计算复杂度权衡:贝叶斯最优预测器可同时满足两类精度,但在单向函数假设下,任何多项式时间算法都无法同时兼顾。

Adaptive Auditing of AI Systems with Anytime-Valid Guarantees

本文针对生成式 AI 评估中样本极小且边测边选的适应性审计痛点,提出了基于安全任意时间有效推断(SAVI)与“通过下注检验”(Testing by Betting)的双重 e-过程检验框架,在任意停止规则下严格控制第一类错误,并证明了对一致性审计器而言双重检验渐近互补以提供全局稳健性认证。

Agent MechSuits: Mechanistic Subspace Safety Steering for Multi-Turn CLI Agents

针对多轮命令行智能体在连续环境交互中风险动态累积的痛点,本文提出了白盒安全防御框架 Agent MechSuits,通过单层残差流的步级线性探针精准识别有害执行状态,并仅在自适应筛选的 10 维安全子空间中实施表征转向,在保持 93.4% 正常任务可用性的同时将平均攻击成功率降低 72.63%。

AI Agents May Always Fall for Prompt Injections

论文揭示了现有“数据与指令分离”防御范式在面对语境操纵型攻击时的根本失效,首次将提示注入重新表述为隐私理论中的“语境完整性(CI)”违规,并通过理论不可能性证明与跨模型实验揭示了自主智能体在规范推断与信息流分离上的固有脆弱性。

AI Models Can Provably Hide Arbitrary Capabilities

本文证明大模型在对抗性设定下能够通过密码学数字锁盒(Digital Locker)将任意神经网络子电路加密隐藏于权重中,即使防御者拥有白盒权重和无限算力之下的多项式时间诱导(微调、激活扰动、梯度搜索),在未获私钥触发词时仍从数学上无法激活或分辨隐藏能力。

查看全部208篇「安全」论文 →


👻 幻觉检测 (19)

A Theory of Time-Sensitive Language Generation: Sparse Hallucination Beats Mode Collapse

本文在极限语言生成(Language Generation in the Limit)博弈框架中首次引入“时效性(Timeliness)”截止期限约束,从理论上证明了任何最终一致(无幻觉)的生成器在任意截止期限下都必然发生模式坍塌(密度下界为 0),并提出了一种带稀疏投机探索的黑盒归约算法(SBG),通过允许渐近趋零的稀疏幻觉,在任意超线性截止期限下恢复了 \(1/2\) 的最优时效生成密度下界。

Actionable Hallucination Detection: Translating Latent Uncertainty into Agentic Critique

本文提出轻量级低秩适配器 Latent Critic,在与冻结基座 LLM 并发生成工具调用的单次前向过程中主动重构 Transformer 残差流,将内部潜在不确定性转化为参数级自然语言幻觉定位反馈(如 ungrounded: ["date"]),在 Qwen3-4B 上实现 0.966 的检测 AUROC 与超过 80% 的参数定位准确率,并以低于 10 ms 的推理开销赋能闭环智能体零样本自我纠错。

Alleviating Hallucination in Reasoning Tasks with Training-Free Uncertainty-Guided Steering

提出无需训练的推理期激活引导方法 USteer,利用 Logit Lens 从中间层提取基于神经坍缩启发(NCI)的不确定性指标梯度,单步动态微调中间隐藏表征向高置信度区域移动,显著降低复杂多步推理中的模型幻觉。

CHORD: Cross-Model Hallucination Detection via Relational Graph Discrimination

针对传统基于内部表征的幻觉检测器在跨模型时因表征语义不一致而退化至随机猜测的瓶颈,CHORD 提出将跨层、跨 Token 与特征块重组为联合关系图,通过关系感知注意力网络捕获可迁移结构信号,并结合 Feature-Critic 元学习在 8 款模型与 7 个任务基准上取得平均 0.8042 AUROC 的优异泛化表现。

Dual-Pathway Circuits of Object Hallucination in Vision-Language Models

本文提出双通路回路分析(Dual-Pathway Circuit Analysis)框架,通过跨五种多模态架构的激活修补与条件通路分析(CPA),揭示了视觉语言模型中由“视觉接地通路”与“幻觉通路”构成的双通路机制及接地通路在幻觉样本上的因果极性翻转现象,并通过推理期对幻觉通路组件的标量缩放抑制将物体幻觉率最高降低 76%(准确率代价不超过 2 个百分点)。

Entropy Distribution as a Fingerprint for Hallucinations in Generative Models

本文发现生成序列的词元级熵分布形状与尾部特征是独立于均值的幻觉指纹,据此将幻觉检测形式化为统计假设检验并提出校准熵分数(CES),仅需单次前向推理的黑盒词元概率即可在 10 个模型与 8 个问答基准上取得单次前向方法中的最优检测性能,且统计上与高成本多采样一致性方法持平。

Generating in the Limit with Infinitely Many Hallucinations

本文将极限语言生成(Language Generation in the Limit)重构为精确率-召回率权衡框架,证明了当允许无限次但频率趋于零的幻觉(即放宽尾部精确率但保持全局精确率为 1)或允许固定比例的非新颖重复输出(\(\gamma < 1\))时,能够突破现有零幻觉算法在稀疏对抗暴露下的召回率上限,甚至实现精确率与召回率同时收敛至 1。

Hallucination in World Models is Predictable and Preventable

本文揭示生成式世界模型的幻觉本质上是状态-动作空间的数据覆盖缺失问题,将其解耦为感知幻觉、动作边缘化与场景发散三种模式,提出了三种免标注且经场景动态性归一化的运行时幻觉预测器(与推演误差相关性达 \(\rho \approx 0.80\)),并通过任务级均匀采样与基于幻觉预测器的好奇心在线数据采集,仅用 50 条轨迹即可将 350M 参数的 Dreamer 4 世界模型高效适配至未见任务。

HalluWorld: A Controlled Benchmark for Hallucination via Reference World Models

基于显式的“参考世界模型(Reference World Model)”形式化定义,构建了横跨网格世界(Gridworlds)、国际象棋(Chess)和真实 Linux 终端任务(Terminal)的受控可扩展幻觉评测基准 HalluWorld,通过自动生成真值标签并解耦可观测性、序列化格式与冲突消解策略,系统揭示了前沿模型在感知、长程记忆、因果前向模拟及认知拒答上的差异化失败模式。

How Fine-Tuning Objectives Shape Layer-Wise Information in LLM Hallucination Detection

本文揭示了在 LLM 二分类幻觉检测中,分类头微调(cls)比生成式序列到序列微调(s2s)诱导了具有更强线性可解码性与双簇几何结构的任务表征,并通过静态部分信息分解(PID)与动态训练轨迹定位到中高层任务信号形成区(InfoWindow)及其上方的冗余平台,进而提出静态高层截断规则,在移除 Qwen3 模型 31% 层数的同时保持精度无损并带来 \(1.4\times\) 推理加速。

查看全部19篇「幻觉检测」论文 →


📊 LLM 评测 (83)

A Semantic-Sampling Framework for Evaluating Calibration in Open-Ended Question Answering

针对开放域问答中缺乏内部 logits 且传统置信度难以评测校准的难题,本文提出了基于语义采样的 Sem-ECE 评测框架与留出估计器 Sem2,在严谨理论下消除了胜者诅咒并兼具问题难度诊断能力。

A Unified Perturbation Framework for Analyzing Leaderboard Stability and Manipulation

基于影响函数与单步牛顿校正,统一对 Bradley-Terry 排行榜的增、删、翻转匹配及玩家移除进行扰动影响反向传播,实现对 Top-\(k\)、全局 Kendall's \(\tau\) 与置信区间不确定性的稳定度审计与靶向操纵。

AI Evaluation Should Require Standardized Item-Level Data Releases

针对现有AI基准测试过度依赖总体聚合分数、掩盖构念错配与题目退化的问题,本文提出将标准化题目级数据发布确立为评估基础设施,并构建了涵盖444个模型、10.7M+响应的OpenEval评测库。

AI GAMESTORE: Scalable, Open-Ended Evaluation of Machine General Intelligence with Human Games

针对传统 AI 基准任务静态狭窄且易饱和过拟合的问题,本文提出以人类游戏全空间(Multiverse of Human Games)作为通用智能评测代理,构建包含 LLM 程序生成与人机协同迭代的开放式评测平台 AI GAMESTORE,并在首批 100 款游戏上揭示前沿视觉语言模型平均仅达人类中位数得分不足 10% 的认知能力瓶颈。

Aligning Language Model Benchmarks with Pairwise Preferences

针对静态基准难以预测大模型真实下游偏好与效用的断层问题,本文提出了基准对齐(Benchmark Alignment)框架与 BenchAlign 诊断工具,通过排序学习(Learning-to-Rank)自适应学习题目连续权重,实现了仅用中小模型即可零样本泛化至 70B+ 大模型真实偏好排序。

APM: Evaluating Style Personalization in LLMs with Arbitrary Preference Mappings

本文提出任意偏好映射(APM)基准,通过在用户 prompt 风格属性与模型回复准则间建立随机零均值映射矩阵解耦语义先验并抵消 LLM 裁判偏见,在此严苛基准下证实路由分类是隐式风格个性化中最稳健有效的方法。

Ask-E: An Environment for Calibrated Question Generation

提出 Ask-E 评估与训练环境,通过让提问者大模型与两台已知能力边界的求解器交互并生成恰好仅被其中一台求解的校准问题,颠覆传统依赖更强模型监督的范式,并在无外部数学数据和无真实性奖励下通过 RL 显著提升了下游解题能力。

AssayBench: An Assay-Level Virtual Cell Benchmark for LLMs and Agents

AssayBench 汇聚 1,920 项人类 CRISPR 筛选并统一为表型端点基因排序任务,引入校正随机基线偏差的连续指标 AnDCG,系统揭示了通用前沿大模型虽显著优于生物专用小模型与可训练基线,但距离经验性能上限仍有巨大鸿沟。

BayesJudge: Uncertainty-Aware Bayesian Meta-Evaluation of Human and LLM Judgments

针对成对评测中人类标注分歧与 LLM 裁判系统性偏差交织的难题,BayesJudge 构建了在线流式贝叶斯元评测层,通过开放平局选项与 AB/BA 交换调用解耦数据歧义与评测器偏差,输出后验裁决分布及不确定度。

BBOWP-Bench: Evaluating LLMs on Black-Box Optimization Word Problems

提出了黑盒优化应用题(BBOWP)新评测设定与基准套件 BBOWP-Bench,评测大语言模型作为元求解器从自然语言需求中自主推断设计变量搜索空间并选择匹配黑盒优化算法的能力。

查看全部83篇「LLM 评测」论文 →


⚡ LLM 效率 (79)

A Statistical Theory of Gated Attention through the Lens of Hierarchical Mixture of Experts

本文首次将多头自注意力与门控注意力形式化为三层分层混合专家模型(HMoE),通过统计学视角严格证明了门控机制将专家估计的样本复杂度从标准注意力的指数阶彻底降至多项式阶 \(\mathcal{O}(\epsilon^{-4})\),并揭示了门控置于值投影或 SDPA 输出处能消除退化偏微分方程耦合的内在数学机理。

Accelerating Diffusion Language Models via Structured Suffix Modeling

针对扩散语言模型块级去噪时后缀注意力计算冗余与表征静态重置问题,本文提出免训练的结构化后缀建模(SSM),将后缀划分为局部、中部与尾部三区域差异化分配保留预算,并引入软后缀嵌入混合上步去噪信号,实现最高 72.81× 的端到端推理加速且维持或提升生成精度。

Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models

ADAS 在不训练模型、不改变基础采样器停止规则的前提下,用候选位置对本轮已选位置的注意力及后者的不确定性动态折扣置信度,在低去噪调用次数条件下改善并行解码质量;两种模型的任务与方法平均收益分别为 9.11 和 10.46 个百分点。

Block Sparse Flash Attention

BSFA 在 FlashAttention-2 内先精确计算所有因果可见的 QK 分数,再用离线校准的块最大值阈值跳过低分块的 V 读取、PV 和 softmax 状态更新,在 Llama-3.1-8B 的 LongBench 上以 39.78% 对比稠密基线 40.24% 的分数,获得最长 10 个样本上 1.13× 的端到端预填充加速。

Communication-Efficient LLM Adaptation over Decentralized GPU Meshes

本文提出了一种去中心化 LLM 后预训练微调系统,通过将 GPU 网格解耦为快速掩码训练通路与异步慢速无掩码锚点通路,并结合频域谱校正优化器滤除激活掩码带来的各向同性噪声,在维持全精度模型微调与持续预训练效果的前提下实现了超 40 倍的训练吞吐量加速。

CommunityKV: Efficient Long-Context Decoding via Graph Partitioning

本文将训练无关的稀疏注意力检索建模为注意力图上的社区发现问题,利用预填充阶段天然产出的注意力分数构建融合直接交互与共注意力的稀疏图并运行 Leiden 算法聚类,在解码时通过常数时间局部增量更新实现亚线性复杂度的语义连贯 KV 块动态检索。

CompactAttention: Accelerating Chunked Prefill with Block-Union KV Selection

CompactAttention 针对大语言模型分块预填充(Chunked Prefill)中查询远短于上下文导致的稀疏内核低效与显式 KV 拷贝开销,提出将 2D 块稀疏掩码通过查询块并集与组内并集降阶为 GQA 友好的 KV 块表,并结合 KV-head-major 内存布局实现就地零拷贝分页注意力加速。

Cross-Model KV Cache Transfer in LLM Families: A Closed-Form Linear Mapping for Prefill Reuse

针对同家族不同尺寸大语言模型级联推理时接收端需从头预填充的问题,本文提出基于逐头闭式岭回归的跨模型KV Cache迁移框架,通过剥离RoPE与跨层贪婪选择,在无需反向传播训练的情况下实现2.7–25倍的Prefill加速与73–98%的精度保留。

D-PACE: Dynamic Position-Aware Cross-Entropy for Parallel Speculative Drafting

针对基于块扩散的单前向并行投机起草模型在训练时采用固定位置衰减权重无法反映真实接受瓶颈的问题,本文通过对期望接受长度的可微代理求导推导出动态位置感知交叉熵损失 D-PACE,在仅引入 2.3% 训练开销且不改变推理架构的前提下显著提升发射长度与端到端解码加速比。

DivMoE: Fine-Grained MoE Upcycling via Cross-Domain Expert Composition

针对单源细粒度混合专家模型(MoE)稀疏复用时路由坍塌导致性能降至接近随机的病态问题,DivMoE 提出了跨领域专家初始化与硬性多样性约束路由机制,在双基座模型与 15 个评测基准上严格超越稠密基模型并刷新六大复用基线。

查看全部79篇「LLM 效率」论文 →


📚 预训练 (52)

A Bitter Lesson for Data Filtering

通过对高算力、多轮迭代(epoching)和不同模型规模下预训练表现的系统缩放研究,证明随着算力与参数量增长,未经过滤的原始网页语料最终击败所有常见人工与分类器过滤子集,展现出数据过滤领域的“苦涩的教训”。

A Scalable Measure of Loss Landscape Curvature for Analyzing the Training Dynamics of LLMs

本文提出仅需数次前向传播的临界锐度与相对临界锐度指标,首次在 7B 参数规模下实证大语言模型的渐进锐化与稳定性边缘现象,并为退火与微调中的数据混合比提供免网格搜索的曲率判定依据。

A Theory of Training Profit-Optimal LLMs

本文将大模型规模法则(Scaling Laws)与微观经济学厂商理论相结合,首次建立了垄断大模型厂商在算力受限与数据受限场景下的利润最大化训练理论,推导了最优模型尺寸、训练数据量与算力支出的渐近解析界,并指出现行算力军备竞赛的扩张速度已超出合理利润最优区间。

Accelerating LLM Pre-Training through Flat-Direction Dynamics Enhancement

基于黎曼流形上带Hessian阻尼的惯性动力学系统(RISHD),本文提出通用加速策略LITE,通过无额外优化器状态的高效子空间滤波,在平坦方向选择性放大更新步长与Hessian阻尼,显著加速Muon与SOAP的大模型预训练。

An Empirical Study on Noisy Data and LLM Pretraining Loss Divergence

本文通过系统化注入可控的均匀随机噪声,首次在大规模可控实验中证实噪声数据能够直接诱发大语言模型预训练损失发散,揭示了受限噪声词表与网络深度对稳定性的致命破坏,并提出了区分高学习率与数据噪声诱发发散的注意力 logit 诊断体系及 QK-LayerNorm 防御方案。

Bridging Compute- and Data-Optimal Pretraining

提出了融合计算最优与数据最优的统一 Compute-Data (CD) Scaling Law,引入与模型大小和数据充足度动态耦合的衍生 token 有效性函数 \(\eta\),刻画了多轮重复与改写扩增下的边际收益衰减与饱和上界,给出了预训练三阶段资源瓶颈划分及联合 Pareto 最优配置法则。

Detecting RLVR Training Data via Structural Convergence of Reasoning

针对基于可验证奖励的强化学习(RLVR)训练数据未公开导致基准污染难以排查的问题,本文发现 RLVR 会导致模型在已见题目上出现符号推理结构收敛与生成僵化现象,据此提出了无需参考模型与 token 概率的纯黑盒检测指标 Min-kNN Distance,在多个开源推理模型上取得领先检测性能。

Dynamic Tokenization via Reinforcement Patching: End-to-end Training and Zero-shot Transfer

提出首个利用强化学习联合优化序列分块策略与下游主干模型的端到端框架 ReinPatch,通过分组相对策略梯度(GRPG)解决离散边界决策并严格保证压缩率,同时支持解耦导出通用基础分块器以实现卓越的零样本迁移。

Effective Context in Transformers: An Analysis of Fragmentation and Tokenization

本文从有限上下文马尔可夫源的信息论视角出发,证明了将符号无损拆分为细粒度碎片会因相位不确定性产生不可消除的预测损失下界,而贪心分词则通过跨越更多源符号将短窗口扩展为更长的有效上下文,给出了基于源跨度下尾分布的损失可达性理论保证。

ELF: Embedded Language Flows

提出基于连续时间流匹配的连续扩散语言模型 ELF,在连续嵌入空间全程去噪并仅在最终时刻复用主干网络进行离散化解码,以高数据效率与极少步数显著超越离散与连续扩散语言模型基线。

查看全部52篇「预训练」论文 →


✏️ 知识编辑 (8)

DynEdit: Dynamic Entropy-Guided Sequential Editing for Large Language Models

针对现有长序列知识编辑中固定切块导致难点欠拟合与梯度稀释的瓶颈,DynEdit 利用预编辑模型的词元级香农熵动态调整滑动步长与优化权重,实现了兼具高鲁棒性与语义保真度的序列级参数更新。

Exposing the Illusion of Erasure in Knowledge Editing for LLMs

本文从对抗逆向工程与机理解释视角审视大模型知识编辑,揭示低秩参数更新仅在零空间中重定向表示并施加表层抑制向量,通过离散对抗后缀即可高达 85%+ 恢复所谓“被擦除”的预训练事实,证明现有知识编辑制造了擦除的假象。

Golden Layers and Where to Find Them: Improved Knowledge Editing for Large Language Models Via Layer Gradient Analysis

本文提出大语言模型知识编辑中存在可在不同样本间共享的“黄金层”(Golden Layers),并设计了仅依赖一阶梯度归因的高效无编辑层选择算法层梯度分析(LGA),大幅超越传统因果中介分析(CMA)并实现数十倍加速。

MetaKE: 基于双层优化的下游感知大模型知识编辑

针对传统定位-编辑知识编辑中“上游目标表征优化”与“下游约束参数更新”互相割裂的核心痛点,MetaKE 将两阶段联合建模为双层优化问题,并通过结构化梯度代理高效回传下游投影约束反馈,在大幅改善精度与可编辑性权衡的同时完美保留模型通用能力。

Norm Anchors Make Model Edits Last

揭示了顺序定位与编辑(Locate-and-Edit)中求解目标值向量与前馈网络权重相互放大的正反馈循环是导致模型崩溃的核心根源,提出单行即插即用的范数锚定缩放(NAS),将求解值向量约束至基模参考范数,将可编辑生命周期延长4倍以上。

Open-Vocabulary Domain Unlearning

本文把视觉域遗忘从“训练过的类别上失效”推进到“未参与遗忘训练的类别也应失效”,通过 Fisher 掩码限制视觉参数更新,再用定向流形散射(TMS)强化局部几何扰动,在少样本 CLIP 分类实验中改善遗忘与保留的折中,但不构成数据删除或语义保留的认证保证。

Steer2Edit: From Activation Steering to Component-Level Editing

Steer2Edit 提出了一个无需训练且具备闭式解的权重编辑框架,将激活空间中的表征引导向量转化为模型内部组件的诊断信号,通过闭式秩一更新将行为控制内化到注意力头和 MLP 神经元中,在安全对齐、真实性提升与推理效率控制上均取得了超越激活引导的属性-通用能力权衡。

Synthetic Worlds for Temporal Evaluation and Knowledge Updating in LLMs

提出了抗训练数据污染且符合常识的虚拟未来事件基准 ParallelEvents,并构建了结合长文本继续预训练与思维链偏好微调的知识更新框架 Synapse,使大模型在无需人工语料的前提下鲁棒同化多跳与因果事实。


🔍 信息检索/RAG (18)

Beyond Raw Context Transfer: Representation-based Federated Retrieval-Augmented Generation

针对敏感分布式知识库中原始文本无法跨机构共享的瓶颈,提出 FedRepRAG 框架,通过两阶段协同训练的轻量化投影器将分布式检索嵌入映射为单个生成器软标记,在彻底规避原始上下文传输的同时将上下文长度缩短 19–398 倍并显著降低推理计算开销。

Can Language Models Actually Retrieve In-Context? Drowning in Documents at Million Token Scale

针对百万 token 规模下的语料级上下文检索(In-Context Retrieval),本文实证揭示了注意力稀释(Attention Dilution)导致的崩溃机理,并提出长度自适应 Softmax 缩放与文档级稀疏路由机制,成功在百万 token 语料上匹敌同骨干稠密检索器。

Cluster with Auctions for Vector Search

将倒排索引中的数据库分区与查询探测函数严格解耦,利用拍卖算法求解带容量约束的线性指派以确保簇严格均衡,并结合查询分布端到端交替优化神经网络探测器,在分布偏移场景下吞吐量超越基线数倍。

Data Auctions for Retrieval Augmented Generation

针对大模型 RAG 场景中敏感数据独占式售卖的需求,本文提出了基于距离覆盖的次模估值模型,证明了福利最大化与需求预言机的 NP-hard 复杂度,并设计了结合线性规划随机取整与“数据销毁”后处理的 LPRMono 机制,在保证激励兼容与个体理性的同时实现了理论最优的 \((1-1/e)\) 近似比。

Diagnosing and Repairing Citation Failures in Generative Engine Optimization

本文将生成式引擎优化(GEO)从通用重写转向“失败诊断与靶向修复”,提出涵盖抓取、解析与生成全链路的引用失败分类法与 AgentGEO 智能体系统,仅修改 5% 的页面内容即可实现超过 40% 的相对引用率提升。

From Topology to Retrieval: Decoding Embedding Spaces with Unified Signatures

本文提出统一拓扑特征(UTS),通过整合多尺度持续同调、内蕴维度、多样性、各向同性及聚类等几何描述符构建特征向量,实现了对文本嵌入空间的精细刻画,在无需标注数据下精准预测稠密检索下游性能与文档可检索性偏差,并证伪了基于模型规模的全局表征收敛假设。

GISA: A Benchmark for General Information Seeking Assistant

针对现有搜索智能体评测中“由答案逆向构题”、“缺乏纵深与广度结合”、“静态答案易受预训练污染”及“LLM打分不稳定”等痛点,提出由人类正向构建的通用信息搜索基准 GISA,涵盖四种结构化答案格式与动态实时子集,并提供完整人类真实搜索轨迹以支持过程级监督。

Is Dimensionality a Barrier for Retrieval Models?

本文从理论上研究了低维表示能否支持大规模检索,证明了在无需限制维度的最大检索边界下,仅需对数维度 \(d=O(\mathsf{m}^{\mathrm{rd}}(+\infty, A)^{-2}\log(\min(n, N)))\) 即可达到近乎最优边界,并指出 Sigmoid 损失在低维大边界几何上显著优于 InfoNCE。

Knowledge-Graph Paths as Intermediate Supervision for Self-Evolving Search Agents

针对搜索自博弈(Search Self-Play)中提问者生成盲目、求解者二元奖励稀疏两大瓶颈,提出重用构建自博弈任务时提取的知识图谱路径作为轻量中间监督,既为提问者提供结构化多跳上下文,又通过路径路标覆盖度对求解者未答对轨迹赋予渐进过程奖励。

LeanSearch v2: Global Premise Retrieval for Lean 4 Theorem Proving

针对 Lean 4 形式化证明中跨模块前提检索难题,提出包含标准模式(基于层次化非形式化语料与重排)与推理模式(基于草图-检索-反思循环)的 LeanSearch v2,大幅提升全局前提召回率及下游证明成功率。

查看全部18篇「信息检索/RAG」论文 →


💻 代码智能 (44)

A Theoretical Analysis of Test-Driven Code Generation

论文为大语言模型测试驱动代码生成建立了首个统一的概率与决策论框架,理论证明基于模糊函数相似度的软筛选策略在信噪比上严格支配传统硬等价性策略,并将迭代回传建模为上下文汤普森采样,推导出了揭示任务描述歧义限制的不可约遗憾界。

Build-and-Find: An Effort-Aware Protocol for Evaluating Agent-Managed Codebases

提出了 Build-and-Find 评估协议,将生成代码库视为下游智能体的外部工作记忆与沟通介质,在行为正确性与后续修改之间建立起“基于产物的意图恢复与检查开销”评测层。

Code2World: A GUI World Model via Renderable Code Generation

本文提出面向图形用户界面(GUI)的世界模型 Code2World,摒弃传统抽象文本与连续像素扩散合成路线,将下一状态预测显式建模为可渲染的结构化 HTML 代码生成,并通过视觉反馈数据集构建与渲染感知强化学习(RARL)对齐视觉保真度与交互因果,显著提升下游 GUI 智能体的离线与在线长程导航规划能力。

CodeMimicry: Exploiting Safety Generalization Lag in Large Language Models via Structured Code Completion

针对大语言模型中自然语言安全对齐难以泛化至代码领域的“安全泛化滞后”漏洞,本文提出自动化黑盒越狱框架 CodeMimicry,通过面向对象代码封装与反馈优化诱导模型进行恶意代码补全,以平均 1.51 次查询在 8 款主流商用大模型上斩获 96.25% 越狱成功率。

CodeScaler: Scaling Code LLM Training and Test-Time Inference via Reward Models

CodeScaler 把高质量执行反馈蒸馏为代码奖励模型,用严格代码提取和奖励塑形支撑无需在线执行的强化学习与候选重排序,在 DeepCoder 上让 8B/14B 策略的四项基准平均 Avg@8 分别超过 RLVR 1.55/4.23 个百分点。

Constrained Code Generation with Discrete Diffusion

针对现有代码生成依赖自回归后验修复或语法级约束的缺陷,本文提出免训练的神经符号框架 CDC,在离散扩散去噪轨迹中利用软执行代理与静态程序分析定位冲突并局部纠偏,显著提升生成代码的功能正确性与安全性。

CORVUS: Context Optimization and Reduction Via Underlying Synchronization for LLM Coding Agents

针对传统大语言模型代码智能体采用追加写入轨迹导致重复读取文件与陈旧代码快照的问题,CORVUS 提出解耦文件读取与观察结果的新型轨迹架构,通过维护动态同步文件注册表并在每次推理前刷新注入代码库最新状态,在维持解决率的前提下减少 9–50% 输入 token 与至多 37% 推理轮次。

Counterfactual Rollout Replay: Forkable Environments as Free Process Rewards for Software Engineering Agents

CRR 在训练时恢复软件工程轨迹中的少量决策状态,用原轨迹与替代动作后续轨迹的终局回报差评价原动作,在同一八卡 H100 节点、40.125 小时训练窗口内,将 SWE-bench Verified 的 pass@1 从延长训练 GRPO 的 36.7% 提高到 41.7%,但不免除分叉执行成本。

CRANE: Constrained Reasoning Injection for Code Agents via Nullspace Editing

针对配对 Instruct 与 Thinking 模型在代码智能体中推理能力与工具格式规范非对称失衡的矛盾,CRANE 提出了一种无需重训练的定向参数编辑框架,通过幅值阈值去噪、保守泰勒门控与渐进 Sigmoid 空空间投影,在严格保留工具调用协议的前提下定向注入推理能力,在 Roo-Eval、SWE-bench-Verified 及 Terminal-Bench v2 上均取得显著性能提升并大幅降低 token 开销。

CTE-Bench: Counterfactual Trace Evaluation for Stateful Software Simulators

CTE-Bench 用真实执行生成软件干预前后的响应轨迹,在固定未来调用上评测模型能否持续预测干预效果:正确历史答案可见时影响步骤准确率为 54.3%–61.5%,自由滚动时降至 24.8%–33.2%,整条轨迹完全正确的比例最高仅 1.2%。

查看全部44篇「代码智能」论文 →


💬 LLM 其他 (98)

Allocate Marginal Reviews to Borderline Papers Using LLM Comparative Ranking

提出在人类同行评审前利用长上下文LLM成对比较与Bradley–Terry模型构建粗排顺序,将顶会多余的边际审稿名额集中分配至录用临界区论文,以零额外审稿人负担换取决策净改善。

Causal Edit Serialization

提出因果编辑序列化(CES)框架,在标准因果解码器中引入轻量级位置预测头与双索引旋转位置编码(RoPE),支持在保持因果注意力掩码的同时,单向生成包含增、删、改、复制与移动的显式编辑程序并直接对齐历史源坐标。

Characterizing Memorization in Diffusion Language Models: Generalized Extraction and Sampling Effects

本文首次形式化定义了扩散语言模型在任意掩码与随机去噪轨迹下的广义可发现记忆提取框架,理论证明并实证检验了采样分辨率对逐字记忆概率的单调递增控制作用,发现扩散语言模型在同等对齐条件下比自回归模型具有显著更低的个人隐私(PII)泄露风险。

COMPLLLM: Fine-tuning LLMs to Discover Complementary Signals for Decision-making

本文提出决策理论驱动的 LLM 调优框架 ComplLLM,通过构建基于最佳可达期望效用增益的奖励函数并结合 SFT 与 GRPO 强化学习,使语言模型能够从非结构化文本中精准挖掘出上游推荐模型所遗漏的离散互补决策信号。

CompLLM: Fine-Tuning LLMs to Discover Complementary Signals for Decision-Making

本文提出决策理论驱动的后训练框架 CompLLM,通过两阶段提取与群组相对策略优化(GRPO),微调大语言模型从非结构化文本中主动挖掘未被现有推荐智能体利用的互补离散信号,显著提升多智能体及人机协同决策的最优可达收益。

Confidence-Based Decoding is Provably Efficient for Diffusion Language Models

本文首次为扩散语言模型(DLMs)的置信度自适应解码建立了严格的理论分析框架,证明了基于累积熵和阈值截断的解码策略能在 KL 散度 \(\varepsilon\) 误差下以 \(\widetilde{O}(H(X_0)/\varepsilon)\) 的期望迭代步数实现对数据分布内在复杂度的自适应采样加速。

Conformal Language Modeling via Posterior Sampling

将基于共形预测的大模型幻觉控制从“生成后事后剪裁声明”重构为“条件于高置信区域的后验分布采样”,通过引入显式弃权混合先验与样本路径单调化上界,在保证严格有限样本风险上界的同时显著提升输出的完整性与下游效用。

Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata

针对离散扩散语言模型多位置并行去噪导致传统自回归约束解码失效的瓶颈,本文将有穷自动机视作链式概率图模型,提出了首个精确可解且支持对数并行深度的有穷自动机约束解码算法,实现 100% 语法合规并在下游任务中取得显著精度跃升。

Continuous Diffusion Scales Competitively with Discrete Diffusion for Language

本文重新审视基于变分似然(ELBO)的连续扩散语言模型,通过对齐现代扩散架构与统一步骤评估,提出了 RePlaid,打破了连续扩散在语言建模上扩展性差的固有认知,证明其扩展效率与离散扩散不相上下。

Continuous Latent Diffusion Language Model

提出 Cola DLM,通过 Text VAE 与块因果 DiT 将文本生成严格解耦为连续潜空间全局语义先验输运与局部条件解码两阶段,摆脱严格自回归固化时序偏差并在 2B 规模下展现出超越 AR 与离散扩散的良好扩展潜力。

查看全部98篇「LLM 其他」论文 →


🎨 图像生成 (206)

ABC: Any-Subset Autoregression via Non-Markovian Diffusion Bridges in Continuous Time and Space

提出 ABC 框架,通过在连续时间和状态空间中构建单条非马尔可夫连续扩散桥 SDE,使噪声注入尺度与物理耗时自适应对齐,并借助高斯过程回归与 Girsanov 测度变换导出免仿真的路径依赖去噪得分匹配目标,实现了支持任意非因果子集约束的高保真随机过程生成。

Accelerating Rectified Flow Models via Trajectory-Aware Caching

本文提出无训练缓存加速框架 TACache,通过对整流流(Rectified Flow)离散速度加速度进行平行-正交几何分解,在离线阶段基于幅值与方向累积变差双阈值确定安全跳步表,并在在线推理时结合离线统计量与样本自身历史正交方向递归重建跳步速度,在无需额外模型前向评估的前提下实现文本到图像最高 4.14×、文本到视频 2.11× 的高质量加速。

Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules

针对标准流与扩散模型仅匹配观测数据分布而无法探索分布外有效空间的局限,本文提出主动流扩展算法(ActFlow),在流表示空间基于验证器不确定性引导主动生成并持续微调,建立了首个基于可达性的分布外生成理论保证,并在分子、多肽与蛋白质设计中显著提升了有效覆盖率与多样性。

Align & Invert: Solving Inverse Problems with Diffusion and Flow-based Models via Representation Alignment

本文提出在推理阶段将扩散/流模型的中间隐层表征与自监督视觉编码器(DINOv2)对齐,通过代理特征引导与理论收缩保证,在无真实图像监督下显著提升反问题重建的感知质量并减少采样步数。

All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping

本文用条件流匹配生成多个长期探索锚点,再通过障碍感知规划、探索模式聚类与层次路径选择决定机器人怎么走,在 AiMDoom 同难度评测及难度迁移、AiMDoom→MP3D 跨数据集迁移中提高建图覆盖率,但不提供任意开放环境的泛化保证。

An exact information theory of generalization phase transitions in Bayesian diffusion models

本文提出解析可解的贝叶斯信息受限扩散(BIRD)模型,通过统计物理随机能量模型严格证明了记忆-泛化相变边界满足受限观测与真实数据的互信息等于训练样本数的对数(\(I(\varphi;\mathcal{C}_{x,t})=\ln|\mathcal{D}|\)),并证实空间局部 BIRD 模型在训练早期能够以约 0.85–0.93 的中位 \(r^2\) 逐样本精确预测 UNet 与 DiT 的生成输出,从理论上揭示了扩散模型通过动态信息受限克服维度灾难的核心机制。

Analytical Correction for Subsampling Bias in Drifting Models

针对漂移模型(Drifting Models)中使用小批量样本计算 softmax 加权质心时产生的 \(\mathcal{O}(1/n)\) 子采样收缩偏差,本文提出无额外采样、无一阶方差放大的解析偏差修正(ABC),仅需两行代码即可将偏差压制至 \(\mathcal{O}(1/n^2)\)。

Are Text-to-Image Models Inductivist Turkeys? A Counterfactual Benchmark for Causal Reasoning

本文提出包含三层递进提示框架的反事实因果推理基准 CF-World 与自动评测流水线 CF-Eval(含先验抵抗率 PRR 和推理保持率 RRR 指标),系统揭示了当前文生图模型因规则与视觉属性严重纠缠而难以摆脱训练集高频常识先验的本质瓶颈。

Are we really tilting? The mechanics of reward guidance in flow and diffusion models

本文在理论上揭示了扩散与流模型奖励引导中“奖励黑客(reward hacking)”与模态选择失效的根本原因在于有限粒子插件(plug-in)对 Doob \(h\)-函数的有偏近似,进而提出零额外开销的闭式奖励阻尼调度消除模态内坍缩,并阐明 Best-of-\(n\) 采样在跨模态选择中的补偿作用。

Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning

提出 PU Steering 框架,将扩散模型负向引导重构为针对显式规避目标密度的渐近精确采样问题,利用粒子系统在线训练正类无标签(PU)分类器估计后验几率,并结合序贯蒙特卡洛(SMC)重采样消除局部排斥偏差。

查看全部206篇「图像生成」论文 →


🎬 视频生成 (89)

AdaState: Self-Evolving Anchors for Streaming Video Generation

AdaState 针对自回归流式视频生成中静态首帧 Anchor 锁死场景动态的固有缺陷,设计了联合去噪但不解码渲染的自演化隐状态(Adaptive State),将单向去噪过程重构为隐式循环状态转移,彻底打破视频长程生成中的「一致性-动态度」权衡。

Addressable Memory for Video World Models

针对自回归视频世界模型长程生成中时序 RoPE 越界导致历史不可寻址以及旋转空间压缩相位抵消的问题,提出免训练记忆框架 WorldTrace,通过虚拟位置分配与规范空间键写入,在恒定显存下大幅提升时序连贯性与长程场景回访召回率。

Advancing Narrative Long Video Generation via Training-Free Identity-Aware Memory

提出无需额外训练的自回归长视频生成框架 IAMFlow,通过大模型构建全局实体注册表以显式维护跨片段角色身份,结合注意力键向量匹配检索关键帧,并配合自适应提示词过渡与异步视觉校验,在显著提升长视频身份一致性的同时实现了 1.69 倍的端到端生成加速。

AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling

本文构建了包含逾 5,000 小时动作并精确对齐文本、语音、音乐与轨迹的多模态动作数据集 OmniHuMo,并提出了结合残差标量量化(R-FSQ)分词器与可扩展双向掩码 Transformer 的 AnyMo 框架,实现了任意模态组合条件下的高保真 3D 人体动作生成。

AtlasVid: Efficient Ultra-High-Resolution Long Video Generation via Decoupled Global-Local Modeling

AtlasVid 通过将长程全局语义代理与高分辨率局部细节分支显式解耦,配合时间尺度缩放 RoPE 与保持几何局部性的分块注意力,以仅在 720P 上训练的轻量 LoRA 实现了最高 8K、321 帧超高清长单镜头视频的直接泛化生成与 60.9 倍推理加速。

AUTEUR: Language-Driven Cinematographic Framing for Human-Centric Video Generation

Auteur 提出了一种以人体为中心的相机运镜参数化表征与影视 DSL,借助微调的多模态大语言模型由自然语言生成稀疏分镜程序,并通过确定性插值解码为连续 6-DoF 轨迹,实现了高保真的人体构图协同运镜。

AVENUE: Audio-Video Editing, Understanding, and Evaluation

针对现有音视频编辑基准类型受限且评测忽略“未目标模态保留”的问题,AVENUE 构建了涵盖 1,291 段视频与 7,957 条指令的大规模基准,并提出基于样本专属意图与保留约束的多模态评测体系,系统揭示了联合、串行与分离三种编辑范式在模态选择性控制上的本质缺陷。

Bernini: Latent Semantic Planning for Video Diffusion

Bernini 提出以 MLLM 原生 ViT 嵌入空间为语义桥梁的“语义规划-像素渲染”解耦框架,配合分段感知 3D RoPE 与思维链规划,统一了文本生视频、参考图生视频及指令视频编辑。

Beyond Distribution Matching: Self-Supervised Representation Forcing for Few-Step Video Generation

针对分布匹配蒸馏在少步数视频生成中缺乏内部特征显式约束而导致的时空闪烁与细节退化,提出自流强迫(SF2),通过非对称轨迹噪声加权与自启动 EMA 教师对齐中间层表征,在保持边际分布保真度的同时显著提升时空动态一致性与几何稳定性。

Beyond Distribution Matching: Self-Supervised Representation Forcing for Few-Step Video Diffusion

针对分布匹配蒸馏(DMD)仅依赖输出层监督导致少步视频生成中细节模糊与时序闪烁的缺陷,本文提出自流迫使(SF2),通过共享去噪轨迹构造异质噪声信息非对称性,迫使学生网络预测 EMA 教师网络的深层内部特征,在不改变输出端目标且几乎零额外开销的前提下显著提升时空一致性与运动质量。

查看全部89篇「视频生成」论文 →


🧩 多模态 VLM (175)

3D-PLOT-LLM: Part-Level Object Tokens for 3D Large Language Models

3D-PLOT-LLM 提出了一种无需分割解码器或边界框预测头的轻量级 3D 视觉语言模型,通过无监督几何区域划分将点云 Patch 组织为 \(K\) 个局部相干区域,并引入连续标记与专属词汇词元 <part_k> 以及标记空间精炼(MSR)模块,首次让大模型能够在自身词表中双向寻址并推理 3D 局部部件。

A Closer Look at Dynamic Scene Graph Generation In the Era of Multimodal Large Language Models

本文系统反思了动态场景图生成(DSGG)在评估体系和模型架构上的固有弊端,提出首个面向实用性的5项评估新指标,并构建了自顶向下“先推理后定位”的MLLM动态场景图基准模型,通过时序关系集合预测(TRS)与重要性感知微调(IAF)在Action Genome、VidVRD和PVSG上全面刷新SOTA。

A Matched-Budget Audit Framework for Recaptioned Image-Text Supervision Distributions

本文将视觉语言模型 (VLM) 重新标注的图文语料形式化为受标注策略、生成模型与源数据决定的监督分布,提出了固定文本预算下的五维审计框架与 CBU 原子视觉声明体系,并开源了约 4.9 亿规模的审计后多源重标注语料库。

AdaCodec: A Predictive Visual Code for Video MLLMs

AdaCodec 将预测编码思想引入视频 MLLM 视觉接口,仅对高预测成本帧分配完整 ViT token,而对可预测帧提取紧凑的运动与残差 P-token,在节约超 84% 视觉 token 的同时大幅降低首字时延并全面超越独立逐帧 RGB 基线。

Aligning Forest and Trees in Images: Long Captions for Visually Grounded Understanding

提出分层视觉语言对齐框架 CAFT,通过细粒度到粗粒度的图像超像素分组编码器与部分到整体的文本分块编码器,将长文本子句定位到中间层局部视觉区域,在最终层聚合为全局图文嵌入,在无区域级标注下显著提升长文本跨模态检索与零样本指代分割性能。

AMPS: Adaptive Modality Preference Steering via Functional Entropy

AMPS 针对多模态大语言模型在全局统一强度干预下易崩溃或导向不足的矛盾,基于连续泛函熵与对数索伯列夫不等式构建模态贡献率诊断指标,并利用轻量辅助网络自适应预测样本级缩放的导向向量,在大幅矫正模态偏好的同时维持推理生成的稳定性。

Animation2Code: Evaluating Temporal Visual Reasoning in Video-to-Code Generation

本文提出首个评估视频到可执行Web动画代码(HTML/CSS/JS)反渲染基准 Animation2Code(含 1,069 个样本),并设计外观与时序解耦的双重评测指标,揭示了前沿多模态大模型在静态外观重建出色(达 0.84)但时序动态推理严重不足(仅约 0.31)的本质瓶颈。

Are Multimodal Benchmarks Really Useful? Item-Level Multimodal Benchmark Diagnosis via Structure-Response Co-Calibration

提出结构-响应协同校准诊断框架 SRCoD,将基于偏信息分解的样本级内在模态结构先验作为软锚点,融入模态条件化项目反应理论,实现了高保真、抗模型池偏差且具可解释归因的题目级模态依赖性诊断。

Are We Making Progress in Multimodal Domain Generalization? A Comprehensive Benchmark Study

构建了首个涵盖 6 个数据集、3 大任务、6 种模态组合及 9 种代表性方法的统一评测基准 MMDG-Bench,在训练 7,402 个模型后揭示出专用方法相较强 ERM 提升微弱、模态竞争导致三模态收益不稳定、在数据损坏与模态缺失下严重衰退且预测准确率与模型可信度脱节等核心事实。

Attention Alignment Between Humans and Vision-Language Models

本文通过构建编码器(CNN vs. ViT)与解码器(LSTM 单门控加性注意力 vs. Transformer 多头交叉注意力)的 \(2 \times 2\) 析因实验并对比前沿 VLM,发现解码器的注意力瓶颈结构是决定模型与人类眼动注视点空间对齐的主导因素(提升 40–50 个百分点),并揭示了注视对齐度与脑神经响应预测力之间的显著解离。

查看全部175篇「多模态 VLM」论文 →


🧠 VLM Reasoning (81)

2D Spatial Reasoning with Adaptive Neural Cellular Automata

针对传统神经元胞自动机(NCA)因固定的局部感受野而无法处理全局几何依赖的问题,本文提出了自适应神经元胞自动机(aNCA),利用多头可变形卷积实现动态、数据自适应且可解释的空间感知,以仅数十万级参数在数独与迷宫寻路等任务上显著超越传统扩散与层次推理大模型。

A Benchmark for Omni-Modal Reasoning in Long Videos

提出了包含 274 个超长视频(平均 41 分钟)、3,401 个多轮/单轮意图驱动样本的全模态长视频基准 LongShOTBench 与细粒度量规评分机制,并设计了结合跨模态索引与检索-精炼-验证循环的免训练智能体 LongShOTAgent(取得 66.64% 的 SOTA 表现)。

A Systematic Evaluation of Vision-Language Models for Observational Astronomical Reasoning Tasks

提出了涵盖光学成像、射电干涉、多波段测光、时域光变和光学光谱五大多模态任务的天文评测基准 AstroVLBench(4,100+ 专家标注样本),系统揭示了通用前沿 VLM 在天文观测推理中存在的强模态依赖性、物理机理与表象脱节以及“对答案错理由”现象。

AgroOmni: A Large-Scale Multi-View Agricultural Dataset for Cross-Scale Multimodal Reasoning

针对现有农业多模态大语言模型局限于地面近景而产生的视角偏差与尺度混淆问题,本文构建了包含地面、无人机与卫星三级视角、28.8万精细指令微调问答对的跨尺度农业数据集 AgroOmni,并提出了结合监督微调与组相对策略优化的基线模型 AgroNVILA,在 AgroMind 评测中达到 62.32% 的全新 SOTA(大幅超越 GPT-5.2 的 47.29%)。

Allocentric Perceiver: Disentangling Allocentric Reasoning from Egocentric Visual Priors via Frame Instantiation

Allocentric Perceiver 是一种无需训练的即插即用框架,通过视觉专家与3D几何模型提取度量级状态,并显式构建目标物体驱动的外中心参照系与几何文本提示,将多模态大模型的内隐心理旋转转化为显式确定性计算,显著消除以自身为中心的视觉先验偏差。

AlloSpatial: Agentic Harness Framework for Spatial Reasoning in Foundation Models

提出 AlloSpatial 智能体装具框架,通过 World2Mind 沙盒将第一人称观测转化为结构化外中心空间树(AST)与路径地图,并借助装具引导的强化学习(HGTR)内化多模态仲裁与主动工具调用,显著提升基础模型的 3D 空间推理能力。

ANCHOR: Audio-Visually Grounded Chain-of-Thought Reasoning Benchmark

提出了包含 2,319 个视频与 8,272 个问答对的视听对齐思维链推理基准 ANCHOR,通过 SAM3 空间边界框、时序证据区间与声学线索的精细化人机协同标注,以及解耦的多维度大模型裁判体系,系统揭示了多模态大模型在回答正确但推理伪对齐的核心瓶颈。

ARCANA: A Benchmark for Abstraction and Analogical Reasoning

针对现有评测缺乏对跨领域远距离类比推理系统检验的痛点,论文构建了包含 200 个任务的基准 ARCANA,揭示出大语言模型与人类之间的显著认知鸿沟,并提出基于概念滑移、内省与反思的推理框架 ConceptSIR,显著提升了模型在该高难度任务上的求解能力。

ARK: A Dual-Axis Multimodal Retrieval Benchmark along Reasoning and Knowledge

提出了首个显式解耦知识维度与推理维度的多模态检索基准 ARK,涵盖 5 大学科领域、17 个子类、16 种异质视觉格式与 6 种推理技能,揭示了当前检索系统在细粒度视觉与空间推理上的严重性能瓶颈。

ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both

ATLAS 将辅助几何构图、局部缩放及语义标注等复杂视觉操作内化为词表中单个离散功能 Token,无需像素级图像生成或外部工具调用,并在强化学习中提出锚定优化目标 LA-GRPO 解决稀疏梯度稀释难题。

查看全部81篇「VLM Reasoning」论文 →


⚡ VLM Efficiency (11)

Beyond Selection: Token Parameterization for Extreme Visual Token Compression

Braco 不再从原始 patch 中挑出少数 token,而是用 DCT 低频骨干、基坐标嵌入、预算相关的坐标组织与稀疏池化空间残差构成紧凑视觉接口,在 576→16 token 时保留 94.0 的 Vanilla 归一化综合得分,并将全流水线 prefill 延迟降至 40.59 ms。

Breaking Modality Heterogeneity in Low-bit Quantization for Large Vision-Language Models

针对视觉语言模型中图文激活异常值通道分布不一致导致的量化崩溃难题,本文提出通道解耦量化框架 SplitQ,通过显式分离模态专属异常通道与自适应跨模态微校准,在极低比特(如 W4A4、W3A3 与 W3A2)下实现了无损或高保真性能。

EventPrune: Cascaded Event-Assisted Token Pruning for Efficient First-Person Dynamic Scene Understanding

提出了首个面向第一人称动态空间推理的免训练事件辅助级联剪枝框架 EventPrune(ECP),通过因果时间采样、运动显著性滤波与非参数化注意力秩融合,在 80% Token 剪枝下不仅超越全量 Token 基线(37.62% vs. 36.31%),同时带来 1.89× 推理加速与 52% 计算量降低。

G2TR: Generation-Guided Visual Token Reduction for Separate-Encoder Unified Multimodal Models

G2TR 在分离编码器统一多模态模型的 LLM 预填充之前,利用 VAE 潜在锚点选择并合并理解侧视觉词元;保留 50% 词元时,BAGEL 的理解相对平均分为 99.0%、编辑为 98.0%,预填充 FLOPs 降低约 1.94 倍,但并非所有任务都无损。

Going Down Memory Lane: Scaling Tokens for Video Stream Understanding with Dynamic Context Memory

针对流式视频理解在高 token 预算下因局部滑动窗口冗余导致的时间检索偏差与召回率骤降难题,本文提出训练无需微调的 MemStream 框架,通过自适应键选择(AKS)稀疏化编码与结合外部模型的倒数排名融合(RRF)专家混合检索,在 CG-Bench 和 LVBench 上大幅超越 SOTA。

Good Token Hunting: A Hitchhiker's Guide to Token Selection for Visual Geometry Transformers

针对多视角视觉几何 Transformer(VGGT、\(\pi^3\) 等)跨帧全局注意力计算带来的二次方计算瓶颈,提出免训练的分层 Token 选择框架 GoToHunt,通过帧间多样性最远点采样与基于注意力熵的层自适应帧内稀疏化,在 500 帧场景下实现超过 85% 的推理加速且性能超越原始基线。

OmniSelect: Dynamic Modality-Aware Token Compression for Efficient Omni-modal Large Language Models

针对全模态大模型长序列音视频Token爆炸与固定模态引导失效的问题,OmniSelect利用轻量AudioCLIP动态评估问题相关性并切换剪枝策略,配合时序分组细粒度剪枝,在免训练下实现1.19×至1.33×推理加速并保留94%~99%全量性能。

SP2ec: Adaptive Self-Speculative Decoding for Vision-Language Models

针对视觉语言模型在多模态与超长上下文下小草稿模型难以对齐且静态配置失效的问题,本文提出基于单峰多臂老虎机框架的免训练自适应自投机解码算法 SP2ec,动态权衡草稿准确率与计算开销,实现高达 1.62× 的无损推理加速。

SwiftVLM: Efficient Vision-Language Model Inference via Cross-Layer Token Bypass

SwiftVLM 揭示了 VLM 视觉词元重要性在层间的非单调与漂移现象,提出训练无关的跨层词元旁路(Bypass)与表征偏移对齐机制,在浅层暂存未选词元并在深层重新评估,有效消除早期不可逆剪枝造成的定位崩溃,在 77.8% 剪枝率下实现约 2 倍预填充加速与领先的细粒度推理保留。

TwinPrune: Density-Aware Two-Phase Token Pruning for Vision-Language Models

针对视觉语言模型在长序列与高分辨率下的预填计算与解码显存瓶颈,提出基于局部空间余弦相异度的统一密度信号,在前向预填阶段执行密度倾斜的最远点二部合并,在自回归解码阶段复用相同密度进行KV缓存一步驱逐,实现计算、显存与精度的三维帕累托前沿提升。

查看全部11篇「VLM Efficiency」论文 →


🎵 音频/语音 (54)

Adaptive Compression and Targeted Perturbation: A Unified Framework for Generalized Audio Deepfake Detection

针对音频深度伪造检测中伪造痕迹信息密度异质以及对抗防御破坏正常声学结构的难题,本文提出了结合自适应特征压缩池(AAFI)与高频梅尔带对抗扰动(Mel-BAP)的即插即用统一框架,使轻量 Whisper 骨干在跨语种和多种未知伪造攻击下取得领先的泛化检测表现。

AnyEdit: A Unified Framework for Speech and Singing Voice Editing with Real-World Environmental Consistency

AnyEdit 提出了解耦语义编辑与声学渲染的免分离两阶段框架,结合抗噪韵律蒸馏与上下文流匹配声学模型,实现了真实噪声、混响和伴奏环境下语音与歌声的高保真局部统一编辑。

Asymmetric Hierarchical Anchoring for Robust Audio–Visual Cross-Modal Generalization

针对音视频跨模态泛化中对称架构存在的信息分配模糊与语义泄露缺陷,提出以音频分层残差矢量量化为单向语义锚点、结合对抗解耦与局部滑动对齐的非对称框架,显著提升跨模态零样本事件定位与表征解耦纯度。

Audible World Models: Spatially Aware Sound Generation for 3D Worlds

Audible World Models 将全景生成、声源语义解析、干声合成和几何声学连接起来,把声音存为三维世界的持久状态;在保持较强语义匹配的同时,得到更准确的运动相关方向线索,但目前仍是静态世界的离线构建系统。

Audio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos

针对现有音视频大模型局限于短片段且深层表征存在视觉偏差的瓶颈,本文推出全开源音视频大语言模型 AV-Flamingo,通过构建涵盖 700 万样本的 AV-Skills 数据集、三阶段长上下文课程学习体系,以及显式锚定时间戳的时序交织思维链(TAVIT),在 15+ 项音视频与全模态长视频基准上取得开源同量级最佳表现并匹敌前沿闭源系统。

AudioCALM: Continuous Autoregressive Language Modeling for Universal Audio Generation

AudioCALM 提出连续自回归语言建模(CALM)范式,通过流匹配预测头将自回归下一个 token 预测拓展至连续音频潜空间,并引入块因果 AR-Flow 注意力与非对称专家混合(A-MoME)架构,一举统一语音、音效与音乐的高保真端到端生成。

Baton: Explicit Semantic Blueprints for Joint Video-Audio Generation

Baton 首次将显式语义规划解耦引入音视频联合生成,通过多模态规划器(VA-Planner)预先生成相互对齐的关键帧级感知蓝图,并配合相对语义 RoPE 解决非对称网格失配,彻底消除了复杂长程提示下双模态去噪轨迹的对抗漂移。

Breaking Adversarial Transferability in Fine-Tuned Speech Recognition

针对基于公开基础模型微调的私有 ASR 系统容易遭受对抗扰动黑盒迁移攻击的安全隐患,本文提出 TransferBreaker 框架,通过基模型对抗微调、隐空间雅可比正则化与混合梯度对抗微调,在保持干净样本识别精度的同时将跨模型对抗字错误率从 92.6% 显著压缩至 27.8%。

CS-Dialogue: A 104-Hour Dataset of Spontaneous Mandarin-English Code-Switching Dialogues for Speech Recognition

提出了首个开源且包含完整对话转录的 104 小时大规模自发性中英代码倒换语音识别数据集 CS-Dialogue,并系统建立了涵盖从头训练模型与主流预训练语音大模型的评测基准。

CS-Dialogue: 基于104小时中英自发对话的语码转换语音识别数据集

针对现有中英语码转换数据集多为朗读语音、孤立语句且规模受限的痛点,本文提出了首个包含104小时完整双人自然对话录音与精细转录的大规模开源中英语码转换语音识别数据集 CS-Dialogue,并建立了涵盖经典模型与大模型的多范式评测基准。

查看全部54篇「音频/语音」论文 →


🔎 AIGC 检测 (14)

BIAS-ID: A Framework for Analyzing Transformation Biases in AI-Generated Image Detectors

提出了 BIAS-ID 分析框架,通过直接分析检测器输出概率的“分数偏移”与聚合变换敏感度指标,系统量化了常见图像变换对 AI 生成图像检测器的方向性偏置。

BIAS-ID: A Framework for Analyzing Transformation Biases in AI-Generated Image Detection

针对AI生成图像检测器在现实分布下频频失效的痛点,本文提出了评估与量化训练数据微观变换偏差的BIAS-ID分析框架,通过分数偏移(Score Shift)与聚合变换敏感度(ATS)直接解耦了检测器的固有偏差与鲁棒性缺失。

BusterX: MLLM-Powered AI-Generated Video Forgery Detection and Explanation

本文构建了首个包含超 20 万高质量视频的双轴渐进式评测基准 GenBuster 与基线模型 BusterX,抛弃黑盒二分类范式,通过防熵塌缩强化学习(DAPO)直接激发多模态大模型的自发时空物理长链推理,实现了高精度且具备司法解释力的视频伪造取证。

Can Pixels Alone Reveal Image Origin? Minimax Limits and Learnable Interfaces for Passive Provenance

本文以总变差距离精确刻画仅凭像素进行被动来源验证的最优鲁棒分离上限,并将这一统计界限与具体验证器的接口信息暴露风险分开,有限状态验证支持理论恒等式,而图像实验并未给出真实图像上的鲁棒性证书。

FARE: Forensic Acceptance Region Estimation for Catching Bait-and-Switch Image Generators

针对黑盒图像生成 API 部署后可能暗中替换为低成本劣质模型的“偷梁换柱”合规漏洞,本文提出仅依赖已认证生成器采样样本构建取证接受区域的单类检验框架 FARE,在 1% 极低误报率下实现了近乎完备的模型替换与部署变体捕获。

Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift

针对现存监督式 AI 文本检测器在对抗性人工润色、新模型演变及人类语言时间漂移下灾难性失效的问题,本文提出利用测试时未标记批次中的算法同质性,通过正例无标记学习实现测试时自适应(TTA),显著恢复了分布偏移下的检测与患病率估计能力。

LLM-Auction: Generative Auction towards LLM-Native Advertising

本文提出了首个将拍卖机制与文本生成深度融合的学习型生成式拍卖框架 LLM-Auction,通过将广告分配转化为大模型与兼顾广告主价值及用户体验目标的偏好对齐过程,在单次前向推理中内化响应级外部性并实现高分配效率与优良博弈性质。

Log-Likelihood, Simpson’s Paradox, and the Detection of Machine-Generated Text

揭示了主流基于对数似然的机器生成文本检测器因在异质隐藏空间粗暴平均 token 分数而遭遇「辛普森悖论」导致失效的机理,提出基于贝叶斯决策理论的局部条件分布校准框架,在几乎不增加开销的情况下使 GPT-5.4 文本检测 AUROC 从 0.63 飙升至 0.85 以上。

Majority Bit-Aware Watermarking for Large Language Models

针对传统摄动式多比特水印中绿名单比例 \(\gamma\) 偏小损害文本质量的核心权衡,本文提出多数比特感知编码范式(MajorMark 与 MajorMark+),通过将词表分片并按消息多数比特选择绿分片集合,从机制上打破检测信号强度对绿名单缩小的依赖,在保证 \(\gamma \ge 0.5\) 的同时显著提升解码准确率与生成文本多样性。

Post-hoc Selective Classification for Reliable Synthetic Image Detection

针对合成图像检测器在协变量偏移下常规置信度评分发生病态倒挂导致误拒正确样本的问题,本文提出 ReSIDe 框架,利用基于聚类质心的无监督线性探测提取各中间层 Logit,并通过偏好优化聚合多层置信度以严格最小化风险-覆盖曲线下面积(AURC)的上界。

查看全部14篇「AIGC 检测」论文 →


🧊 3D 视觉 (10)

Articraft: An Agentic System for Scalable Articulated 3D Asset Generation

提出端到端铰接3D生成智能体系统 Articraft,将资产生成重构为面向领域SDK的可执行代码编写与测试驱动修复闭环,无需昂贵的渲染视觉反馈即可轻量化生成结构严密且支持物理仿真的铰接资产,并构建了涵盖245个类别的首个万级铰接3D数据集 Articraft-10K。

BrickAnything: Geometry-Conditioned Buildable Brick Generation with Structure-Aware Tokenization

BrickAnything 提出了一个以点云为通用几何条件的自回归积木生成框架,通过基于局部连接关系的结构感知树状分词(Tree Tokenization)将全局坐标预测转化为局部装配预测,并结合物理与几何双重奖励的直接偏好优化(DPO)与带父节点回滚的有效性约束解码,在复杂形状上实现了兼具几何保真度与物理稳定性的离散积木结构生成。

CM-EVS: Sparse Panoramic RGB-D-Pose Data for Complete Scene Coverage

针对 3D 资产全景采样冗余高、深度几何冲突严重及生成策略不可复现的问题,提出无须训练的冲突感知视点策展器 COVER 与全景 RGB-D-Pose 数据集 CM-EVS,在理论次模下界保证下以中位数仅约 25 帧实现高完整度室内全景覆盖。

direct conditional parameterization for n-dimensional splatting

针对高维高斯泼溅每次前向依赖环境协方差求逆与回归修正的效率瓶颈,本文提出直接条件参数化范式,通过显式精度因子与带尺度先验的可分解回归算子解耦不透明度与空间位移,在大幅提速切片计算的同时保持严格的联合高斯协方差几何相容性。

GReFEM: Multimodal LLMs as Zero-Shot Semantic Assistants for Physics-Guided 3D Mesh Refinement

GReFEM 提出了利用多模态大模型结合物理提示词进行零样本语义定位的框架,通过训练正交视角选择网络与 2D 网格回归投影,无需求解 PDE 或下游仿真数据即可指导 3D 几何有限元网格自适应细化。

Less Decoder is More Encoder: Geometric Representation Learning from Novel View Synthesis

SNAP 揭示了前向新视角合成(NVS)未能学出高质量几何特征的根源在于解码器感受野过大与像素级重建目标,提出通过位姿条件局部解码器约束感受野至单 Patch,并以冻结 DINOv3 隐式特征为重建目标,无需任何密集 3D 标注即学出极具几何迁移力的多视角表征。

Point Cloud Sequence Encoding for Material-conditioned Graph Network Simulators

本文提出 PEACH 框架,通过 4D 时空点云序列编码器提取未知材料的紧凑表征,结合在上下文学习(In-Context Learning)自适应调节图网络物理模拟器,无需测试时参数优化即可完成非刚体动力学全轨迹预测,并在真实机器人实验中实现高精度零样本 Sim-to-Real 迁移。

RayTun3R: Online Camera Adaptation in 3D Foundation Models

针对预训练 3D 基座模型在鱼眼等非针孔相机下性能剧烈退化的问题,RayTun3R 揭示了绝对位置编码中内嵌的针孔几何局部雅可比偏差,在完全冻结主干网络的前提下仅通过学习微量极坐标位置编码残差表及免参几何矫正,以仅约 1 万参数在单目鱼眼序列上实现在线几何自适应。

TrackFish3D: Self-Supervised 3D Tracking of Schooling Fish from Multi-view Videos

TrackFish3D 针对鱼群个体外观极度相似、无身份标注的稠密 3D 追踪难题,提出一种完全由校准多视角几何与时空自洽性驱动的自监督跟踪框架,无需任何跨视角/时序身份标注或 3D 真实轨迹,即可实现高精度的时空关联与长程跟踪。

UnfoldArt: Zero-Shot Recovery of Full Articulated 3D Objects from Text or Image

通过层级多智能体辩论解决关节参数歧义,并利用铰接驱动的视频生成与三维隐空间修复补全内部遮挡几何,实现从单图或文本零样本恢复完整交互式铰接3D资产。


🧊 重建与渲染 (58)

3D Point Splatting for mmWave Radar Novel View Synthesis

针对毫米波雷达新视角合成中物理保真度、复数信号一致性与多视角优化效率不可兼得的难题,提出首个基于雷达方程的3D点喷溅(3DPS)可微点渲染器,通过ITU材质建模与闭式PSF复数喷溅实现产品无关的多模态雷达信号合成。

Anchor3DGS: Feed-Forward 3D Gaussian Splatting with Compact Anchor-Based Representation

针对前馈3D高斯泼溅像素对齐范式带来的高斯冗余与视点分辨率耦合问题,Anchor3DGS提出解耦输入视点与像素的紧凑三维锚点表示,结合信息熵引导采样、遮挡感知多视角特征聚合和轻量残差增强,以减少数量级的高斯基元实现SOTA新视角合成质量。

Autoregressive Appearance Prediction for 3D Gaussian Avatars

针对高质量人体虚拟化身中因训练数据多义性导致的虚假相关与外观突变问题,提出基于局部姿态掩码与分块PCA的空间MLP高斯架构,并在训练期通过投影UV纹理编码外观隐码、测试期利用因果Transformer自回归预测时序隐码,实现兼具高保真度与时序平滑的3D数字人驱动。

Birth-Death Structural Learning for 3D Gaussian Splatting

针对 3DGS 传统克隆与分裂依赖位置梯度、不透明度等启发式代理信号且脱离重构目标的缺陷,本文基于 Splat Regression Model (SRM) 的 Wasserstein-Fisher-Rao 测度变分理论,提出一阶变分质量分数指导的出生-死亡结构控制算法,在受限高斯预算下显著刷新多视角神经渲染质量。

BLARM: Animating 3D Objects from Video via Blending LAtent Rigid Motion Primitives

提出前馈式单目视频驱动 3D 网格动画方法 BLARM,通过几何引导与视频条件化的时空解耦注意力,预测紧凑的时变隐式局部刚体运动基元与时不变顶点蒙皮权重,实现无需显式骨骼绑定的高保真、时序一致动态网格生成。

CodecSplat: Ultra-Compact Latent Coding for Feed-Forward 3D Gaussian Splatting

针对前向3D高斯泼溅直接压缩无序3D基元导致率失真效率低下的难题,提出将压缩瓶颈前移至生成流水线内部,通过多视角深度引导细化与分层变分自编码器对2D高斯生成特征进行熵编码,以仅几KB至百KB的比特流实现可控的高保真新视角合成。

CompactSplat: Spatially Adaptive Gaussian Distribution for Feedforward Scene Reconstruction

针对前向3D高斯泼溅逐像素刚性分配导致的严重空间冗余与平面空洞问题,CompactSplat通过纹理感知四叉树空间划分与分层金字塔连续采样,在平坦区域自适应平铺尺度扩展的大基元并在高频纹理区密集分布高精基元,以减少44%以上的基元数量实现SOTA级多分辨率渲染一致性,并原生支持推理时零重训动态稀疏控制。

ControlFlow3D: Distilling Multi-View Knowledge into Latent Flow Matching for Point Cloud Upsampling

提出 ControlFlow3D,在冻结的 3D 几何隐空间中构建条件流匹配,在训练期通过无监督软聚类构建共享多模态原型将多视角图像知识蒸馏进速度场控制器,并在测试期仅凭稀疏点云经由 Mamba 几何解码器高保真回归密集三维表面。

DinoComplete: 3D Shape Completion with Distilled Semantic Priors and State Space Models

针对残缺与带噪三维扫描中几何线索不足以推断缺失结构的难题,DinoComplete 将 2D 视觉基础模型的语义先验蒸馏至体素对齐空间,并通过多尺度体素状态空间模型实现高效长程几何推理,以确定性前向推理在未见类别上超越了扩散生成基线。

DySurface: Consistent 4D Surface Reconstruction via Bridging Explicit Gaussians and Implicit Functions

通过构建显式变形高斯引导的稀疏体素网格(VoxGS-DSDF),架起显式高斯前向运动与隐式符号距离函数(SDF)体绘制反向映射之间的桥梁,实现了高质量、时序一致的水密4D动态网格重建。

查看全部58篇「重建与渲染」论文 →


🧊 3D 生成与编辑 (18)

A Unified Framework for Image-to-3D Part Generation via Variable Granularity

FlexPart 提出统一的图像到 3D 部件生成框架,通过门控自适应层归一化(Gated AdaLN)融合点、边界框与掩码等多粒度几何提示,并结合基于可微最优传输的非对称几何引导,实现了单模型下灵活交互与高保真 3D 部件解耦生成。

AEON: Unifying Video and 3D World Models

AEON 提出统一视频与 3D 世界模型的通用生成框架,通过双路域适配器将预训练视频扩散潜空间蒸馏映射至 4D 高斯隐空间,构建兼具高逼真度外观与 3D 一致动力学演化的持久可交互 4DGS 世界。

Controllable Dynamic 3D Shape Generation via 3D Trajectories and Text

提出 T2Mo 前向动态 3D 形状生成框架,通过结合高层文本语义与稀疏 3D 空间轨迹引导,利用形状扎根轨迹嵌入消除条件泄漏,实现了几何保真且高度可控的逐顶点网格运动合成。

DirectUV: Image-Conditioned UV Texture Generation with Surface-Aware Positional Encoding

DirectUV 在冻结的 Flux VAE 潜在 UV 空间直接生成网格纹理,把三维表面坐标写入各注意力头的旋转位置编码,并将参考图和粗 UV 仅作为条件,在 GSO 上取得 25.13 PSNR、0.9527 SSIM,同时改善跨 UV 岛的一致性与细节。

ELSA3D: Elastic Semantic Anchoring for Unified 3D Understanding and Generation

ELSA3D 提出基于多尺度八叉树与轻量级自适应路由器的弹性语义锚定机制,通过动态锚点 Token 将文本语义线索精准对齐到特定几何分辨率并写回统一序列,在图像生成3D、文本生成3D与3D描述任务上均取得 SOTA 并降低约一半推理开销。

HilbertGen-3D:Hilbert--Multifractal Conditioning for Topology-Aware 3D Generation

本文提出面向三维点云扩散生成的 HilbertGen-3D 框架,通过 3D 希尔伯特空间填充曲线将多尺度体素质量测度序列化为保局部的结构特征,并结合配分函数拟合的广义分形维度作为全局宏观几何先验,经由紧凑的感知重采样瓶颈模块注入扩散 Transformer,显著提升了生成点云的全局拓扑一致性与采样多样性。

Latent Riemannian Flow Matching for Geometry-Grounded 3D Foundation Models

本文提出在几何基础模型(VGGT)的潜在流形上直接进行黎曼流匹配,揭示并严格遵循其多尺度编码器特征构成的四元超球面乘积流形结构,摆脱对显式高斯泼溅、网格或视频VAE的绑定,仅需相对位姿即可生成几何自洽且支持单视角外推的高质量3D新视角与稠密几何。

Mesh BDF: Barycentric Dominance Field for 3D Native Mesh Generation

提出定义在三角网格表面的连续标量场重心占优场(BDF),将离散拓扑连接转化为类似纹理贴图的连续表面信号,使连续 3D 扩散与流匹配模型能够直接生成高质量、拓扑规整的原生 3D 网格并统一生成 PBR 材质。

MeshFIM: Local Low-Poly Mesh Editing via Fill-in-the-Middle Autoregressive Generation

提出首个基于 Fill-in-the-Middle(FIM)自回归范式的局部低多边形网格编辑模型 MeshFIM,通过显式边界标记、拓扑位置编码与门控差分几何编码器,实现无缝缝合且保持周围边流结构的高质量局部拓扑重构。

MoCA: Mixture-of-Components Attention for Scalable Compositional 3D Generation

针对组合式3D生成中全局注意力随部件数量暴涨导致的二次方计算瓶颈,本文提出MoCA,通过轻量级重要性路由选择Top-k关键组件保留全量tokens、并对远端不重要组件进行压缩降维,首次将端到端组合式生成扩展至单样本32个细粒度部件与复杂场景实例。

查看全部18篇「3D 生成与编辑」论文 →


🧊 3D 表示与场景理解 (27)

CAIRN: Cross-Room 3D Scene Understanding with Topology-Aware Large Multimodal Models

针对现有 3D-LLM 局限于单房间平面化目标表征且无法处理真实户型多房间拓扑关系的缺陷,本文提出显式建模层次化场景图拓扑的 3D-LLM CAIRN,通过结构化掩码注意力约束信息跨房间流动并结合几何偏差,在大规模跨房间基准 CAIRN-MR 上取得大幅领先。

ClusterSplat: Semantic Cluster Selection for 3D Visual Grounding in Gaussian Splatting

针对3D高斯泼溅视觉定位中基于图元相关性分数进行阈值或Top-ratio过滤所导致的离散化不稳与目标碎裂问题,ClusterSplat将3D定位重塑为场景自适应候选簇上的离散选择任务,结合最小描述长度层次聚类与查询条件化簇打分,在ScanRefer基准上实现了领先的显式3D高斯定位与渲染2D分割表现。

Diffusion Masked Pretraining for Dynamic Point Cloud

针对动态点云自监督预训练中时空管中心位置泄漏及确定性运动回归导致的均值坍缩问题,提出扩散掩码预训练框架(DiMP),通过对掩码管中心进行扩散去噪阻断位置作弊,并引入分层时间步 DDPM 建模多模态帧间位移分布,在 4D 动作分割与点级语义分割上取得显著突破。

DIGS: Distribution-Informed Gaussian Splatting for Training-Free Open-Vocabulary 3D Segmentation

DIGS 提出了一种免训练的开放词表 3D 高斯分割框架,通过为每个高斯基元维护显式的 Top-M 标签分布与狄利克雷温控更新机制,并结合迟滞 Argmax 渲染与解耦的多模态实例编码,在单张 A100 上仅需 1~3 分钟即可构建高精度 3D 实例本体,并在 LERF-OVS 上取得了 71.95% 的平均 mIoU。

Emergence of a Shared Canonical Object Frame from In-the-Wild Videos

通过让未标注真实世界视频的像素与无类别特定几何的粗糙规范网格建立稠密对应,并利用多视角SfM与视觉特征先验共同优化序列对齐,首次在无需规范姿态监督或类别条件的前提下自监督涌现出跨类别的统一规范参考系。

From Views to Worlds: Active Exploration over 3D Worlds for Vision-Language Models

V2W 构建了包含几何、位姿与语义的 VLM 兼容 3D 世界,通过视觉与语言双接口支持多轮主动探索与 GRPO 策略优化,将 VLM 从被动 2D 视点感知跃升至主动 3D 世界中心空间推理。

Geometry Matters in Packed 3D Attention

针对三维高Token体积场展平打包后内存存储顺序破坏物理空间几何的问题,Pack3D提出了物理坐标与内存布局解耦的局部-全局注意力算子,通过轴向网格RoPE在块压缩前旋转保留相对空间位移,在Allen WTC-11显微图像分割中超越同等参数量3D U-Net并在100万Token下实现相比密集注意力125倍加速。

H2G: Hierarchy-Aware Hyperbolic Grouping for 3D Scenes

H2G 提出了一种层次感知的双曲亲和场,通过 Dasgupta 目标将 2D SAM 提议与 DINO 语义相似度重构为树监督,并蒸馏到单流洛伦兹双曲 3D 特征场中,实现了无需物理尺度查询的多粒度 3D 场景分组。

Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control

针对三维铰接物体标注数据匮乏及部件粒度歧义难题,提出 Instruct-Particulate 模型,通过引入包含文本、点提示及拓扑树的运动学规范指令实现前向部件分割与关节参数估计,并在构建的超 15 万异构三维数据集上完成大规模训练。

Invaria: Learning Scale and Density Invariance in Point Clouds via Next-Resolution Prediction

针对三维点云编码器严重过拟合训练特定采样密度与物体尺度的痛点,Invaria提出下一分辨率隐空间预测与感受野动态校准机制,解耦分辨率与语义特征,在点云分辨率降低3倍时ScanNet语义分割mIoU相对现有模型提升56.0%,且参数量降低45%、输入token减少40%。

查看全部27篇「3D 表示与场景理解」论文 →


🧊 深度、法线与立体 (7)

Depth2Pose: A Pose-Based Benchmark for Monocular Depth Estimation without Ground-Truth Depth

提出了无需真实深度标签的单目深度评测框架 Depth2Pose,利用深度感知几何求解器将相对相机位姿估计精度作为深度质量代理指标,并构建了包含雕塑与植被等分布外挑战场景的 D2P 数据集。

DepthMaster: Unified Monocular Depth Estimation for Perspective and Panoramic Images

DepthMaster 将全景图几何规范化为带有微小视场重叠的透视切片,在标准 Transformer 骨干中注入虚拟相机位姿先验并施加特征级对应一致性损失(CCL),实现了无架构特化的透视与全景统一单目度量深度估计。

Focusable Monocular Depth Estimation

提出可聚焦单目深度估计任务(FDE)与框架 FocusDepth,利用多尺度空间对齐融合模块(MSSA)将 SAM3 的框/文本提示特征门控注入 Depth Anything 几何表征,在保持全局场景几何一致性的同时大幅提升目标前景精度与物体边界锐度。

Learning to Discriminate Scene Structures Makes Self-Supervised Depth Learning Scalable

本文提出 MaSS 自监督单目深度估计框架,通过双向交互架构桥接传统深度编码器与冻结视觉基础模型(VFM),显式解耦上下文与结构表征,并引入基于软化深度直方图对称 KL 散度的场景结构判别对比目标,解决了跨域联合训练时的结构偏差冲突难题,首次实现了在增加数据多样性时自监督深度性能的持续提升与卓越的零样本域外泛化。

Metric Depth Estimation from Arbitrarily Degraded Low-Resolution Depth Prompts

针对低成本测距传感器获取的深度提示常伴随多变退化的问题,AdaDS 利用前向扩散的高斯平滑收缩特性,基于两阶段校准的不确定性自适应选择加噪时间步,并通过轻量采样网络将中间潜变量投射至预训练扩散先验的高密度区域,实现单步去噪恢复高精度度量深度。

Revisiting Multi-View Stereo: A Sequence-to-Sequence Formulation

本文将多视角立体视觉(MVS)从传统的单参考视角序列到单(Seq2One)预测重构为联合预测所有视角几何的序列到序列(Seq2Seq)任务,并引入射线图嵌入与统一全局代价体两种相机诱导先验,在保持前馈效率的同时消除几何畸变并大幅超越现有 MVS 与前馈重建基线。

Selection, Not Fusion: Radar-Modulated State Space Models for Radar-Camera Depth Estimation

针对毫米波雷达与相机融合深度估计中外置融合破坏时序动态的问题,提出将雷达信号内嵌注入 Mamba 状态空间扫描的选择参数(时间步长 \(\boldsymbol{\Delta}\) 与读出矩阵 \(\mathbf{C}\))中,构建分层多视扫描金字塔(MVSP),在 nuScenes 上将 80 米内深度估计 MAE 大幅降低 29.9% 且推理耗时仅 26.8 ms。


🧊 几何匹配与定位 (6)

BA-T: An Iterative Transformer for Two-View Bundle Adjustment

受经典光束法平差(BA)信息传递机制启发,BA-T 提出了一种在隐式 Token 空间中循环复用的紧凑迭代 Transformer 层(仅 38M 解码器参数),通过显式建模隐式几何残差并分步更新相对位姿与局部几何,以极小参数量达到并超越深层堆叠前馈解码器的位姿与重建精度。

Disambiguating 2D-3D Correspondences in Gaussian Splatting-based Feature Fields for Visual Localization

针对光度优化 3DGS 特征场中高斯椭球体积延展性导致的 2D-3D 多对一匹配歧义与 PnP 不稳定问题,SplitGS-Loc 提出沿主轴的高斯混合分解与光栅化合成权重特征直接提升策略,无需单场景优化即可构建紧凑且多视角一致的特征场,实现高精度、快速收敛的视觉定位。

F2G-Pose: Geometry-Aware Foundation Feature Lifting for Direct RGB-D Category-Level Object Pose Estimation

F2G-Pose 提出了一种端到端直接前向推理框架,通过将密集视觉基础模型特征提升并融合到局部点云、利用稀疏专家混合 Transformer 聚合多类别上下文,并以相机坐标系形状补全作为密集几何辅助监督,摆脱了扩散模型的迭代采样与对齐误差,实现了 28 FPS 实时且 SOTA 的类别级物体 6D 位姿与尺寸估计。

GenCOPE: Syn2Real Generalized Category-Level Object Pose Estimation for Robotic Picking

本文提出面向合成到真实(Syn2Real)泛化的类别级 9DoF 物体位姿估计框架 GenCOPE,在训练阶段利用大语言模型与 CLIP 文本编码器构建 2D/3D 细粒度部件语义一致性约束以抑制纹理域偏差,结合纯全局特征的 2D-3D 交叉一致性 Transformer 与解耦位姿解码器,仅用合成数据训练便在 REAL275(5°5cm mAP 达 50.0%)与 Wild6D 上超越现有方法,并在 6GB 显存的嵌入式平台上实现 40.68 FPS 实时机器人抓取。

MemReg: Streaming Outdoor LiDAR Point Cloud Registration with Hybrid Memory Buffers

针对室外激光雷达配准忽略流式时序信息、易受动态外点与低重叠破坏的难题,MemReg 引入显式位姿与隐式特征混合记忆缓冲池,结合 Mamba 时序建模与动态历史自适应加权,大幅刷新室外与室内跨帧配准精度。

Register Anything Model for Generalizable and Robust Point Cloud Registration

针对传统点云配准模型高度绑定单一场景、跨领域泛化能力急剧退化的问题,本文提出统一的 Register Anything Model (RAM),通过几何感知自适应体素化归一化消解尺度与密度鸿沟,结合建模局部几何一致性的轻量 Transformer (EGeoTR),在跨室内、室外与物体的 12 个基准上刷新了 SOTA 泛化性能。


🎯 目标检测 (17)

Align3D-AD: Cross-Modal Feature Alignment and Dual-Prompt Learning for Zero-Shot 3D Anomaly Detection

针对 3D 渲染图与 RGB 视觉编码器之间的跨模态域鸿沟,Align3D-AD 在辅助训练阶段引入 RGB 模态引导,通过特征对齐与语义一致性重加权将点云渲染特征投射至 RGB 语义空间,并配合模态感知双提示词对比学习,实现了仅需 3D 输入即可高精度检测与分割异常的零样本检测方案。

Beyond Normal References: Discriminative Few-Shot Anomaly Detection

IDEAL 利用固定的少量正常与带掩码异常参考,先消除正常局部变化,再提取多样的本征偏差方向并进行投影评分,在无需目标域重训练的条件下改善已见及未见异常检测;MVTecAD 的 N1A1 设置达到 96.3 / 96.8 的图像级 / 像素级 AUROC。

BiHashFormer: Hash-Driven Dual-Branch Transformer for Efficient Object Detection in HRW Shots

针对十亿像素级超大视场高分辨率(HRW)图像中前景极度稀疏、算力开销爆炸与背景严重交织的难题,BiHashFormer 提出了基于哈希映射的双分支 Transformer 架构,通过压缩分支的 HashAttention 剪除半数键值对,并由补偿分支的 HashMiner 在超低开销下找回非 RoI 区域漏检目标,显著降低计算成本的同时大幅提升了目标检测精度。

Contrastive Hypergraph Source-free Domain Adaptive Object Detection in Adverse Weather Conditions

针对自动驾驶在雾、雨、雪与低照度等恶劣天气下源域数据不可访问的无源域自适应目标检测问题,提出超图对比学习框架 REUNION,通过多关系超图建模高阶上下文并借助超图 InfoNCE 损失促使语义信息由高置信实例向退化目标传播,在 Cityscapes-Adverse 等基准上取得显著优于现有方法的检测精度。

COVD: Continual Open-Vocabulary Object Detection with Novel Concept Injection

针对真实场景中新概念不断涌现且全量重训成本高昂的难题,本文提出持续开放词汇目标检测(COVD)设定及 Novel-114 基准,并设计了无需引入额外参数的 NoIn-Det 框架,通过冻结视觉编码器、表征空间稳定性蒸馏与知识感知参数解耦,实现了新概念的高效吸纳与历史/基底检测知识的无损保留。

Detect Anything in Graphic Design: Element-Level Rewards for Autoregressive Detection

针对平面设计中元素图层重叠与层级遮挡难题,提出基于复合解构的自回归非模态检测模型 DAD,结合基于鞅差分解的元素级相对策略优化(EleRPO),在 1000 万规模设计数据集上实现了人类水准的遮挡区域恢复与图层解构。

Distilling Multi-Teacher Scoring Principles for Unsupervised Time Series Anomaly Detection

针对无监督时序异常检测中多检测器互补但集成推理开销巨大的痛点,提出 AnoMix 框架,通过 CoRank 损失将冻结多教师的归一化分数差异提炼为成对偏好与共识置信度弱监督,训练参数量低于 80k 的单学生直接输出标量异常分,在 7 大基准上超越单检测器和静态集成,并具备零样本跨数据集泛化能力。

Dynamic Query as Budgeting for Tiny Object Detection

论文揭示了微小目标检测中动态查询的本质是依据图像密度进行解码器容量预算而非复杂的查询空间筛选,并据此提出了极简且免训练的预算感知检测器 BUTR,以近乎零的额外开销显著超越现有启发式与预测式动态查询方法。

GIFT: Representation Geometry Matters for Single-Domain Generalized Object Detection

本文针对单源域泛化目标检测(S-DGOD)中无约束微调破坏视觉大模型固有表征几何的缺陷,提出几何不变性微调(GIFT),通过正交 Householder 反射保留表征几何结构并结合通道级自适应缩放,仅用不到 1% 可训练参数在 Cityscapes-C 和 DWD 上分别提升 +7.9% 和 +2.9% mPC。

Localize Any Object in X-Ray Security Scans without Human Annotation

针对 X 射线安检中体积投影重叠导致 RGB 通用分割模型失效且缺乏全量标注的难题,本文提出无需人工标注的自监督定位框架 LAO-X,通过显著性前景挖掘构建物品库、依据 Beer–Lambert 定律进行吸光度物理合成,并结合遮挡递增课程与多粒度伪标签微调 SAM2,实现了显著超越全监督与零样本基线的类别无关目标定位。

查看全部17篇「目标检测」论文 →


✂️ 语义分割 (25)

COCOTree: A Dataset and Benchmark for Open Tree-Structured Visual Decomposition

本文提出了开放树状视觉解构任务(Open Tree Decomposition),通过结合大视觉语言模型(LVLM)的语义推理与 SAM 3 的精确定位构建了包含 2.1 万张图像和 180 万个实例节点的基准数据集 COCOTree,并设计了端到端评测指标 Open Tree Quality (OTQ)。

Complementing DINO Features with Image Structure for Part Discovery

针对自监督 ViT 固定网格跨边界混叠导致部件轮廓模糊的瓶颈,提出训练无关的 Part-DINO 框架,将底层图像对比度边缘提取的几何区域与 DINO 语义特征解耦互补,实现高精度部件发现。

Cracks in the Foundation: A Civil Infrastructure Dataset to Challenge Vision Foundation Models

IBM 与苏黎世联邦理工学院等联合推出首个超大规模土木基础设施细粒度实例分割基准数据集 CiF(约 15 万张图像、25 万个掩码),揭示了前沿视觉基础模型与 VLM 在零样本工业缺陷检测中近乎失效、专用监督模型 mAP 停滞在 25% 的严峻泛化困境。

Efficient SAM3 Adaptation for Multi-Class Semantic Segmentation via Dense Competitive Representations

针对 SAM3 在多类别语义分割中存在的 \(O(N)\) 推理高延迟和语义重叠误分类瓶颈,本文提出 DCR-SAM,通过解耦视觉条件化获得全局共享表征,并结合视觉条件化文本细化与密集竞争头引入显式类间竞争,在实现 33 倍推理加速的同时取得 2.3%~10.7% 的 mIoU 提升。

From Pixels to Concepts: Do Segmentation Models Understand What They Segment?

提出了属性级反事实评测基准 CAFE,通过保持目标区域与分割掩码不变并操控表面纹理、周围上下文或材质构成,系统揭示了当前开放词表可提示分割模型普遍依赖视觉属性捷径而非忠实理解语义概念的本质缺陷。

FuseAdapt: Parameter-Efficient Multimodal Fusion for Semantic Segmentation with Missing Modalities

针对多模态语义分割在推理期传感器缺失或退化时性能断崖式下跌的问题,FuseAdapt 提出在冻结视觉基础模型的自适应空间内将模态私有的注意力更新与受路由调控的 FFN 低秩残差跨模态通信解耦,并配合训练期以全模态 EMA 教师为监督的预测模态建模(PMM),仅用极少可训练参数便显著刷新完整与残缺模态下的分割精度。

Geometry-Guided Semantic Reconstruction for 3D Instance Segmentation

针对直接拼接 2D 基础模型先验导致几何与语义失配且缺乏显式吸收机制的问题,本文提出几何引导语义重建框架,利用原始 3D 几何仿射调制 2D 先验流,并通过掩码背景超点先验的自监督重建任务驱动稀疏骨干网络主动吸收丰富语义。

GMOS: Grounding Moving Object Segmentation in 3D Space and Time

针对传统运动物体分割重度依赖2D光流/轨迹先验且将运动粗暴视为序列级全局属性的瓶颈,牛津大学VGG团队提出首个直接面向原生RGB输入的时空几何对齐框架GMOS,结合前馈3D重构先验与瞬时运动状态评估,在全新基准MOS-I与多项经典评测上取得显著SOTA。

Matching-Based Few-Shot Semantic Segmentation Models Are Interpretable by Design

Affinity Explainer (AffEx) 直接利用匹配式少样本语义分割模型的密集跨注意力/相关性匹配机制与多层特征消融,无需反向传播即可为支持集生成像素级归因解释,并在新建立的少样本因果扰动评估体系中全面超越传统 XAI 方法。

Pixels to Tokens: Token Space Efficient Active Learning for Low-Budget Semantic Segmentation

提出首个基于视觉 Transformer(ViT)表征的像素级极低预算主动语义分割框架 TEAL,通过在原生 Token 空间执行两级 MaxHerding 覆盖筛选候选区域,再在轻量解码器网格上进行裕度不确定性精炼,有效消除了像素级插值带来的伪多样性伪影,在每张图仅标 1 个像素的极端设定下较强基线最高提升 24.36 mIoU。

查看全部25篇「语义分割」论文 →


🖼️ 图像恢复 (29)

A Principled Self-Referenced Early Stopping Approach for Deep Image Prior

针对深度图像先验(DIP)因网络过度参数化而容易过拟合测量噪声的顽疾,本文提出一种基于构造伪自参考图像的早停理论与方法体系,设计了针对彩色图像的通道相似度参考(CSR-ES)、针对灰度/医学图像的掩码参考(MR-ES)以及基于频域谱偏差评分的增广通道参考(ACR-ES),无需噪声水平先验即可实现接近神谕点(Oracle)的鲁棒早停。

Analyzing and Guiding Zero-Shot Posterior Sampling in Diffusion Models

本文在平移不变高斯先验假设下推导出扩散模型零样本后验采样器与理想后验采样器的频域闭式分布,并通过最小化重构后验与真实后验之间的平均 Wasserstein-2 距离,以原则性的最优频域引导权重取代了传统的手工启发式超参数调节,在图像去模糊、修复与加速 MRI 重建上显著提升了信号保真度与感知质量的平衡。

Beyond Spatial-Domain Supervision: A Relation Constrained Space for Multi-Modal Image Fusion

RCS-Fusion 不把源图像当成理想融合图像,而是从冻结的 DINO/CLIP 特征学习关系监督空间,用共享、互补和冲突协调约束训练不同融合骨干,Transformer 版本在 M3FD 的融合图像检测中取得 0.730 mAP。

Bricker to BRACE: A Bracket Exposure RAW Dataset and Restoration Model for Flicker-Banding

针对屏幕拍摄中滚动快门与屏幕调光时域混叠导致的闪烁条纹伪影,本文构建了包含物理光线追踪仿真与真实多曝光拍摄的双模态RAW数据集Bricker,并提出基于频域条纹先验与多尺度空间跨注意力融合的恢复模型BRACE及评估指标SFC。

Can We Model the Artifacts Explicitly? Disentangle Artifacts via Pairwise Edit Residuals

将图像篡改定位重构为隐变量推断问题,构建含 45K 编辑组的 EditGroup-45K 数据集,并通过成对编辑残差与边缘匹配负采样(PAL)显式解耦篡改伪影,为下游篡改定位模型提供通用的抗语义捷径骨干网络初始化。

Continuous Expert Assembly: Instance-Conditioned Low-Rank Residuals for All-in-One Image Restoration

针对全能型图像恢复中全局提示特征瓶颈与离散 MoE 路由不稳定的痛点,本文提出 Continuous Expert Assembly (CEA),通过轻量交叉注意力超适配器按样本动态合成低秩路由基与残差方向,并在空间 token 级以有符号点积连续汇聚残差更新,显著提升了复合退化与空间异质退化的恢复质量。

Control-Augmented Autoregressive Diffusion for Data Assimilation

针对自回归扩散模型在混沌物理系统长程推演中误差累积以及现有测试期优化计算昂贵的问题,本文提出基于随机最优控制视角的摊销控制框架 CADA,通过轻量级离线控制器预见未来观测窗口并在去噪子步注入仿射修正,实现免测试期优化的高效前向同化与长程稳定预测。

Exact Posterior Score Estimation for Solving Linear Inverse Problems

本文推导了线性高斯逆问题下精确后验分数的解析闭式解,证明后验采样等价于在测量驱动的偏移支点上进行各向异性去噪,并提出保持标准预训练结构的 EPS 训练目标,无需似然梯度或投影即可实现高保真度与高效率采样。

Flow Map Denoisers: Traversing the Distortion-Perception Plane for Inverse Problems

本文揭示流映射(Flow Maps)模型的时间前瞻参数 \(t\) 内在地定义了一个连续遍历失真-感知平面的两时刻平均去噪器族,在无需辅助网络或重新训练的前提下,通过嵌入即插即用(PnP)优化框架实现了对通用图像逆问题感知质量与数据保真度的主动连续控制。

GLUT: 3D Gaussian Lookup Table for Continuous Color Transformation

将三维高斯泼溅思想引入连续RGB色彩空间,通过紧凑的显式3D高斯基元软划分与局部仿射变换重构3D查找表(3D LUT),以不足1KB的极低参数量实现高保真色彩变换、多风格无缝融合与免重训实时局部调色。

查看全部29篇「图像恢复」论文 →


🛰️ 遥感 (10)

CoDeRNet: Selective Cross-Task Routing under Heterogeneous Supervision for Change Detection and Captioning

针对遥感双时相变化检测与变化描述任务中稠密像素级与弱句级异质监督所导致的表示不对称问题,本文提出 CoDeRNet,通过解耦接收端支持需求与发送端可靠性线索实现条件双向选择性路由,在保持极具竞争力变化定位精度的同时显著提升语义描述生成质量。

GeoCore-9B: Towards Geo-Aware Generative Foundation Models in Earth Observation

首个完全从零在地球观测数据上训练的 90 亿参数流匹配 Diffusion Transformer 生成基座模型,通过注入连续地理空间元数据并引入遥感冻结教师网络的结构表征对齐损失,在文本生成遥感图、极端去云和 SAR 转光学等下游任务中取得显著突破。

How Much of a Model Do We Need? Redundancy and Slimmability in Remote Sensing Foundation Models

系统验证了遥感基础模型(RS FM)在极小计算预算下的事后可瘦身性(Post-hoc Slimmability),揭示出遥感模型在大幅削减 Transformer 宽度至 1% 计算量时仍能保留 80% 以上相对精度的表征冗余本质。

LESSViT: Robust Hyperspectral Representation Learning under Spectral Configuration Shift

LESSViT 针对跨传感器高光谱波段配置漂移难题,提出基于结构化低秩分解的 LESS Attention,将空谱联合注意力复杂度从 \(\mathcal{O}(N^2 C^2)\) 降低至 \(\mathcal{O}(r N C)\),结合通道无关 Tokenization 与物理波长 RoPE,在维持同分布表现的同时大幅提升跨谱迁移鲁棒性。

LithoBench: Benchmarking Large Multimodal Models for Remote-Sensing Lithology Interpretation

针对遥感岩性解译对地质专业认知与证据推理的高门槛需求,提出包含 10,000 个多层次实例的评测基准 LithoBench,揭示主流视觉语言模型在深层地质成因解释与综合推理任务上存在显著短板。

Manifold Prior Guided Deep Unfolding for Hyperspectral Image Reconstruction

针对传统深度展开网络中投影步场景无感知光谱缩放与去噪器高复杂度或局部感受野局限,本文提出两阶段扩散流形先验引导的深度展开框架,将无退化低维流形表征同时注入光谱自适应加权投影与线性复杂度 Mamba 去噪器,在 CASSI 与滤光片型快照压缩成像系统上均刷新 SOTA。

PolyTopoBench: A Benchmark for Complex Vector Polygon Generation from Remote Sensing Imagery

PolyTopoBench 用两套航空影像、四类地物和 11 个公开基线,把多边形评测拆为区域、环边界和完整环结构,揭示即使复杂实例的 IoU 达到 0.9,其拓扑错误率仍为 84%–100%。

RSRCC: A Remote Sensing Regional Change Comprehension Benchmark Constructed via Retrieval-Augmented Best-of-N Ranking

RSRCC 提出了首个面向局部细粒度语义推理的遥感变化问答(Change QA)评测基准,包含 126k 个实例级问答对,并设计了一套融合连通域候选提取、遥感图文编码初筛与大语言模型检索增强 Best-of-N 排名的半监督数据清洗验证流水线。

SatNav: A Scalable Benchmark for Long-Horizon UAV Vision-Language Navigation from Satellite Imagery

SatNav 用卫星影像和 OpenStreetMap 自动构造 118,494 个长时程导航 episode,并以 SwiftVLN 隔离比较记忆设计:只保留短期记忆会使两个测试集的成功率均下降 21.3 个百分点,而真实飞行迁移仍只得到 18 个 episode 的初步验证。

WorldVLN: Autoregressive World Action Model for Aerial Vision-Language Navigation

针对无人机空中视觉语言导航中视角变化剧烈、累积误差大以及传统 VLA 缺乏动态物理因果建模的难题,WorldVLN 首创潜空间自回归世界动作模型,结合两阶段训练与 Action-aware GRPO,实现闭环航路点动作预测并在真实无人机上实现零样本部署。


🔍 异常检测 (6)

Feature-Context Consistency: Unsupervised Adversarial Detection with Drift Stability on Attributed Graphs

本文提出基于门控线性单元上下文通路的受限玻尔兹曼机(CB-RBM),利用属性图中实体特征与邻域聚合上下文的一致性作为双重判别信号,在完全无标签条件下通过闭式自由能降幅(CB得分)实现高精度对抗检测与分布漂移下的判别界稳定性。

Flow Mismatching: Unsupervised Anomaly Detection via Velocity Discrepancies in Flow Matching Models

Flow Mismatching 摆脱了传统重构与特征记忆库范式,将流匹配视为几何动力学,利用仅在正常样本上学得的模型速度与指向测试目标的几何速度之间的局部不一致性检测异常,结合时间步方差加权与多路径最小聚合实现高效、即插即用且具备可调推理计算预算的高精度工业缺陷检测与定位。

GATE-AD: Graph Attention Network Encoding For Few-Shot Industrial Visual Anomaly Detection

GATE-AD 针对工业少样本视觉异常检测中传统方法难以捕捉局部补丁间不规则关联与重构过平滑的痛点,提出一种基于掩码表征对齐图注意力网络(GAT)的特征级重构范式,通过动态邻域各向异性聚合与潜在空间缩放余弦误差(SCE)度量,在 MVTec AD、VisA 和 MPDD 基准上刷新了 1 至 8-shot 的最先进性能并降低了 25% 以上的推理延迟。

Geometry over Density: Few-Shot Cross-Domain OOD Detection

本文提出了 UFCOD 框架,从概率密度估计转向扩散轨迹的信息几何分析,利用固定预训练扩散模型提取反映得分函数幅度与平滑度的二维能量特征,结合设施选址参考集构建与最优传输温度缩放距离评分,仅凭约 100 个 ID 样本即在 12 个跨域基准上取得 93.7% 平均 AUROC。

InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection

针对工业视觉质检中产线组件持续更替导致模型遗忘历史产品的核心瓶颈,本文提出了首个覆盖 5 大工业数据集、17 种场景序列与多数据集异构流的持续异常检测基准 InCLAD,并为 PatchCore、PaDiM 与 CFA 建立了原生持续自适应评测框架。

M3-AD: Reflection-aware Multi-modal, Multi-category, and Multi-dimensional Benchmark and Framework for Industrial Anomaly Detection

本文提出统一工业异常检测基准与框架 M3-AD,构建涵盖 140 个类别与双推理轨迹的微调集与评测基准,并设计 RA-Monitor 结合暖启动与反思认知强化学习(RCRL),使多模态大模型在初判存疑时自主纠偏,大幅提升零样本缺陷判别与定位精度。


🧑 人体理解 (31)

AnyHand: A Large-Scale Synthetic Dataset for RGB(-D) Hand Pose Estimation

本文提出包含 250 万单手与 410 万手物交互样本的大规模合成 RGB-D 数据集 AnyHand,通过结合扩散姿态先验、物理抓握仿真、完整 3D 前臂上下文与对齐深度图,在不改动模型架构与训练超参的前提下全面提升 HaMeR 与 WiLoR 等主流模型的域内精度与零样本跨域泛化能力,并结合轻量级双向交叉注意力模块刷新 RGB-D 手部姿态估计 SOTA。

AnyMo: Geometry-Aware Setup-Agnostic Modeling of Human Motion in the Wild

本文提出几何感知且佩戴配置无关的人体动作理解框架 AnyMo,通过人体表面密集物理仿真、掩码跨视角预测对比预训练、全身乘积量化词元化以及多任务对比指令微调,在 14 个零样本人体动作识别基准上平均准确率、F1 和 R@2 分别相对提升 11.7%、11.6% 和 22.6%,并大幅刷新跨模态检索与动作描述生成性能。

Asymmetric Invertible Threat: Learning Reversible Privacy Defense for Face Recognition

本文揭示了现有输入空间人脸隐私伪装易被逆向重建或净化攻击破解的“非对称可逆威胁”,并提出集成密钥条件流形绑定(KMB)、对抗恢复感知训练(ARAT)与授权可逆恢复(ARR)的 ARFP 框架,在 LFW 跨模型黑盒评测中取得 95.91% 的平均保护成功率(PSR),在强配对逆向攻击 BINN 下仍保持 91.2% 的 PSR,同时支持正确密钥下的高保真恢复(PSNR 31.2 dB、SSIM 0.94)与基于随机数(Nonce)的篡改指示。

AVI-HT: Adaptive Vision-IMU Fusion for 3D Hand Tracking

AVI-HT 针对第一人称手物交互中手指严重遮挡的难题,提出两级分层跨传感器注意力机制与运动学先验掩码,自适应融合穿戴式手套的 12 路 6-DoF 惯性测量单元(IMU)信号与第一人称单目图像,在实拍数据集 DexGloveHOI 上将平均关键点误差降低 16.1%。

BiMoGen: Bidirectional Motion-Text Generation via Unified Masked Discrete Diffusion

BiMoGen 用统一运动文本词表和双向掩码扩散模型同时完成运动生成与运动描述,通过先对齐后条件生成的训练及生成感知自纠错,在 HumanML3D 上取得 T2M R@1 0.555、M2T CIDEr 60.2,但并非所有指标都优于已有统一模型。

Breaking the Group Size Barrier: Parameter-Efficient Group Dance Generation with Chain-of-Dancers

ChainDance 将音乐驱动的群体舞蹈生成重构为舞者间的条件链式生成(Chain-of-Dancers),依托冻结的单人舞蹈扩散模型与轻量级角色/动作编码器,在打破群体规模限制的同时从结构上杜绝身份混淆,参数量与训练时间减少 3 至 6 倍。

Complexity-guided Regularization for Generalizable Human Gaussian Splatting

针对通用人体高斯泼溅在高频复杂细节区域容易欠采样致糊的痛点,提出通过着衣人体网格的几何与纹理局部香农熵构建复杂度先验,结合成对单调排序正则化自适应分配高斯密度与重要性补丁采样,实现高质量且实时的未见人体新视角合成。

EgoForce: Robust Online Egocentric Motion Reconstruction via Diffusion Forcing

针对第一人称视角下头部与双手稀疏噪声输入导致的在线动作重建难题,EgoForce 借鉴 Diffusion Forcing 范式构建了随时间推移不确定性递增的时序非对称扩散机制,结合噪声鲁棒因果注入与流式温启动重采样,在严格因果约束下实现了长时程平滑且保真的在线全身人体动作重建。

ELMA: Benchmarking Anaphoric Compositions for Long-Term Text-to-Motion Generation

本文提出了面向长时序人体动作生成的指代组合(Anaphoric Composition)新任务,构建了包含 13.2k 条 30 秒连续 3D 动作及跨片段依赖标注的 ELMA 数据集与 ELMABench 评测基准,并通过注入前序文本上下文的微调范式显著提升了现有模型在跨片段状态保持与语义对齐上的表现。

EverAnimate: Minute-Scale Human Animation via Latent Flow Restoration

针对长程人体姿态驱动动画中出现的背景退化与身份漂移问题,EverAnimate 通过跨分块持久潜在记忆传播与带速度重调度的恢复流匹配,仅需轻量级 LoRA 微调即可实现分钟级稳定且高保真的人体视频生成。

查看全部31篇「人体理解」论文 →


📹 视频理解 (40)

3DSPA: A 3D Semantic Point Autoencoder for Evaluating Video Realism

针对生成视频真实感与物理合理性难以无参考自动化评估的问题,本文提出 3DSPA 自编码器架构,将 3D 点轨迹动力学、遮挡掩码与 DINOv2 稠密语义特征深度融合,以随机查询轨迹重构误差(Average Jaccard)作为通用真实感度量,在物理违规检测与人类主观评测对齐上大幅超越现有 2D 轨迹模型与通用多模态大模型。

A Principled Optimal Transport Framework for Frame Selection in Long Video Understanding

将长视频关键帧选择从经验打分启发式重新表述为结构化证据分配的最优传输优化问题,通过半非平衡熵正则最优传输(OTFS-Sinkhorn)求解帧重要性软分布,并结合显式时间覆盖奖励的精确动态规划抽取最优子集。

Before It Fades: Reinforcing Temporal Representations at Inference Time in VideoLLMs

通过量化视频帧反转引起的层级表示差异,本文揭示了 VideoLLM 在中间层习得时序信号却在深层逐渐衰退消亡的机理,并据此提出无须训练的推理期激活注入方法(TAI),以极小开销显著增强时序推理能力。

Behavioral Geometric Supervision Aligns Video Foundation Models with Human Social Perception

提出了行为几何监督(BGS),通过结合局部三元组奇数剔除约束与全局表征相似度分析(RSA)的混合可微目标,在仅更新不到 2% LoRA 参数的情况下,使视频基座模型在动态社会相似性表征上全面超越文本编码基线,并自发涌现可解释的社会情感维度与跨域抽象交互泛化能力。

Beyond Visual Boundaries: Rethinking Scene Segmentation for Movie RAG

本文重新审视了电影长视频检索增强生成(Movie RAG)中的场景分割切块基石,发现传统方法因过度依赖视觉物理突变而落后于均匀切块,进而基于事件分割理论构建了首个叙事驱动的数据集 NarraScene,证明了叙事事件单元作为检索块的决定性优势。

CAM: Question Answering on Entity-Centric Videos with Continuous Extraction and Adaptive Querying

针对长视频问答中高层语义难以跨片段归纳以及扁平检索丢失细粒度多模态细节的难题,CAM 提出了基于子图结构成熟度的异步连续抽取机制与结合图遍历、视频回看的自适应工具流检索,在长视频基准上取得最高达 23.1% 的大幅精度提升。

CoANeRV: Coordinate-Aware Token-Space Neural Video Representation

CoANeRV 提出了一种坐标感知的 Token 空间神经视频表示范式,通过前向卷积 Tokenizer 与 Token Former 将整段视频编码为紧凑的定长潜在 Token,并由全局共享的坐标条件解码器配合轴自适应位置编码、温度调制跨注意力与空间分块查询完成连续时空重建,在摆脱逐视频优化与权重生成的同时大幅降低了密集查询的显存开销。

Concepts in Motion: Temporal Concept Bottleneck Model for Interpretable Video Classification

针对传统概念瓶颈模型在视频任务中难以建模时间动态且标准 Transformer 跨通道混叠会破坏概念归因的困境,本文提出了 MoTIF,通过逐概念独立的对角时间自注意力与 VLM 驱动的时空概念发现,在保持严格概念可解释性与支持干预的同时显著缩小了与黑盒视频模型的性能差距。

Conditional Multi-Event Temporal Grounding in Long-Form Video

针对长视频中带时空复合条件的全部事件检索与计数难题,本文构建了首个基准 CoMET-Bench 与防作弊评测指标 Rejection-F1,并提出无需训练的搜索-聚合智能体框架 CoMET-Agent,显著提升多事件时序定位精度。

Controllable Multi-label Video Safety Detection via Adaptive Tversky Policy Optimization

针对现有视频安全检测局限于二分类且缺乏动态精度/召回权衡调控的问题,本文提出自适应 Tversky 策略优化(ATPO),通过引入反馈控制机制动态调整假阳性与假阴性惩罚,在多标签视频有害内容检测上实现显著的性能跃升与精准的类别级运行点控制。

查看全部40篇「视频理解」论文 →


🚗 自动驾驶 (52)

AutoExpert: Automating 3D LiDAR Annotation from Expert-Crafted Guidelines

AutoExpert 把专家指南中的文本规则和少量二维示例转化为可训练的检测器,再用视觉语言模型提供实例尺度与朝向先验、以固定尺度多假设检验定位三维框,最终在 AutoExpert-nuScenes 上达到 25.4 mAP3D,而不依赖目标任务的三维训练标注。

Autonomous Driving Research Requires a Community-Driven Data Paradigm

本文系统剖析了自动驾驶研究中高被引基准与海量长尾数据集之间的断裂现象,倡导建立解耦采集与标注、具备统一标准与联合维护机制的社区驱动数据生态,以破解模型泛化瓶颈。

Beyond Chamfer Distance: Granular Order-aware Evaluation Metric For Online Mapping

针对在线矢量化高精地图构建中倒角距离(Chamfer Distance, CD)与平均精度(mAP)缺乏点序感知且硬阈值掩盖定位误差的缺陷,提出严格满足度量公理的点序感知单实例度量 SOSPA 与支持定位/检测误差解耦的软多实例度量 PLD。

Beyond Chamfer Distance: Granular Order-Aware Evaluation Metric for Online HD Mapping

针对在线高精建图传统 Chamfer Distance 缺乏顺序感知与 AP 阈值硬划分丢弃几何精度的缺陷,本文提出满足度量公理的有序序列点集距离 SOSPA 与软匹配多实例评测指标 PLD,实现了细粒度几何评测并解耦出定位与检出误差。

Beyond Self-Play and Scale: A Behavior Benchmark for Generalization in Autonomous Driving

针对大规模强化学习自动驾驶策略缺乏标准化评测、基准场景交互度严重匮乏以及评估交通流单一等断层问题,本文提出了 BehaviorBench 评测套件,通过跨模拟器接口连接 nuPlan、基于 WOMD 构建 1k 高交互筛选切分、并引入覆盖多驾驶风格与行为克隆的异构交通智能体,揭示了纯自博弈 RL 策略在跨行为场景下的严重过拟合缺陷,并提出了融合规则安全性与强化学习博弈能力的 PDM+PPO 强基线。

BitMTP: When Multi-Token Prediction Meets Low-Bit Large Language Models

针对低比特大语言模型中直接应用多Token预测会导致质量下降与算力开销倒挂的难题,BitMTP提出了涵盖联合训练、三类灵活解码策略及接受前缀对齐运行时的软硬件协同设计框架,在保持模型精度的同时实现高达2.1×至2.4×的解码吞吐加速。

Bridging Scene Generation and Planning: Driving with World Model via Unifying Visual Geometry

WorldDrive 提出了将场景生成与轨迹规划紧密耦合的双阶段框架,通过轨迹感知驾驶世界模型预对齐视觉与运动表征并直接继承至轻量规划器,再利用未来感知奖励器免去扩散去噪实现毫秒级前瞻评估,在仅用单目视觉下刷新了 NAVSIM 等基准的最优闭环规划性能。

CausalDriveBench: Evaluating Causal Reasoning in Vision-Language-Action Models for Autonomous Driving

首个基于珀尔因果层次(PCH)系统评估自动驾驶视觉-语言-动作(VLA)模型因果推理能力的基准测试,通过构建区分活跃/休眠/干扰实体的因果场景图,产出 7,285 个结构化问答与 1,000 条反事实参考轨迹,揭示了当前模型语言推理与动作规划在因果维度的严重解耦。

Controllable Road Marking Generation

本文提出可控道路标线生成任务,结合潜空间整流流 DiT、拓扑感知软骨架损失与免训练结构化高斯渲染(SGR),实现了依据可行驶区域几何、外圈已知标线及自然语言指令高质量合成中心区域车道线、道路分隔线和人行横道。

CoWorld-VLA: Thinking in a Multi-Expert World Model for Autonomous Driving

CoWorld-VLA 构建了由语义交互、几何结构、动态演变与自车轨迹四类专家组成的潜空间世界模型思维链,并通过双流扩散分层融合规划器将多专家世界表征显式转化为连续轨迹生成的条件信号。

查看全部52篇「自动驾驶」论文 →


🤖 机器人/具身智能 (132)

A2Eval: Agentic and Automated Evaluation for Embodied Brain

A2Eval 提出了首个面向具身大脑的多智能体自动化评测框架,通过 Data Agent 自主归纳八维具身能力并进行多样性聚类采样构建紧凑基准,同时由 Eval Agent 闭环合成并校验可执行推理与评分流水线,在压缩 85% 评估样本和节省 77% 算力的同时显著修正排行榜失真并提升人类偏好对齐度。

A latent control model for realistic rodent motion

针对具身动物模型在强化学习与稀疏奖励探索中难以兼顾真实性与多样性的难题,本文提出了 SCAMPER 架构,通过结合用于目标导向控制的运动先验与用于随机探索的行为先验,使虚拟大鼠在目标控制与自主探索中均能产生生物学逼真的运动行为。

Action Chunking Proximal Policy Optimization with Feedback Correction

ACPPO-Corr 用低频动作块规划器与逐步反馈校正器共同扩展 PPO,保留仅输入状态的价值网络,在 25 个模拟机器人任务上将最终归一化四分位均值相对 PPO 提升 30.4%,而不是提升 30.4 个成功率百分点。

Action Images: End-to-End Policy Learning via Multiview Video Generation

将机器人 7-DoF 控制动作转化为多视角像素级高斯热图动作图像,统一视频预测与策略控制于 Wan 2.2 视频生成底座,无需独立控制头即可实现端到端零样本机器人操作。

ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning

ActionUNet 在时间对齐的动作特征空间构建轻量时间 U-Net 注入多尺度分层先验,并利用具显式二阶平滑约束的条件 SIREN 解码连续轨迹,以极低微调代价显著提升 VLA 模型在扰动环境下的鲁棒性。

AdaOcc: Adaptive 3D Occupancy Prediction for Embodied Tasks

AdaOcc 提出了面向具身任务的自适应 3D 占据预测框架,通过几何引导双分支编码统一多源多视角传感输入,结合渐进式查询学习与包容损失正则化,实现了算力可缩放的高保真场景三维感知。

AnchorWorld: Embodied Egocentric World Simulation with View-Based Evolution Customization

AnchorWorld 基于 Wan2.2 视频生成底座,提出混合视角投影动作控制与带姿态锚点视角机制,实现了由全身三维人体运动驱动且支持局部场景动态演化定制的第一人称具身世界模拟器。

APIVOT: Adaptive Planning with Interleaved Vision-Language Thoughts

提出自适应交织图文思维链的 VLM 规划器 APIVOT,在自回归推理轨迹中将语言语义推理与隐式未来视觉思维动态结合,无需外部物理仿真器即可内化几何可行性验证,在长程复杂厨房操作规划上显著超越通用 VLM 与传统规划基准。

ATI-VLA: Action-Centric Predictive Vision–Language–Action Models via Actionable Alignment Then Adaptive Injection

针对预测型视觉-语言-动作模型中观测与动作的模态割裂及联合训练优化冲突,ATI-VLA 提出“先动作化对齐、后自适应注入”的两阶段范式,在仅利用动作目标优化决策的同时高效释放前瞻预测能力。

BEACON: Cross-Domain Co-Training of Generative Robot Policies via Best-Effort Adaptation

针对仿真与真实世界间视觉和物理差距导致的跨域策略退化问题,BEACON 将生成式机器人策略的跨域协同训练转化为受目标域泛化界指导的重要性重加权优化问题,在无需显式特征对齐损失的前提下显著提升了极少真实示范下的策略鲁棒性与迁移效果。

查看全部132篇「机器人/具身智能」论文 →


🎮 强化学习 (237)

A Distribution Mapping Approach to Counterfactually Fair Reinforcement Learning

针对高风险决策场景下因敏感属性关联导致的序贯歧视问题,本文提出基于条件分位数分布映射的反事实公平强化学习框架(CFSMDM),打破了传统反事实公平强化学习对可加性噪声的严苛假设,并给出了次优差距与反事实不公平度的理论上界保证。

A Geometric Perspective on Reward Function Updates in Inverse Reinforcement Learning

本文从占用度量空间(occupancy space)的几何视角重新审视逆强化学习,证明了向最优占用的测地线移动等价于沿积分 Fisher 信息矩阵预调理的奖励参数自然梯度更新,并将其统一为函数空间镜像下降框架。

A Single-Sample Polylogarithmic Regret Bound for Nonstationary Online Linear Programming

针对非平稳在线线性规划在极度稀缺的数据条件(每个到达步仅获一个离线样本),本文提出一种基于动态规划视角的对偶重求解算法,通过构造确定性 \(\delta\)-路径与一致对偶收敛分析,在大资源机制下首次证明了 \(\mathcal{O}(\log^2 n)\) 的多对数遗憾上界。

A Single Deep Preference-Conditioned Policy for Learning Pareto Coverage Sets

针对多目标强化学习中偏好扫描导致的目标间断与边界聚集问题,本文证明了平滑切比雪夫标量化下最优目标向量的唯一性与利普希茨连续性,并推导出在占用测度空间具备 \(\mathcal{O}(1/k)\) 收敛速率的凹镜像下降策略迭代算法及其深度 Actor-Critic 拓展。

Absolute State-wise Constrained Policy Optimization: High-Probability State-wise Constraints Satisfaction

针对传统安全强化学习仅约束期望成本无法排除长尾违规风险的难题,本文提出绝对状态级约束策略优化(ASCPO),首次在无已知系统动力学假设的模型无关设定下,通过推导轨迹最大状态成本期望与方差的紧致代数上界,实现了高概率保证的状态级安全约束满足。

Achieving Optimal Static and Dynamic Regret Simultaneously in Bandits with Deterministic Losses

本文首次证明在确定性损失与已知环境切换次数 \(S\) 的遗忘对抗多臂老虎机中,利用布莱克威尔可达性对冲探索开销与负静态遗憾,可同时实现最优静态遗憾 \(\widetilde{O}(\sqrt{AT})\) 与最优动态遗憾 \(\widetilde{O}(\sqrt{SAT})\)。

Active Context Selection Improves Simple Regret in Contextual Bandits

针对有限情境下最小化情境加权简单遗憾的上下文多臂老虎机问题,本文证明了主动选择情境相比被动随机采样能实现高达 \(\Theta(k^{1/4})\) 的理论增益,提出了最优幂律分配比 \(q_j \propto p_j^{2/3}\) 与预算受限下的阈值注水机制,并设计了在未知情境分布下渐近匹配已知全主动最优率的 EETC 三阶段算法。

Actor-Accelerated Policy Dual Averaging for Reinforcement Learning in Continuous Action Spaces

针对策略对偶平均(PDA)在连续动作空间中单步决策依赖耗时优化子问题的瓶颈,本文提出 Actor 加速的 PDA 算法,通过策略网络逼近累积正则化优势函数的极小值点,在保留全局收敛理论保障的同时显著超越 PPO 等同策略基线。

Advancing Entropy-Level Credit Assignment in RLVR via Proximal Entropy Policy Optimization

AETDICE: Unified Framework and Offline Optimization for Nonlinear Multi-Objective RL

针对非线性多目标强化学习被割裂为标量化期望回报(SER)与期望标量化回报(ESR)两套体系的困境,本文提出聚合-期望-变换(AET)统一理论框架,并构建了首个支持任意轨迹级非线性与期望级凹聚合的离线算法 AETDICE。

查看全部237篇「强化学习」论文 →


🎁 推荐系统 (24)

Action-On-Item Preference Flow: A Shared Event Schema for Predictive and Generative Personalization

本文提出基于物品动作(action-on-item)的统一事件模式与多时间尺度状态空间架构 PerTIDE,通过动作门控进入、长/短/偶发三分支状态轨迹持久化、自适应融合与命令条件化读出,实现同一个用户历史更新机制在预测性推荐(如新闻/电影排序)与生成式任务(如个性化标题生成)间的通用复用与跨域迁移。

AdaM-Rec: Adaptive Modality Routing for Multimodal Recommendation

AdaM-Rec 针对多模态推荐中视觉与文本需求随查询动态变化的难题,提出通过历史交互构建粒度对齐的伪查询代理召回任务,以 Agent 迭代自优化动态校准各模态召回权重与预算,显著提升了个性化推荐精度。

An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation

本文提出一种仅依赖最近一两个交互物品并在转移图少跳邻域内结合文本特征相似度打分的极简启发式方法(TGH),在无需训练的情况下全面超越多种前沿生成式及深度序列推荐模型,揭示出主流评测基准存在低分支转移、特征平滑与短历史依赖等捷径结构。

Bridging Textual Profiles and Latent User Embeddings for Personalization

提出了强化学习框架 BLUE,通过大模型生成自然语言用户画像,并联合利用隐式嵌入空间的双向对比对齐奖励与文本空间的下一个交互预测奖励优化生成策略,在无需人工金标画像的情况下实现了兼具高可解释性与强判别检索能力的双重表征。

Controllable and Content-Based Recommendations

针对传统协同过滤隐空间不可解释且无法直接干预的问题,CCBR 利用多模态大模型从物品原始内容中抽取自然语言画像并构建文本瓶颈,通过两阶段标签监督与对比对齐实现即插即用且支持多模态冷启动与文本负向意图干预的可控推荐。

DiagnosticIQ: A Benchmark for LLM-Based Industrial Maintenance Action Recommendation from Symbolic Rules

针对工业物联网中“规则报警易、维修决策难”的痛点,本文提出首个基于专家符号规则的工业设备运维动作推荐评测基准 DiagnosticIQ(含 6,690 道选择题及 5 个针对性变体),揭示出当前前沿模型本质上依赖模板表面匹配而非真实逻辑求值的严重脆弱性。

FoMEMO: Towards Foundation Models for Expensive Multi-objective Optimization

FoMEMO 提出了首个面向高成本多目标优化的基础模型范式,通过在大规模合成高斯过程数据上预训练 PFN 架构,仅需单次前向传播即可根据历史轨迹与偏好向量预测目标聚合后验分布,实现无需在线更新模型的零样本快速上下文优化。

Goal-Conditioned Supervised Learning for Multi-Objective Recommendation

MOGCSL 把会话未来的多种累计奖励保留为目标向量,以普通交叉熵训练一个目标条件的下一物品预测器,再用统计目标或双 CVAE 选择推理目标,在购买预测与训练成本上取得优势,但并非所有点击指标都领先,也不保证指定目标真正可达。

Is Your LLM-as-a-Recommender Agent Trustable? LLMs’ Recommendation is Easily Hacked by Biases (Preferences)

本文提出面向智能体推荐范式(LLM-as-a-Recommender)的偏见基准 BiasRecBench,通过质量裕度校准管线严格控制候选选项间客观质量差距 \(\epsilon\),揭示了前沿大语言模型即便具备充足推理能力也极易被权威偏见、羊群效应及指令偏见误导的脆弱性。

LIME: Link-based User-item Interaction Modeling with Decoupled XOR Attention for Efficient Test Time Scaling

LIME 提出了一种基于全局可学习“连接嵌入”(Link Embeddings)的解耦注意力推荐架构,结合 XOR 注意力掩码将序列自注意力复杂度降至线性,并实现候选交互权重离线完全预计算,在达到重型 Transformer 级精度的同时实现 10 倍推理加速。

查看全部24篇「推荐系统」论文 →


🔄 自监督/表示学习 (64)

AmbientFM: A Foundation Model for Ambient Sensing

AmbientFM 在 439 天涵盖 20 类商用 IoT 设备采集的 920 万条未标注真实 WiFi CSI 信号上预训练统一骨干,融合自适应频率聚合、无线定制对比学习、掩码重构及自相关函数预测目标,仅凭轻量级微调即可跨 9 项下游感知任务取得 0.90 以上的 AUROC。

An Open-Source Training Dataset for Foundation Models for Black-box Optimization

提出了首个大规模开源黑盒优化轨迹预训练数据集 BBO-Pile(含 3,095 个黑盒任务、55.7 万条轨迹、约 25 亿 token),并训练了 2M 至 80M 参数的因果 Transformer 优化模型,系统验证了优化器模仿与算力缩放法则。

Approximation in Contrastive Representation Learning

本文从泛函与逼近论视角系统回答了为何内积形式评分函数能逼近不可分的点对互信息(PMI),建立了紧算子谱截断误差界、通用及结构化深度神经网络(DNN)逼近速率,并证明了密度比Tsybakov噪声下向上游对比超额风险到下游检索误差的快速校准不等式。

Baba in Wonderland: Online Self-Supervised Dynamics Discovery for Executable World Models

针对规则词汇与语义先验失准的符号环境,提出闭环系统 Alice,将可执行程序更新失败所暴露的保留冲突提炼为假设类,同步驱动紧凑反例更新与边界好奇心探索。

Benchmarking Attention for Tabular Foundation Models

针对表格基座模型中二维交替行列注意力的特殊形态,系统评测了横跨三代 GPU 的 7 类注意力后端,量化了内存步幅转置与张量连续性开销,提出了行注意力与列注意力解耦的混合后端调度策略并实现端到端加速。

Beyond IID: How General Are Tabular Foundation Models, Really?

本文提出了覆盖 142 个真实数据集的统一表格基准 BeyondArena 及标准化数据治理框架 DataFoundry,系统评估了 3 款主流表格基础模型在独立同分布与非独立同分布任务下的泛化能力,揭示了其在复杂场景下仍被调优传统模型超越的局限。

Beyond Isotropy in JEPAs: Hamiltonian Geometry and Symplectic Prediction

针对传统 JEPA 强制单视图嵌入服从欧氏各向同性高斯边缘分布所导致的结构失配与不可辨识问题,本文提出 HamJEPA,将结构先验从单视图边缘分布转移至跨视图预测耦合中,构建基于辛蛙跳积分器的相空间哈密顿预测机制,并在非各向同性谱下界正则化下显著提升自监督下游表征质量。

Beyond Missing Rates: Rethinking Incomplete Multi-View Clustering with Protocol Divergence

论文用实际缺失率与完整样本比例揭示不完整多视图聚类的评测协议分歧,并提出只融合当前样本已观测视图的 CRAFT:在信息匹配的不完整训练中赢得 13 个条件中的 12 个,另以完整视图训练后的固定检查点评测跨协议部署。

Beyond ViT Tokens: Masked-Diffusion Pretrained Convolutional Pathology Foundation Model for Cell-Level Dense Prediction

针对现有基于 ViT 的病理大模型因固定分块破坏空间连续性与细胞细粒度形态细节的瓶颈,提出结合掩码扩散预训练与 ConvNeXt-UNet 架构的卷积病理基础模型 CMD,在保持骨干冻结且仅微调极少下游参数下显著超越 ViT 基线与端到端分割网络。

Calibrating Scientific Foundation Models with Inference-Time Stochastic Attention

针对科学基础模型输出确定性且缺乏可靠不确定性的缺陷,提出在推理时将 Softmax 注意力替换为多项分布采样的随机注意力(Stochastic Attention),无需重训练仅通过一维后验校准即可输出保均值、高锐度且校准严格的预测区间。

查看全部64篇「自监督/表示学习」论文 →


📐 优化/理论 (313)

A Biconvex Formulation for Stable Transport of Mixture Models with a Unique Solution

提出最优混合传输(OMT),将基于样本的传统最优传输重构为子群体混合模型间的双重熵正则化双凸优化问题,证明其具备单步收敛的全局唯一极小值与倾斜稳定性,并利用指数族闭式解将计算复杂度彻底解耦于样本量。

A Differentiable Interior-Point Method in Single Precision

针对传统内点法在单精度浮点运算下因互补松弛条件导致线性系统病态发散的瓶颈,提出基于 softplus 辅助变量的隐式互补紧致投影与谱有界 KKT 系统,首次在 f32 下实现了高鲁棒二次规划求解与高保真隐函数求导。

A Kernel Nonconformity Score for Multivariate Conformal Prediction

提出多变量核不贴合度分数(MKS),将马氏距离推广至再生核希尔伯特空间(RKHS),证明其等价于高斯过程后验方差并可解构为 MMD 与各向异性 KPCA 修正项,在保证无分布有限样本覆盖率的同时大幅压缩多变量预测区域体积。

A Memory Efficient Unified Algorithm for Online Learning of Linear Dynamical Systems

针对含有少量不稳定或弱阻尼模态的高维线性动态系统,提出一种参数量仅与不稳定性复杂度 \(k\) 对数相关的统一在线预测算法,通过解耦并融合自回归残差、谱滤波与有限记忆滤波,在无需已知系统矩阵的情况下达到次线性平方损失遗憾。

A Minimal Interpretable Architecture for Zero-Shot Reconstruction of Dynamical Systems

本文通过对顶尖动力系统重构基础模型 DynaMix 进行系统的结构逆向工程与对称性约简,提出了仅含两个自由参数的极简可解释迭代映射 DynaBase,以近乎零的参数量和极低训练代价实现了媲美庞大基础模型的零样本动力系统长程几何重构,并揭示了单步预测优化与动力系统重建目标间的本质分歧。

A Near-optimal SQ Lower Bound for Smoothed Agnostic Learning of Boolean Halfspaces

针对均匀边缘分布下布尔半空间的平滑不可知学习,本文构造了结合对称三角核与加权拉盖尔积分的正交对偶见证,证明了近乎匹配 \(L^1\) 多项式回归算法的统计查询(SQ)下界 \(n^{\Omega(\log(1+\sigma/\varepsilon^2)/\sigma)}\)。

A Novel Schur-Decomposition-Based Weight Projection Method for Stable State-Space Neural-Network Architectures

针对非线性动力系统辨识中状态空间神经网络层稳定性保障难题,本文提出基于实舒尔分解的截断式准三角矩阵投影与预分解正交投影方法,在不引入冗余超参数与过度参数化的前提下,以反向传播兼容方式实现严格的舒尔稳定性保证。

A Provably Convergent and Practical Algorithm for Gromov–Wasserstein Optimal Transport

针对非凸格罗莫夫-瓦瑟斯坦最优传输中精确投影代价高昂导致理论与工程实现脱节的问题,本文提出了一种基于易验证原始可行性残差的不精确投影梯度(iPG)框架,不仅在理论上严格证明了全序列收敛到驻点,而且在图对齐任务上兼顾了高稀疏度、近可行性与优异的目标函数解质量。

A Reduction from Delayed to Immediate Feedback for Online Convex Optimization with Improved Guarantees

本文提出统一的连续时间事件模型,将带延迟的在线凸优化分解为无延迟遗憾与预测漂移惩罚,并在多臂 Bandit 凸优化中将延迟遗憾界从 \(\mathcal{O}(\sqrt{T d_{\max}})\) 和 \(\mathcal{O}((T d_{\text{tot}})^{1/3})\) 大幅优化至 \(\mathcal{O}(\sqrt{d_{\text{tot}}})\)。

A Spectral Framework for Closed-Form Relative Density Estimation

本文提出一种基于广义特征值分解的谱分析框架,将KL散度等算子凸f-散度的变分估计转化为加权卡方散度的积分,仅凭一阶与二阶特征矩即可闭式估计相对对数密度势函数,无需迭代优化与显式归一化常数计算。

查看全部313篇「优化/理论」论文 →


📐 学习理论 (202)

Sponsored Questions and How to Auction Them

本文首次形式化了对话式AI平台中“赞助澄清问题/提示词”的信息引出与后续广告位联合拍卖问题,证明了端到端VCG机制能够兼顾真实报告与社会福利最大化,而直觉上的分阶段模块化拍卖(VCG-per-stage)存在严重的战略低效,其无政府状态代价(Price of Anarchy)无界。

A Local Geometric Analysis of Maximal Coding Rate Reduction via Error Bounds

本文证明了最大编码率降低(MCR²)目标函数在其局部极大值点邻域满足误差界性质,建立了距离局部极大值点集合与梯度范数之间的几何控制关系,进而证明了一阶优化算法在此非凸景观下具有局部线性收敛保证。

A mathematical theory of balancing relational generalization and memorization

本文提出了带例外的传递推理任务范式,通过可解析求解的核岭回归模型从理论上揭示了表征几何与正则化对关系泛化与例外记忆平衡的机理约束,并在微调大语言模型中验证了理论预测的系统性错误。

A multi-scale information geometry reveals the structure of mutual information in neural populations

本文从高斯粗粒化下表征距离收缩的第一性原理公理体系出发,推导出了唯一的多尺度费歇尔信息度规,严格证明了其迹与群体互信息的等价恒等式,并通过条件扩散模型克服高维积分瓶颈,在猕猴 V1/V4 视觉皮层神经数据上揭示出稳健且具生物可解释性的信息几何结构。

A Theoretical Analysis of Why Masked Diffusion Models Mitigate the Reversal Curse

本文从理论上证明掩码扩散模型(MDM)缓解逆转诅咒的核心在于相对位置编码下「位置无关的证据存储」与「注意力路由」的参数级耦合,正向掩码训练更新的参数能直接以一阶近似降低逆向查询损失。

A Topological Sorting Criterion for Random Causal Directed Acyclic Graphs

揭示了因果发现基准中广泛使用的 ER 与 SF 随机有向无环图(DAG)沿因果拓扑序天然具有单调递增的“亲属节点”(relatives)数量,证明了该结构缺陷不仅直接泄露因果拓扑排序并压缩马尔可夫等价类(MEC),更提出了基于时间展开 DAG 的无偏差随机图生成替代方案。

Adaptive inference for functionals of M-estimands

本文把非参数 M-估计目标的光滑泛函推断扩展到已知采样策略的自适应数据,通过一步偏差校正配合逐轮条件方差稳定化,或在方差收敛到随机非零极限时采用自归一化,构造渐近有效的置信区间;动态定价模拟显示普通 GLM 和仅加逆倾向权重的 GLM 会欠覆盖。

Aligning Inductive Bias for Data-Efficient Generalization in State Space Models

本文从核泛化理论出发,形式化证明了线性时不变状态空间模型(LTI SSM)的归纳偏置由其频率响应主导,并提出了基于任务相关谱匹配的任务依赖初始化(TDI),在不改动模型架构与推理成本的前提下显著提升了有限样本预算下的泛化效率。

Ambient Discrete Diffusion: Using the Wrong Data at the Right Time for Data Efficient Learning

针对严苛数据匮乏场景,本文提出基于噪声水平选择性引入分布外(OOD)数据的 RefineMix 框架,证明并利用了离散扩散在极度掩码下仍保持域可分性的本质差异,仅在高噪声使用目标域、低噪声混合源域数据,在 5 组文本迁移任务及仅 197 个样本的蛋白质家族生成中使有效折叠多样性产率近乎翻倍。

Amortized Vine Copulas for High-Dimensional Density and Information Estimation

提出 Vine Denoising Copula (VDC) 架构,通过预训练可复用的二维 U-Net 经验直方图去噪网络与 IPFP 边缘均匀化投影,将藤 Copula 中原本高昂的 \(O(d^2)\) 次重复双变量拟合转化为毫秒级 GPU 推理,实现高维显式密度建模与无偏互信息/全相关树级分解。

查看全部202篇「学习理论」论文 →


🔗 因果推理 (41)

B-CALM: Bias-Limited Bayesian Borrowing for RCT-Anchored Treatment Effects under Covariate Mismatch

针对随机对照试验(RCT)样本量有限且观察性研究(OS)存在混杂与协变量部分不匹配的异质性处理效应估计难题,提出贝叶斯校准对齐与借用框架 B-CALM,通过引入基线偏倚与比较偏倚函数将外部借用转化为先验敏感性分析,在理论上证明了信息增益受先验精度严格上界约束的“偏倚受限借用”机制,杜绝了负迁移并维持名义区间覆盖率。

Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias

针对黑盒预测模型在跨机构部署时同时遭遇的协变量偏移与历史决策诱导的选择性标签偏差,本文提出了首个联合可识别性框架并推导出目标风险的有效影响函数,构建了渐近正态且半参数有效的双重机器学习评估器。

Budgeted Multi-Source Counterfactual Annotation for Off-Policy Evaluation

针对上下文老虎机离线策略评估中历史行为策略覆盖受限的痛点,提出一种在成本与容量约束下的多源反事实标注预算分配框架,从理论上推导了首个标注门槛与四类局部价值区间,并通过主化最小化算法单调优化估计量方差,使 OPE 估计均方误差降低达 20.68%。

Causal Abstractions, Categorically Unified

提出基于马尔可夫范畴(Markov Categories)与自然变换的统一因果抽象代数框架,用严格严谨的范畴图表语言统一并推广了确定性、概率性、变量聚类以及含隐变量混杂图(ADMG)上的因果抽象理论。

Causal Discovery Under Hard Selection Bias: A New Robust Score-Matching Approach

针对观测数据中选择机制未知且任意截断的硬选择偏差难题,本文发现对数密度的 score 函数及其 Jacobian 在截断区域内部具有严格不变性,并据此提出首个基于条件 Hessian 外积矩阵秩检验的通用因果发现算法 CHess,在各类加性噪声模型下均能实现因果骨架与汇节点的稳健辨识。

Causal Discovery via Transformed Low-Rank Quantile Surfaces

提出低秩分位数曲面(LRQS)双变量因果发现框架,通过证明因果方向上经未知单调变换后的条件分位数曲面具有低秩泛型可辨识性,并结合交替保序回归与截断 SVD 实现非参数因果方向判别。

Causal Inference for Sequential Settings under Interference and Latent Confounding

针对同时存在网络干预溢出、时间自相关与低秩潜在混杂的时序观测数据,本文提出一种基于时序最大伪似然估计(MPLE)与交替最小化的可微学习框架,在单条高维轨迹观测下实现了具备非渐近一致性保证的参数估计与广义因果效应推断。

Causal Learning with the Invariance Principle

论文证明了在有向无环图和双射机制假设下,仅需两个辅助环境(自然实验)的不变性约束,即可辨识任意非线性结构因果模型的因果图与函数机制,并首次实现反事实层级的因果可辨识性。

Causal Multi-Task Demand Learning

针对零售定价中因价格决策与未观测需求驱动因素高度相关而导致的跨任务混淆难题,本文提出决策条件掩码结果元学习(DCMOML),通过在条件集中纳入全部内生价格并在局部外生价格对上实施随机化查询与双重结果掩码,实现了对任务特定因果需求参数条件均值的无偏识别与一致估计。

Causal Representation Learning for Generalisable Recommendation

提出面向推荐系统分布偏移的因果表示学习准则,通过在预测目标中惩罚物品表示与用户混杂变量之间的互信息,消除虚假相关通路,在保持离线同分布性能的同时显著提升真实线上分发与随机曝光下的排序泛化能力。

查看全部41篇「因果推理」论文 →


🔬 可解释性 (106)

A Hierarchy of Entropy-Shapley Games for Multivariate Predictive Uncertainty

针对多变量概率预测模型,提出包含边际熵、序贯条件熵与全联合熵的三层熵-Shapley博弈体系,通过信息论链式法则与条件全相关严格隔离跨分量依赖贡献,解决了现有逐分量归因无法感知跨时间步相关性变化的结构性盲区。

ADAPT: Hybrid Prompt Optimization for LLM Feature Visualization

针对大语言模型特征可视化中离散提示词优化极易陷入局部最优的问题,提出融合多组束搜索初始化、梯度与Logit自适应混合变异及多样性槽位管理的混合算法 ADAPT,在 Gemma 2 2B 的 486 个 SAE 隐层方向上显著超越 GCG 与 EPO。

Agentic-imodels: Evolving agentic interpretability tools via autoresearch

本文提出 Agentic-imodels 框架,通过编码智能体构建全自动研究闭环(autoresearch loop),基于大模型可模拟性评测指标协同演化表格回归模型,打破了传统统计工具面向人类而非智能体的解释瓶颈,并在 BLADE 数据科学基准上带来最高达 73% 的端到端性能增益。

Amortized Linear-time Exact Shapley Value for Product-Kernel Methods

本文提出 PKeX-Shapley 算法,针对乘积核方法建立无分布假设的中性因子移除算子,并利用前缀-后缀初等对称多项式递推结构,在 \(\mathcal{O}(d^2 n)\) 总时间内联合求解全部 \(d\) 个特征的精确 Shapley 值(单特征均摊线性时间),同时无缝拓展至 MMD 与 HSIC 统计差异归因。

Are Stated Reasoning Steps Causally Load-Bearing? Activation Patching Says Less Often Than Text Editing Does

本文提出基于已知反事实目标的激活补丁因果忠实性评估指标(CLB 率),揭示大模型显式写出的思维链中间步骤中约四分之三具有因果承载作用,但主流的文本编辑行为学测试高估了因果忠实性多达 11.4 至 20 个百分点,且更弱的模型随推理深度增加更容易退化为事后叙述。

Beyond Interpretability: When, Why, and How Sparse Autoencoders Enable Label-Free Visual Steering

本文提出视觉稀疏操控方法 VS2,首次将稀疏自编码器(SAE)从被动的事后可解释性分析拓展为主动的下游表征干预空间,通过在冻结 CLIP 图像编码器激活上放大活跃稀疏特征并解码差值,以不足 0.1% 的推理计算开销实现无标签测试时零样本分类提升,并建立了质心偏差操控的闭式几何解释与基于未解释方差比(FVU)的可靠性门控机制。

Beyond Linear Activation Steering: Invertible Latent Transformations for Controlling LLM Behavior

针对传统线性激活转向难以适应弯曲各向异性流形的问题,本文提出 INNSteer 框架,利用仿射耦合可逆网络将激活映射到线性可分隐空间施加平移后再严格求逆,以轻量前向推理实现了输入自适应的非线性行为调控。

Beyond Steering Vector: Flow-based Activation Steering for Inference-Time Intervention

针对传统激活引导基于位置不变与单步平移假设导致的指令遵循与流畅度崩塌痛点,FLAS 将推理期干预重构为以自然语言概念为条件的时间连续速度场流输运,在 AxBench 上首次全面超越上下文提示并揭示出弯曲、多步且随位置变化的激活空间真实几何。

Beyond Steering Vector: Flow-based Activation Steering for Inference-time Interventions in LLMs

针对传统激活控制方法依赖单步、位置不变和对比数据等简化假设导致的泛化瓶颈,本文提出基于连续流的激活控制框架 FLAS,通过学习自然语言概念条件化的速度场并在推理时执行多步欧拉积分,首次在 AxBench 大规模基准上全面超越 In-Context Prompting。

Can Circuit Alignment Predict OOD Generalization?

本文用同类电路跨域相似度减去异类电路相似度构造电路对齐分数(CAS),在不使用目标域数据的源域模型选择中取得 PACS 平均 Spearman 相关系数 0.88,但其 OOD 排名一致性依赖额外的单调性假设,并非完全无数据的权重诊断。

查看全部106篇「可解释性」论文 →


📦 模型压缩 (205)

A Composite Activation Function for Learning Stable Binary Representations

本文提出由 Sigmoid 与 Tanh 复合构成的重尾激活函数(HTAF),通过参数解耦实现在原点附近保持大梯度以精准逼近 Heaviside 阶跃函数、同时在尾部区域保持极慢指数衰减以消除梯度消失,无需替代梯度即可端到端稳定训练 SNN、BNN 与深度阶跃网络,并衍生出免概念标注且不损精度的隐式概念瓶颈模型(ICBM)。

A Free Lunch in LLM Compression: Revisiting Retraining after Pruning

针对大语言模型剪枝后全局微调开销过大而无自适应剪枝精度受损的困境,本文系统评估了以稠密模型中间激活为对齐目标的局部重构方法,揭示了只要重构窗口包含非线性子模块即存在性能不随窗口大小衰减的“免费午餐”现象,并证明自适应使得模型规模放大时复杂剪枝准则相比简单基线的优势急剧消失。

A Self-Evolving Framework for Efficient Terminal Agents via Observational Context Compression

TACO 提出了首个面向终端 CLI Agent 的自进化观测上下文压缩框架,通过任务内隐式反馈与跨任务全局规则池的自监督演进,在不依赖人工规则或模型微调的前提下,过滤冗余终端输出并精准保留任务关键证据,在 6 个基准上显著降低 12%–27% 的 Token 消耗并提升决策准确率。

AC/DC on a Budget - Alternating Sparse Phases

本文深入揭示了交替稀疏-稠密训练(AC/DC)中稠密阶段的核心收益源自被掩码参数接收到的大梯度所驱动的掩码重布线与权重符号翻转,进而提出了零初始化、缩短稠密窗口以及仅更新高梯度非活动权重的 ARC(交替重布线压缩)方法,在显著降低训练计算量(FLOPs)的同时匹配甚至超越了基线性能。

Active Learning for Conditional Generative Compressed Sensing

本文提出面向条件生成式压缩感知的提示词驱动克里斯托弗主动采样理论与框架,显式解耦真实信号、采样设计与重建先验三类提示词,证明了采样与重建提示词失配下的稳定恢复误差界与样本复杂度惩罚。

AdaPreLoRA: Adafactor-Preconditioned Low-Rank Adaptation

针对 LoRA 生成映射雅可比矩阵秩亏导致权重空间预条件子无法直接拉回因子空间的根本阻碍,AdaPreLoRA 将现有优化器统一为带约束仿射逆解框架,采用低开销 Adafactor 对角 Kronecker 预条件子并在其赋范度量下求解因子不平衡最小化投影,以 \(\mathcal{O}((m+n)r)\) 显存闭式实现了全权重预条件更新的最优低秩逼近。

Adaptive Mass-Segmented KV Compression for Long-Form Reasoning

AMS 不替换 token 重要性评分器,而是先用注意力质量分布自适应切段并分配保留配额,再在段内评分筛选,从而缓解长推理中连续区域被清空的问题;Math500 上 AMS-Expected 在 256-token 缓存预算下比 AdaKV-ExpE2 高 16.0 个百分点。

AdvJudge-Zero: Binary Decision Flips in LLM-as-a-Judge via Adversarial Control Tokens

AdvJudge-Zero 提出利用大模型判别器自身的条件分布进行零种子束搜索,高效发现能反转二值裁决的低困惑度对抗控制词元,并据此构建基于 9 分类机制分层的加固微调策略,在 GRPO 强化学习中彻底消除奖励作弊导致的策略崩溃。

Alignment Collapse Under KV Cache Quantization: Diagnosis and Mitigation

揭示了大模型 KV Cache 低比特量化会在困惑度几乎不变的情况下使安全对齐产生剧烈的静默崩溃,提出了基于激活通道几何特性的通道级减少率(PCR)诊断框架与两轴故障分类,仅需 20 条校准提示词即可在 35 分钟内自适应指导免训练防御,恢复高达 97% 的安全对齐能力。

Amortized-Precision Quantization for Early-Exit Vision Transformers

针对低比特量化噪声扰动早期退出决策导致过早退出掉点或过晚退出低效的矛盾,本文提出摊销精度量化(APQ)范式与 MAQEE 双层优化框架,联合优化退出阈值与层级比特分配,在维持全精度性能的同时降低高达 95% 的 BOPs。

查看全部205篇「模型压缩」论文 →


🕸️ 图学习 (44)

Beyond the Golden Teacher: Enhancing Graph Learning Through LLM-GNN Co-Teaching

针对少样本图学习下单一模型作为“黄金教师”会向学生传播其盲区的问题,本文提出无固定教师的双向协同教学框架 LLM-GNN Co-Teaching,通过小损失准则动态互换置信伪标签并利用跨轮次反转生成轨迹偏好对(RPL-PO),大幅刷新 6 个基准的少样本图节点分类 SOTA。

Bridging Academia and Industry: A Comprehensive Benchmark for Attributed Graph Clustering

提出工业级属性图聚类基准与开源库 PyAGC,将经典与前沿聚类算法统一在“编码-聚类-优化”范式下,通过邻居采样与小批量化打破全图内存墙,在跨越 5 个数量级(最高达 1.11 亿节点)的 12 个数据集上揭示了学术界与工业界在异质性、表格特征与无监督评测上的巨大断层。

C_4-Equivariant Flow Matching on Anisotropic Power-Diagram Graphs for Microstructure Generation

本文提出将多晶微观结构参数化为各向异性权值图(APD),通过在晶粒图上构建 \(C_4\) 等变流匹配模型,并结合免训练可微目标梯度引导,实现了任意分辨率渲染与复杂空间组织(如焊接、铸造、3D打印与层状结构)的受控生成。

Chaining 2-FWL GNNs for Combinatorial Graph Alignment

针对纯结构无属性的无标签图组合对齐难题,本文提出串联 2-FWL 表达能力的 Folk-GNN 并引入离散匹配质量排名的链式迭代训练与推理机制,不仅打破了 MPNN 在正则图上的表达力屏障,更通过为经典凸松弛 FAQ 算法提供高质量初始相似度矩阵,在稀疏随机图与正则图上将对齐准确率大幅提升至 SOTA。

Chasing Label Shifters: A Change-Aware Framework for Dynamic Graph Node Classification

针对动态图节点分类中类别标签发生跃迁的“标签漂移节点”性能严重落后且过度预测旧标签的系统性缺陷,本文揭示了邻域聚合引起的“嵌入惯性”根因,并提出了即插即用、模型无关的感知变化增强框架 CHASE,在大幅提升漂移节点分类准确率的同时保持稳定节点性能。

Concorde: Geometry-Aware Link Prediction via Decoupled Energy Minimization

针对稀疏图链路预测中扩散算子耦合几何表征时的全局谱失稳与局部对称性破缺矛盾,Concorde 将连接能量显式解耦为无参谱锚点、混合曲面残差和切空间测地转向场三分支,在极端稀疏图上将早期检索精度翻倍。

DiPhon: Diffusion on Graphons for Scalable Graph Generation

本文提出 DiPhon,通过在连续图极限(Graphon)空间上构建 Jacobi 随机微分方程(SDE)并经由矩对齐重整化离散到有限图,使在小规模图(20–80 节点)上训练的图扩散模型无需重训即可泛化生成至 300 节点的大图并保持拓扑有效性。

DisRFM: Polar Riemannian Flow Matching for Structure-Preserving Graph Domain Adaptation

针对欧氏对抗图域自适应中拓扑信息被抹平与极小极大训练震荡的痛点,本文提出在常曲率黎曼流形极坐标下解耦径向拓扑尺度与角度类语义,并通过拓扑条件黎曼流匹配实现保结构样本平滑输运。

Efficient Dynamic Algorithms for Graph Neural Networks with Non-Linear Propagation

本文用残差证书、端点缩放和选择性推送维护动态无向图上的非线性传播不动点,在度归一化误差下证明确定性的摊销更新界,并展示非线性能够提升静态分类准确率而不明显增加动态传播成本。

Efficient Memory Crystallization for Graph Learning under Non-Stationary Distribution Shifts

针对非平稳分布漂移下图测试时连续自适应(CTTA)高计算与显存开销的痛点,EMC 提出用闭式解析解直接将输入图结晶为紧凑低秩记忆图,结合跨域状态演化场与理论证明更紧的泛化误差界,在零辅助训练模块下取得 SOTA 表现并缩减 87.4% 运行耗时与 92.4% 显存开销。

查看全部44篇「图学习」论文 →


🤝 联邦学习 (9)

Beyond Parameter Aggregation: Semantic Consensus for Federated Fine-Tuning of LLMs

提出无须交换模型参数的联邦微调范式 FedCoFiT,通过在共享公开 Prompt 上收集各客户端文本生成行为并在语义向量空间聚类选取共识伪标签反哺本地训练,将通信开销彻底解耦于模型规模(相比 405B 模型的 LoRA 聚合通信量降低达 1006 倍)并天然支持异构架构与黑盒模型。

BLEND: Balancing Personalization vs. Generalization in Federated Vision–Language Models

针对联邦视觉语言模型在客户端非独立同分布数据下个性化与新类泛化难以兼顾的难题,BLEND通过在双塔注入全局共享适配器与本地私有视觉投影适配器,配合动量锚点与融合双损失联合优化,实现了个性化与泛化能力的最优平衡。

CRAFT: Conflict-Resolved Aggregation for Federated Training

针对非独立同分布(Non-IID)数据导致的客户端梯度方向冲突问题,CRAFT 将联邦聚合重构为锚定动量参考方向的约束最小二乘几何校正问题,通过闭式解消除迭代求解开销,在显著提升全局模型精度的同时大幅收敛客户端性能差距。

Federate the Router: Learning Language Model Routers with Sparse and Decentralized Evaluations

本文提出了首个用于大语言模型(LLM)查询路由的联邦学习框架,使各客户端能够在私有查询和稀疏、偏置的模型评估数据不出本地的前提下,协同训练参数化 MLP 路由器与非参数化 K-Means 路由器,显著提升了准确率与推理成本的帕累托前沿。

Federated Concept-Based Models: Interpretable models with distributed supervision

针对真实联邦场景下概念标注分散且受时空非平稳性影响的痛点,本文提出联邦概念模型(F-CMs),通过图聚合推断全局概念拓扑、动态扩展模型架构与模块化局部参数聚合,在保护隐私的前提下实现了跨机构概念知识共享与鲁棒的可干预推理。

Federated Learning by Utility-Constrained Stochastic Aggregation for Improving Robustness

本文提出基于效用约束随机聚合的联邦学习框架 FedUCA,将服务器聚合建模为满足自利客户端个人理性约束的可行性优化问题,并通过狄利克雷采样的候选聚合策略利用琴生间隙创造效用盈余,有效防止跨孤岛联邦学习中由于异质性引发的客户端流失与训练崩溃。

HERO: A Heterogeneity-Aware Benchmark Library for Federated Continual Learning

针对联邦持续学习(FCL)中评测协议混乱、变量耦合严重导致算法对比失真的痛点,HERO 提出了首个解耦任务划分、客户端数据偏斜与任务序列失配的标准化评测基准库,并引入尾部客户端鲁棒性指标揭示出同步与异构场景下算法表现的深刻分化。

Ripple in Still Water: Zero-Shot Clustering in Federated Learning with Wavelet Scattering Transform

Ripple 提出了一种完全脱离训练循环的离线聚类联邦学习框架,利用方差加权主成分原型与小波散射变换提取客户端数据的谱几何特征,并在服务端通过预训练的高斯混合变分自编码器单次前向推理出软聚类权重,以 FedAvg 相同的每轮通信开销实现零样本聚类与个性化。

SP-CACW: Convergence-Aware Client Weighting for Selfish Personalized Learning

针对非 IID 异质联邦学习中目标客户端易受有害协作负迁移的痛点,提出直接最小化目标收敛误差理论上界的客户加权算法 SP-CACW,通过动态权衡梯度偏差与方差并借助在线凸优化实现鲁棒的自私个性化。


📈 时间序列 (95)

A Locally Tokenized Generative Model for Robust Time-Series Watermarking

本文提出基于局部时序窗口离散表征的 L-VQVAE 生成模型及配套水印方案 LVQMark,通过将时序重编码约束在有界时间邻域内并结合奇偶交替红绿集划分与无偏预热采样,解决了后编辑攻击下全局耦合重编码导致的零假设双向漂移及假阳性失控难题。

A Scalable Multi-Task Model for Virtual Sensors

针对传统虚拟传感器依赖孤立模型与人工选特征、难以协同且开销随测点线性爆炸的困境,本文提出首个统一的多任务虚拟传感器模型,通过原型 token 选择性预测新信号,端到端学习基于注意力的输入关联并实施结构化稀疏剪枝,在保持预测精度的同时实现最高 415 倍推理加速与 951 倍显存缩减。

A Set-Sequence Model for Time Series

针对金融与工程中大规模高维截面时间序列预测难题,提出 Set-Sequence 架构,利用置换不变的 Set 模块在每步线性时间内自适应提取截面聚合表征,并与单体时序特征拼接送入序列骨干模型,在完全消除人工特征工程的同时兼顾未对齐时序和推理期动态样本规模。

AdaST: Adaptive Coupling for Spatial-Temporal Forecasting

AdaST: Adaptive Coupling for Spatial-Temporal Forecasting

AdaST 将时空输入分成时间专属、空间专属和时空耦合三种表示,分别建模后用相关度调制的门控自适应重组,在四个短期传感器预测基准上取得表中最佳结果,其中 PurpleAir 的 MAE 从最强对照的 0.511 降至 0.489。

AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting

针对化学反应性空气质量长期预测中误差积累、物理漂移及突变事件平滑的痛点,AeroChem 提出了双分支闭环校正架构,将 S-Mamba 生成的概率虚拟观测与 UDE 物理过程先验在潜在状态空间通过神经卡尔曼融合实时校正,显著降低长程漂移并提升突变预测精度。

Arbitrarily Conditioned Hierarchical Flows for Spatiotemporal Events

本文提出了分层流匹配框架 ARCH,通过将时空事件解耦为时间流与空间流,并结合混合掩码训练策略,首次在统一框架内兼顾了复杂事件分布的任意条件推断与瞬时事件风险(条件强度)的精确闭式计算。

Benchmarking Sensor-Fault Robustness in Time Series Forecasting

提出了首个面向信息物理系统(CPS)时间序列预测的传感器故障鲁棒性评测基准 SensorFault-Bench,通过覆盖数值、时序与可用性三大故障家族的 8 种标准化场景与三元度量协议,揭示了名义误差领先模型在故障下的严重性能劣化及基础模型的适应性局限。

Beyond Empirical Support: Structured Outlier Generation via Sinkhorn Optimal Transport

SBOG 用 Sinkhorn 支持度能量寻找潜空间边界锚点,在局部扰动中挑选低支持但语义受控的候选以合成异常,使 CARLA 的五数据集平均逐点 F1 从 0.362 提升至 0.432,并改善图像分布外检测;这些结果衡量下游效用,不等于恢复真实异常分布。

CAST: Causal Anchored Simplex Transport for Distribution-Valued Time Series

针对分布值时间序列中相似观测在不同潜状态下演化差异导致的“潜转移核混叠”痛点,提出一种在概率单纯形上保持严格封闭的因果局部算子 CAST,通过历史后继检索、持续性锚定以及有序支集上的有界局部随机输运,显著降低多步自回归外推的长期漂移。

查看全部95篇「时间序列」论文 →


🏥 医学图像 (76)

A Steerable Deep Network for Model-Free Diffusion MRI Registration

提出首个基于 SE(3)-等变可操纵 UNet 的免模型(model-free)扩散磁共振成像(dMRI)非刚性配准框架,将配准建模为位置-方向联合空间上的等变微分同胚,并结合傅里叶空间最大均值差异损失直接对齐原始信号与集成平均传播子。

Aegis: Generative Gradient Masking for Privacy-Preserving Medical Federated Learning

Aegis 在客户端每个本地 epoch 后加入任务相关合成图像的梯度更新,以增加线性泄漏中的样本混合;在三种 MedMNIST 模态上将所测重建率降至 9.38%–11.63%,但这不是零泄漏或差分隐私保证。

Aligning LLMs with Biomedical Knowledge using Balanced Fine-Tuning

针对生物医学文本中密集低置信度区间富集关键实体与因果链的特有不确定性结构,本文提出双尺度平衡微调(BFT),通过局部组归一化 token 重加权与序列级极值困难样本调度,在保持训练稳定性的同时充分保留领域知识,为下游稀疏奖励强化学习与生物表征构建提供了强鲁棒初始化。

Ask, Answer, and Detect: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts

本文提出 ROME 框架,利用 LLM 角色扮演模拟用户作答标准化心理测量问卷构建中介监督链,并结合按问题条件路由的混合专家模块(MoE)与可靠性-重要性自适应调制,在脱机轻量推理下显著突破文本到人格的表征映射瓶颈。

Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring

针对临床生存分析中因患者退出导致的不可忽略信息性截断难题,本文提出基于敏感度函数的部分可识别性界限分析框架,并设计具备双重稳健性与拟预言机效率的无偏元学习器 SurvB-learner,实现了在截断偏差下对异质性因果效应(CATE)的稳健子群识别。

Beyond Sparse Captions: Aligning Slide-Level Text and Patch-Level Vision in Pathology

提出 LIMIT(Locked Image Multiple Instance PreTraining)框架,通过冻结视觉编码器、仅利用以全切片诊断报告为查询的多示例交叉注意力微调文本编码器,在 33.5 万例临床报告上训练出 CONCH-Z 模型,在 22 项零样本病理任务中刷新 SOTA 甚至超越全监督 MIL 基线。

Beyond ViT Tokens: Masked-Diffusion Pretrained Convolutional Pathology Foundation Model

针对主流 ViT 病理基础模型切块分词破坏空间连续性与局部细胞形态的问题,本文提出掩码扩散卷积基础模型 CMD,在像素空间通过结构化掩码去噪预训练纯卷积 ConvNeXt-UNet 并结合冻结病理大模型条件注入,实现对细胞级密集预测任务的高精度、强泛化与极低标注开销表征迁移。

B[FM]\(^2\): Brain Foundation Model via Flow Matching with SplitUNet

本文提出脑电基础模型 B[FM]\(^2\),摒弃传统离散分块与掩码重建范式,直接利用最优传输条件流匹配(OT-CFM)与专为时间-电极不对称性设计的 SplitUNet 在原始连续多通道 EEG 波形上预训练,仅用约 307 小时预训练数据便在 9 项下游任务中的 7 项取得 SOTA,且无条件生成的脑电波形在双盲测试中令认证神经科医师无法与真实临床脑电区分(\(\kappa = -0.096\))。

BigCell: Generating Gigapixel Whole-Slide Images

BigCell 提出首个原生支持十亿像素(Gigapixel)全切片病理图像(WSI)生成的统一框架,结合渐进式训练的 2048 分辨率流匹配 Transformer、病理基础模型嵌入驱动的滑动窗口推理、自适应 CFG 速度调度以及文本生成条件网格的 CGM 模型,实现了逼真的宏观组织架构与微观细胞形态合成。

BrainPro: Process-conditioned Pretraining with Topographic Retrieval for Large EEG Models

针对脑电基础模型中多数据集导联排布异质性与实验范式上下文线索被忽视的问题,BrainPro 提出基于通用模板的地形图空间滤波检索机制与多分支心理过程条件化掩码预训练框架,在 9 个跨范式 BCI 基准上显著超越现有 SOTA 模型。

查看全部76篇「医学图像」论文 →


🩺 医疗 LLM (16)

Ask, Answer, and Detect: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts

本文提出 ROME 框架,创新性地让 LLM 扮演用户离线作答心理测量量表以生成结构化中间监督,并通过问题条件混合专家(MoE)联合表征用户博文与问卷题项,实现了可解释且高精度的社交媒体人格预测。

Deceptive Grounding: Entity Attribution Failure in Clinical Retrieval-Augmented Generation

揭示临床检索增强生成(RAG)中真实文献被错配给查询实体的“欺骗性扎根(Deceptive Grounding)”失效现象,建立两阶段权限门控机制,并在13个模型和真实生产环境中验证了评测隐形性与实体归因验证防护。

Discrete Neural Interlingua for Ontology-Agnostic EHR Modeling

本文提出面向电子健康记录(EHR)的离散本体无关分词器 Mediator,通过将任意临床概念文本映射到统一的向量量化(VQ)码本构建神经通用语,彻底打破闭表词表瓶颈并实现零样本跨机构泛化。

DoAtlas-1: A Causal Compilation Paradigm for Clinical AI

提出因果编译范式并构建 DoAtlas-1 系统,将异构医学文献从叙述性文本编译为结构化、可执行的干预因果估算目标对象,支持 6 类严格的因果查询并在大型前瞻性深度表型队列中实现统计闭环验证。

Don’t Pay Attention, PLANT It: Pretraining Attention via Learning-to-Rank

针对极端多标签文本分类中随机初始化标签注意力导致长尾稀有标签难以对齐的瓶颈,本文提出基于互信息增益与排序学习的两阶段预训练注意力方法 PLANT,使小体量大模型在稀有标签分类上大幅超越更大规模基线与现有 SOTA。

DT-PBO: an Interpretable Tree-based Surrogate Model for Preferential Bayesian Optimization

提出首个面向偏好贝叶斯优化的非线性内在可解释决策树代理模型 DT-PBO,利用创新的成对比较一致性得分与跨界样本剔除机制直接构建浅层树,并以拉普拉斯逼近和零均值约束量化叶节点不确定度,在保持与高斯过程相当的优化收敛性及极高运行效率的同时,在医疗分诊等高风险场景中提供了忠实直观的决策依据。

EHRNote-ChatQA: A Benchmark for Evidence-Grounded Multi-Turn Clinical Question Answering over Longitudinal Discharge Summaries

针对临床真实查房复核中跨多份出院小结迭代提问与证据追溯的需求,构建了首个涵盖 967 名患者、16,072 个医护全量校验 QA 对的多轮证据溯源基准 EHRNote-ChatQA,评测揭示模型在溯源题上准确率大幅落后于内容回答且错误在轮次间显著级联传播。

Extending ROC Analysis to Uncertainty-Aware Risk Prediction with an Interval-Based AUC (iAUC)

针对高风险临床场景中点估计无法反映认知不确定性的问题,本文提出了将ROC分析扩展至区间值预测的iAUC框架,构建上下两条ROC曲线并实现确定正确、模糊重叠与确定错误的严格三分分解,同时给出了贝叶斯最优AUC的理论覆盖界。

MedEvoEval: Evaluating Continual Evolution of Doctor Agents through Simulated Clinical Episodes

提出了一个基于动作门控门诊模拟的医生智能体持续演进评测框架 MedEvoEval,通过角色分离视图与细粒度事件日志,不仅揭示了最终答案准确率所掩盖的交互轮数、检查滥用及无效动作等过程成本,更首次系统评测了跨病例经验记忆沉淀对未见病例的迁移增益与反向性能保留。

MedKIT: Evaluating Knowledge Integration and Generalization in Large Language Models

MedKIT 将 6,196 条有时间戳的肿瘤学证据转成同事实、多任务探针,比较 12 种知识整合方法与 5 个模型,发现“更新后能复述事实”通常并不意味着能在开放式推理或生成中使用事实。

查看全部16篇「医疗 LLM」论文 →


🧬 计算生物 (66)

At FullTilt: Real-Time Open-Set 3D Macromolecule Detection Directly from Tilted 2D Projections

FullTilt 将已对齐的二维倾斜序列直接送入带多类别视觉提示的三维检测器,以跨倾角行注意力融合、近零倾角查询初始化和训练期几何增强替代三维体数据滑窗检测,在三个真实 cryo-ET 数据集上实现亚秒级零样本检测,但仍需要模拟数据预训练和输入对齐。

Atom-level Protein Representation Learning Improves Protein Structure Prediction

TriProRep 提出了融合氨基酸序列、主链局部几何与残基内全原子几何的三视角蛋白质表征预训练框架,借助轻量生成器构造跨视角扰动并由判别器进行纠错恢复,并在全新提出的 RepSP 结构预测基准上显著提升了同源二聚体柔性对接、残基结合特征预测与单体结构预测蒸馏精度。

Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics

提出了首个基于状态空间模型(SSM)的全原子生物分子动力学生成框架 ATMOS,结合双向 Pairformer 隐状态转移与条件扩散解码,在单体蛋白与蛋白-配体复合物轨迹模拟中实现了线性时序复杂度与显著优于现有方法的精度。

Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials

提出了系统评估机器学习原子间势(MLIP)组合泛化能力的基准测试 GMD,覆盖链延伸、官能团融合、复制、重组与裂解五类任务,揭示了主流模型及微调基础模型在跨分子组合外推时能量与受力误差普遍恶化 1 到 3 个数量级且主要源自标量受力幅值预测崩溃的现象。

Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark

NMO 用三个受电极结合约束的纳米物理任务检验分子优化的真实迁移能力,并以显式锚位的 GGS 表示、随机分子预训练和遗传引导 GFN 找到具有物理研究价值的候选,但完整模型并非三个任务的 AUC 都最优。

BioBlobs: Unsupervised Discovery of Functional Substructures for Protein Function Prediction

BioBlobs 提出了一个与编码器无关且端到端可微的蛋白质子结构发现框架,通过直通估计种子采样、几何受限邻域生长与 Hoyer-Square 稀疏正则化将蛋白质动态压缩为少量紧凑的功能 Blob,仅依赖全局蛋白质级别标签进行多示例学习分类,不仅在 ProteinShake 和 VenusX 等基准上大幅超越均值和注意力池化,还能在零残基标注下高精度重现实验测定的催化活性位点。

Branching Flows: Discrete, Continuous, and Manifold Flow Matching with Splits and Deletions

提出 Branching Flows 框架,通过引入森林先验与分裂/删除随机速率,将流匹配扩展至离散、连续及流形混合的变长序列生成任务,有效解决抗体 CDR3 及蛋白质结构中的未知长度中缀生成难题。

Budgeted Quotient-Residual Guidance for Frozen Pocket-Conditioned Molecular Diffusion

针对口袋条件分子扩散模型中商空间先验引导梯度微弱易钝化的问题,提出预算化商残差引导(QRG),将商余向量度量水平提升至环境空间,并以冷冻采样器自身运动步长严格约束引导范数,实现免重新训练的高质量先导化合物生成与编辑。

C3P: Contrastive promoter-protein pretraining yields representations capturing bacterial gene regulation

受多模态对比学习启发,C3P 通过将细菌启动子 DNA 与预训练冻结蛋白质语言模型 ESM2 的表征进行跨模态对比对齐,使仅 100M 参数的启动子编码器在基因调控推断与零样本共调控基因检索任务上大幅超越 7B 规模的基因组自回归语言模型。

CausalBind: Causal Modeling and Learning for Protein-Molecule Virtual Screening

针对基于双塔检索的虚拟筛选容易过度拟合全局冗余相关性的缺陷,CausalBind 将仅观测到结合对的数据建模为 Heckman 风格的选择撞节 V-结构,在理论上证明了密集交互不可辨识而稀疏反链/低秩交互可辨识,并通过稀疏概念对瓶颈在 DUD-E 和去偏基准 LIT-PCBA 上显著提升了早期富集性能。

查看全部66篇「计算生物」论文 →


⚛️ 物理/科学计算 (61)

APPSolver: Adaptive Patch Partitioning for Point-Wise Ship Flow Prediction on Unstructured Meshes

针对船舶 CFD 非结构化网格点集规模大且严重非均匀导致注意力主干计算代价高昂的问题,APPSolver 提出基于四叉树与船体距离先验的确定性自适应 Patch 剖分(APP)与降采样机制,在保持极低前向开销(1.3 ms / 1.8 GFLOPs)的同时实现全参考点集的高效点级流场预测。

AtomMOF: All-Atom Flow Matching for MOF-Adsorbate Structure Prediction

本文提出首个面向金属有机框架(MOF)及主客体吸附复合物的全原子变分流匹配生成模型 AtomMOF,直接从构建单元与吸附物的 2D 分子图无约束预测全原子 3D 晶体坐标与晶胞参数,结合机器学习原子间势(MLIP)驱动的 Feynman-Kac 采样引导,在 BW 基准上将结构匹配率提升 35.00%、RMSD 降低 32.68%,并在 ODAC25 吸附构型采样中比传统巨正则蒙特卡洛(GCMC)快数个数量级。

Breakeven Complexity: A New Perspective on Neural Partial Differential Equation Solvers

针对传统仅评估精度的指标严重忽视神经 PDE 代理模型前期高昂训练开销与经典求解器低保真度低成本特性的痛点,本文提出了端到端计算感知的“盈亏平衡复杂度”评估框架,基于缩放定律在固定预算下优化数据生成与训练分配,并构建了基于 GPU 原生 PyFR 模拟的多障碍一流体基准 BreakFlow,揭示出神经求解器在难度更高、保真度更严苛的物理任务中才真正具备算力摊销优势。

ClothTransformer: Unified Latent-Space Transformers for Scalable Cloth Simulation

ClothTransformer 将织物仿真重构为学习隐空间中的自回归序列建模,通过交叉注意力将任意分辨率网格压缩为固定数量的隐式 token,并结合可微连续碰撞检测(CCD)与高质量无穿透数据集,实现了单一模型在人体服饰、机器人操作及自由落体碰撞三种异构场景下的统一且高保真物理仿真。

CME–SpectrumBench: Can LLMs Analyze Condensed Matter Spectral Data?

斯坦福与 UC 伯克利团队提出首个针对凝聚态物理前沿实验(ARPES/RIXS)光谱分析的基准 CME–SpectrumBench,揭示前沿大模型在长上下文直接推理密集连续数据时的严重衰减,并验证通过 Python 解释器与 ReAct 代码生成智能体可取得逼近物理学研究生手写代码的分析性能。

Compute-Optimal Data Scaling for Neural Surrogates via Multi-Fidelity Training

本文提出将数值模拟的数据生成预算显式拆解为样本数量与保真度混合谱的优化问题,通过连续保真度条件调制多保真度神经代理模型,在相同计算预算下将所需数据生成开销降低多达 6.3 倍。

Coupled Integral PINN for Discontinuity

针对强形式物理信息神经网络(PINN)在间断界面处导数发散且陷入过平滑伪解的优化屏障,CI-PINN 引入原变量与积分势能双网络耦合架构,以无网格积分形式与熵条件无缝捕捉激波和稀疏波。

Deep-Koopman-KANDy: Dictionary Discovery for Deep-Koopman Operators with Kolmogorov-Arnold Networks for Dynamics

将双层柯尔莫哥洛夫-阿诺德网络(KAN)引入深度库普曼算子的编解码器,并提出基于链式法则与水平集分析的训练后符号读出机制,解决了传统方法必须在训练前预先假定候选函数字典的核心瓶颈。

diffusion-warm sampling of the xy model enables fast thermalization at scale

针对二维连续自旋 XY 模型在传统 MCMC 采样中大尺度与低温下热化时间指数级爆炸的难题,提出利用在小尺寸格点上训练的温度条件扩散模型进行跨尺度推理以提供高质量初态,仅需少量 Wolff MCMC 步即可修正宏观可观测度并实现约一个数量级的热化加速。

Discovering Phase Space Structure in Learned Hamiltonian Systems

SPS-GAN 提出了一种将端口哈密顿动力学与条件对抗生成相结合的框架,通过在非保守系统中拓展循环坐标正则化,首次在无需预设广义坐标与相空间维数的前提下,仅凭笛卡尔轨迹或视频观测便能联合生成物理自洽轨迹并自监督辨识系统真实自由度与正则坐标。

查看全部61篇「物理/科学计算」论文 →


🧮 科学计算 (7)

AOT-POT: Adaptive Operator Transformation for Large-Scale PDE Pre-training

针对异质偏微分方程(PDE)解算子结构差异大导致的预训练拟合瓶颈,AOT-POT受经典数值变换启发引入输入自适应的多流算子变换块,仅增加3%参数即可将解算子投影为更易联合建模的统一空间,在12项基准上相对L2误差平均降低40.9%。

Conservative Neural Posterior Estimation via Distributionally Robust Training

针对低仿真预算下神经后验估计易产生过度自信与欠覆盖的问题,本文提出基于 Wasserstein 分布鲁棒优化的 DRO-NPE,通过一阶梯度正则化上界化总体风险与 KL 覆盖/校准误差,显著提升后验推断的保守性与泛化能力。

Controlling Transient Amplification Improves Long-horizon Rollouts

针对自回归物理神经模拟器在长程外推时快速漂移发散的瓶颈,本文揭示了局部雅可比矩阵的非正规性与非对易性诱发误差瞬态放大是结构性根源,提出了零推理开销的对易性与正规性正则化,使长程外推稳定运行数千步。

Cross-Fitting for Neural Posterior Estimation

针对神经后验估计(NPE)联合训练均值与方差时样本内残差趋零所导致的后验严重过度自信问题,本文提出基于样本分割的交叉拟合神经后验估计(CF-NPE),将后验均值回归与样本外残差条件密度估计两阶段解耦,从根本上消除了均值欠拟合与方差过拟合的权衡,在多项高维任务中实现了近乎完美的后验校准与显著更高的泛化对数似然。

Curriculum Multiple Shooting for Robust Training of Neural and Universal Differential Equations

本文提出课程多重打靶法(Curriculum Multiple Shooting, CMS),在训练过程中逐步合并相邻打靶时间窗口直至退化为单打靶目标,兼顾了短轨迹优化平滑性与全轨迹全局动态视野,显著提升了神经与通用微分方程在噪声、稀疏观测及刚性系统下的拟合与外推泛化能力。

End-to-End Neural Modeling of EM Response and Design Performance for Free-Form RFIC Passives

针对射频集成电路中自由形态无源匹配网络传统电磁仿真耗时过长的瓶颈,本文提出一种结合频率条件化神经模拟器与电路条件化神经求解器的端到端框架,引入补充响应与依赖正则化打破误差传递瓶颈,以每秒上万次评估的速度实现双目标高精度预测。

MC2: Monte Carlo Correction for Fast Elliptic PDE Solving

本文提出混合求解器 MC2,将极低采样预算的 Walk-on-Spheres 蒙特卡洛解视作含结构化噪声的估计量,利用单遍前向神经校正网络消除有限样本方差,在单张前向传递下匹配超 1000 倍采样预算的高精度解,并构建了涵盖 200 万实例的大规模椭圆偏微分方程基准 PDEZoo。


🌍 地球科学 (2)

SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs

针对传统自回归机器学习气象模型在短步长下累积误差爆炸且割裂时间连续性的痛点,SDECast 将 SDE Matching 拓展至物理空间并引入高斯边界锚定后验,提出一种免仿真的连续时间神经随机微分方程框架,无需在训练时反复求解微分方程即可学习连续随机大气动力学,实现全球小时级高保真概率气象预报。

ThousandWorlds: A benchmark for climate emulation of potentially habitable exoplanets

ThousandWorlds 将五个全球气候模型的 1,689 次潮汐锁定水世界模拟统一成低数据量的参数到气候平均场回归基准,并用同星球 GCM 分歧衡量模拟器的实用精度,其中 GPLFR 在完整基准上的归一化几何平均 RMSE 为 0.462。


📡 信号/通信 (2)

Geometric Inductive Biases for Semi-Supervised Equalization: The Constellation-Aware Transformer

CAT 把已知星座点与接收信号从第一层起联合建模,并用双向 FIR 信号分支处理符号间干扰,在逐块半监督适应中减少所需导频,但这一收益依赖足够的导频与接收端训练计算,并非无监督或跨信道零样本解码。

Learnt Attacks on Quantum Key Distribution under Channel Noise and Device Drift

将信道噪声与设备漂移下的自适应量子窃听建模为受约束马尔可夫决策过程(CMDP),通过门结构与旋转角度的双层启发式搜索生成紧凑量子攻击电路库,并结合强化学习动态调度策略,在保证零检测概率下大幅提高了窃听者获取的互信息。


👥 社会计算 (11)

AI-Mediated Communication Can Steer Collective Opinion

本文揭示了主流大语言模型在润色和撰写有争议议题时普遍存在方向性偏见,并通过拓展经典 Friedkin-Johnsen 观点动力学模型与真实社交网络模拟,证明网络传播机制会放大单次 AI 偏见达 9.2 倍,进而系统性操纵群体长期意见演化。

Budgeting Discretion: Theory and Evidence on Street-Level Decision-Making

本文将街头官僚在既定规则下的自由裁量权形式化为一个受限预算内的有限时域动态决策问题,理论上证明了决策率对福利收益尺度具有尺度不变性且完全由收益分布形状(尾部厚度)决定,并通过圣路易斯无家可归救助系统数据验证了裁量权使用与短期运力空缺及行政时序紧密相关的动态配给机制。

DeEscalWild: A Real-World Benchmark for Automated De-Escalation Training with SLMs

本文提出了首个基于真实世界警民冲突公开视频构建的高保真降级对话基准与数据集 DeEscalWild(1,500 场完整交互、28.5 万对话轮次),并证明通过端到端领域微调,参数量仅 3B 的小型语言模型(SLM)在真实感与降级交互表现上能够超越参数规模远大于它的通用大模型基线 Gemini 2.5 Flash,实现边缘端亚秒级实时推演。

emophone a multi-wave dataset for in-the-wild mobile and wearable affect sensing

提出了跨越 2020 至 2022 年三波次、包含 53,139 条真实世界密集情境经验抽样 (ESM) 标签与智能手机/可穿戴多模态感知数据的大规模情感感知基准数据集 EmoPhone,建立了时间预测、波次内跨用户泛化与跨波次泛化的三阶评测阶梯,揭示了移动情感计算中的核心瓶颈不仅是标签数量,更是多波次真实部署中的用户异质性与波次间协变量/概念漂移。

Enhancing LLMs with Cognitive-Affective Personality Inference for Simulating Human Social-Psychological Behavior

受认知-情感人格系统(CAPS)启发,提出零样本分阶段推理流水线 SPIN,将人类被试模拟解耦为任务无关人格编译、情境特定认知-情感状态引出和状态接地决策读取三阶段,在四大基底模型上显著提升了不确定性推理与多元无知实验的基准级行为对齐度。

Evaluating AI-based Scientific Knowledge Synthesis with Epidemiological Systematic Reviews

本文联合帝国理工学院流行病学评审组(PERG)构建了针对世卫组织优先病原体的大规模系统文献综述评测基准 AgentSLR,解耦检索、多阶段筛选和模式约束抽取等环节,揭示了前沿推理模型在流行病学结构化抽取上的普遍瓶颈。

Freeing the Law with LOCUS: A Local Ordinance Corpus for the United States

本文构建了首个涵盖全美 9,239 个县市、700 万页地方法律代码的开源多层级语料库 LOCUS,并通过视觉语言模型 OCR、分块分类与基于 TrueSkill 的 ModernBERT 四维规范打分器,填补了法律 AI 在地方法规层级的国家级数据空白。

Market Incentives for AI Safety Investment

本文构建了一个包含上游基础模型提供商与下游多个竞争企业的博弈论框架,结合古诺竞争、纳什讨价还价与神经缩放律,严格证明了下游市场竞争会倒逼企业在安全对齐上过度投资,而上游提供商因正外部性收益溢出面临投资不足,并据此刻画了审计与补贴等监管手段的福利边界。

SLAyiNG: A Diverse and Community-validated Dataset of Queer Slang

本文提出了首个经社群验证、覆盖20余个酷儿亚社群的真实英语酷儿俚语数据集 SLAyiNG(含500余术语、3,405条实例),揭示了语言模型中表征偏见与语言学偏见的脱钩现象,并证实对内群体无害俚语的继续预训练能显著改善语言理解并降低刻板偏见。

The Bayesian Origin of the Probability Weighting Function in Human Representation of Probabilities

本文提出有界刺激空间下的贝叶斯编解码框架,证明前景理论中经典的反S型概率加权函数源于神经编码对极端概率(接近0和1)分配更高精度的U型资源配置,并由最优贝叶斯解码产生,从第一性原理统一了回归假说、对数优势模型与高效编码理论。

查看全部11篇「社会计算」论文 →


📂 其他 (363)

2-Step Agent: How a Bayesian Decision Maker Learns from AI-Decision Support

提出 2-Step Agent 计算框架,建模理性贝叶斯决策者如何将无干预机器学习预测作为信息源反推训练总体分布与因果疗效,并利用理论证明的辅助变量盘板折叠技术克服推断瓶颈,严格揭示在模型正确指定且智能体完全理性的理想条件下,单一先验失配仍足以使算法辅助决策产生实质危害。

3D-VITAL: Visibility-aware Identity Training from Artificial Liftings of 3D Reconstruction model for Cross-View Object Re-Identification

针对单视角空地目标重识别(SV AG-ReID)中3D网格合成新视角带来的几何崩塌与纹理幻觉噪声,本文利用光线投射从重建网格中确定性导出逐像素可见性图,提出基于可见块的一致性过滤(CVCF)剔除几何畸变网格,并通过可见性感知注意力监督(VAAS)引导识别特征聚焦真实观测区域,在AG-ReID、AG-ReID.v2和MOO基准上均显著刷新SOTA。

A Scalable Nonparametric Continuous-Time Survival Model through Numerical Quadrature

提出了 QSurv 模型,通过高斯-勒让德数值求积直接参数化瞬时危险率并闭式反传累积危险率积分,配合时间条件低秩自适应(Time-LoRA)实现了高维医学数据与连续时间生存分析的高效端到端拟合。

A simple model of co-emergence of grid and place fields

提出首个基于单一下一刻感觉预测目标并满足戴尔法则的循环神经网络,在无需空间坐标监督或预设细胞先验的前提下实现了内侧内嗅皮层网格细胞与海马位置细胞的端到端协同涌现。

A Stratified Multi-Rater Evaluation of LLM-Based Virtual Standardized Patients with a Deployed Data-Generation Platform

针对大语言模型驱动虚拟标准化病人评测缺乏人-机对齐基准和细粒度维度的痛点,构建涵盖商业、开源与韩语专属模型的双盲完全交叉多评估者评测框架,揭示了模型在临床推理、患者宣教及韩语否定问句下的失真模式,并部署了全流程闭环训练平台与开源对话语料库。

A Systematic Evaluation of Co-folding Model Representations for Small-Molecule Learning

本文系统评估并将先进蛋白质-配体共折叠模型 Boltz2 的原子级配体表示迁移到独立小分子下游任务中,证明结合态相互作用监督赋予了小分子强大的结构表征力,并在 ADMET 预测、分子生成蒸馏和强化学习结构引导配体优化中取得了优异表现。

A Unified Uncertainty Representation for Graph Neural Networks via Doubly-Spectral Stochastic Expansion

DSS-GNN 把节点表示展开到图频率与随机混沌阶数两个谱轴,以确定性求积传播不确定性;独立模式在 14 个校准基准上取得比较方法中最低的平均 Brier,混合模式则在多数节点 OOD 场景和全部 7 个 GOOD 概念偏移设置上优于所列基线。

Active Learning for Gaussian Process Regression Under Self-Induced Boltzmann Weights

针对目标评估分布由未知函数自身诱导为玻尔兹曼形式的严峻设定,提出无需估计配分函数的 AB-SID-iVAR 闭式采集函数与约束探索机制,在离散与连续域下均具备次线性收敛理论保证。

Active Learning from Positive and Unlabeled Examples

针对正例与无标签数据(PU学习)中专家仅以概率检出正例标签的弱反馈场景,本文首次提出了具备严格理论保障的主动PU学习框架与算法,证明了在先验已知与未知情形下仅需多付出与分歧系数 \(\theta\) 成正比的代价即可达到 PAC 学习目标。

Adapting Actively on the Fly: Relevance-Guided Online Meta-Learning with Latent Concepts for Geospatial Discovery

针对严格采样预算、不可回访流式数据和分布漂移下的地理空间目标发现难题,提出 OWL-GPS 形式化框架,通过 CVAE 建模领域概念相关性分布,并结合相关性加权主动采样与基于语义聚类的动态元批次在线元学习,实现高召回、高成功率的环境热点探索与识别。

查看全部363篇「其他」论文 →