独立 AI 资讯库
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
arXiv:2607.22584v1 Announce Type: new Abstract: Standard Retrieval-Augmented Generation pipelines rank retrieved documents by semantic similarity alone, without accounting for source provenance or credibility. This work evaluates a simple and interpretable modification to RAG retrieval ranking that
arXiv:2607.22583v1 Announce Type: new Abstract: Large Language Models (LLMs) have achieved widespread adoption because of their strong reasoning and query-response capabilities. However, deploying them in embedded and edge computing environments remains challenging because of strict latency, memory
arXiv:2607.22578v1 Announce Type: new Abstract: The proliferation of Large Language Models (LLMs) has shifted serving systems from processing isolated requests to orchestrating high-concurrency, multi-tenant agentic workflows. However, existing solutions typically prioritize intra-workflow optimiza
arXiv:2607.22575v1 Announce Type: new Abstract: Human episodic memory supports the retrieval of experiences that unfold over extended timescales, yet the computational mechanisms underlying this ability remain debated due to the limited mechanistic accessibility in long-term memory experiments in h
arXiv:2607.22574v1 Announce Type: new Abstract: Evidence-based clinical decision making requires specialists to identify, evaluate and synthesize relevant scientific literature. However, PubMed searches for complex clinical cases often return hundreds of publications that cannot be reviewed manuall
arXiv:2607.22573v1 Announce Type: new Abstract: Imaginary phonon modes remain a practical bottleneck in computational materials screening because otherwise plausible structures can be locally dynamically unstable under a chosen workflow. Here we present PhononBench-MP40, a spectrum-resolved benchma
arXiv:2607.22571v1 Announce Type: new Abstract: Knowledge Graph-based Retrieval-Augmented Generation (KG-RAG) enables natural language interaction with structured enterprise knowledge, yet existing agentic approaches that perform well on public benchmarks often fail to generalize to real-world ente
arXiv:2607.22569v1 Announce Type: new Abstract: Coding agents are increasingly integrated into system operations, where their tool use can directly modify project artifacts, execution environments, and the underlying system. For example, if a coding agent inserts a hook into a system startup or con
arXiv:2607.22566v1 Announce Type: new Abstract: MedLoCoMo is a Medical Long-Context Memory benchmark for patient-specific clinical reasoning over multi-admission medical dialogue. Existing medical QA benchmarks largely test short context knowledge or single document grounding, leaving open whether
arXiv:2607.22563v1 Announce Type: new Abstract: Industrial agent benchmarks require realistic evaluation scenarios that integrate telemetry, failure modes, maintenance records, and domain standards. However, existing benchmarks such as AssetOpsBench rely on manually authored scenarios and cover a l
arXiv:2607.22562v1 Announce Type: new Abstract: Managing long-context dependencies remains a primary bottleneck in LLM agents, as redundant and irrelevant information can degrade multi-step reasoning. Strategic Forgetting for Agent Memory Systems (SF-AMS) is proposed as a framework for maintaining
arXiv:2607.22555v1 Announce Type: new Abstract: Medical diagnosis is a multi-stage process: extract facts, consult knowledge, generate a differential analysis, and select the best diagnosis with explanations. Frontier LLMs are strong generalists, but single-shot prompting often yields brittle diagn
arXiv:2607.22554v1 Announce Type: new Abstract: Large language models (LLMs) often achieve strong accuracy on benchmarks, yet it remains unclear how reliably they apply this knowledge when the same question is phrased in different but equivalent ways. In this work, we study how model answers change
arXiv:2607.22549v1 Announce Type: new Abstract: Hybrid quantum-classical protein structure prediction depends strongly on Hamiltonian penalty weights, yet existing lattice-based workflows typically fix these coefficients by hand and evaluate only very short fragments in simulation. We present QFold
真实世界环境时刻处于持续的半静态变化中，机器人系统迫切需要一种能够同时捕捉场景空间与时间演化的记忆表征。针对现有机器人时空记忆过度依赖单一结构化或静态表征的局限，本文提出了用于长程时空推理的高斯情境记忆（Gaussian Episodic Memory）。该研究为具身智能与机器人在动态物理环境中的长期情境感知、状态追踪与空间推理提供了全新的解决方案。
精准的摄像机控制是实现电影级角色视频生成的关键，但现有方法在应对结合旋转、平移和半径变化的复合大角度轨迹以及任意初始方位角时仍面临很大挑战。这类大范围视角的剧烈变化极易导致角色外观变形和场景空间不一致问题。WorldCast 提出了兼具世界一致性与大角度摄像机控制能力的角色视频生成方案。该技术为开发者和影视创作者提供了更强的运镜控制灵活性，有效推动了高一致性影视级 AI 视频生成的实用化。
现有人体活动识别（HAR）基准往往忽视具有特定文化背景的动作与交互形式，加纳传统双人游戏 Ampe 则兼具协调跳跃、腿部动作与实时互动。为此，研究团队推出了多模态数据集 Ampe-DB，涵盖 15 名参与者的 637 个标准视频片段，包含 RGB 视频、双人姿态序列、元数据及细粒度动作与关系标注。评测显示，在常规固定基准下表现优异的模型（RGB macro-F1 达 0.955），在面对未见过的个体或配对测试时性能骤降至 0.384，而姿态表征则表现出明显更强的鲁棒性（0.839）。该研究揭示了固定基准得分易掩盖跨个体泛化失效的问题，为计算机视觉中的细粒度动作识别、双人交互分析以及身份感知泛化研究提供了全新基准。
针对生物图像分析中细胞分割速度与精度的权衡问题，最新论文提出了名为 SWIFT-Cell 的算法。传统通用分割器如 Cellpose-SAM（CPSAM）跨染色分割精度高但速度较慢，而 QuPath 等分水岭检测器虽快但精度有限。SWIFT-Cell 旨在摆脱耗时的迭代流追踪机制，特别适用于用户手绘交互区域检索细胞等时间敏感型场景。该研究为数字病理与计算生物学开发者提供了实现低延迟、高精度交互式分析的新路径。
本研究聚焦于视觉问答（VQA）场景中的视觉定位（Visual Grounding, VG）能力，系统评估视觉语言模型（VLM）在面向视障人群辅助需求时的表现。视觉定位要求模型精准识别出与回答问题最相关的图像区域，体现了多模态模型深度的图文对齐与细粒度推理能力。该研究有助于揭示当前前沿多模态模型在无障碍辅助真实场景中的落地潜力与短板。对于从事无障碍智能硬件、助盲 Agent 以及细粒度视觉推理应用开发的团队具有重要参考价值。
本研究聚焦多模态大语言模型（MLLMs）中的多模态知识编辑任务，旨在更新基于视觉的事实知识，同时保持无关文本与视觉行为的稳定性。研究指出，现有的答案级评估指标容易掩盖“证据错误对齐”（Evidence Misgrounding）问题，即编辑可能产生表面正确的答案，却依赖了错误或虚假的视觉证据。该研究提出了针对性的诊断与缓解机制，对提升多模态大模型在实际应用中的可信度、可解释性与持续学习能力具有重要意义。
理解视觉语言模型（VLM）如何处理和利用视觉信息，需要建立模型内部表征与实际输出行为之间的关联。为此，研究团队推出了开源库 VLMProbe，专注于多模态模型的内部机制探测与可解释性分析。该库集成了透镜读出（lens readouts）、注意力归因（attention attribution）和因果干预（causal interventions）等分析方法。VLMProbe 为开发者和研究人员提供了统一的工具链，有助于深入剖析多模态黑盒机制、诊断幻觉问题并推动可信 AI 的发展。
图生视频（Image-to-Video, I2V）扩散模型能够将单张肖像或照片生成动态视频，导致公开分享的个人图像面临未经授权被用于动作合成的滥用风险。研究人员针对这一隐患提出了主动式视觉保护框架 PhaseBreak，旨在图像公开发布前嵌入针对时域建模的微弱对抗扰动。该技术从源头阻断跨帧动作的连续生成，使未授权生成的视频产生严重崩坏与伪影，为生成式 AI 时代的多模态隐私保护与版权防御提供了关键技术支撑。
统一多模态大模型（ULMM）虽能通过交织图文生成实现视觉推理，但生成显式的中间图像会产生高昂的计算开销。新研究提出的 Oddin 框架通过从图像生成过程中进行自蒸馏，使模型能够进行隐式视觉推理（Latent Visual Reasoning）。该方案在消除显式渲染中间图像计算负担的同时保留了视觉推理能力，为多模态模型在边缘设备或高吞吐生产环境中的低成本推理与部署提供了有效借鉴。
多模态大语言模型（MLLMs）在通用视觉感知任务中取得了显著进展，但在面对尺度变化极端、视觉歧义复杂的航拍场景时，仍饱受严重的幻觉问题困扰。针对现有监督微调方法的不足，研究团队提出了 Aerial-R1，旨在通过强化推理机制增强 MLLMs 在遥感及航空影像下的视觉推理与实例分割表现。该研究有望显著改善无人机视觉分析与高分辨率卫星遥感图像解译的可靠性，为垂直领域大模型开发者提供了应对复杂空间视觉任务的新思路。
该研究提出了名为 Saga 的计算机模拟（in silico）本体系统，旨在构建多模态患者世界模型。模拟个体的疾病发展病程需要将患者历史数据与未来临床事件、时间节点及疾病形态相连接。研究指出，纵向预测和多模态表征技术能有效利用这些信息来组织未来的临床读数。该框架为医疗 AI 领域构建高精度患者数字孪生和长期疾病演进预测提供了基础数据结构与模型范式。
本研究探讨了自动化人脸识别（FR）技术在身份核验工作流中的人机协同表现。虽然先进人脸识别算法在处理规模和识别准确率上已达到超越人类的水平，但人工审核人员识别系统假阳性（误报）错误的能力，显著取决于所采用的具体算法模型及其安全配置策略。该结论揭示了高自动化系统对人工复核判断产生的潜在引导与偏置效应，对身份安全认证、AI 辅助核验系统的阈值设计与人机协同流程优化具有重要参考价值。
本文提出了 EKT-Router，旨在解决具身视觉-语言模型（Embodied VLM）在部分且动态演变的观察环境中进行准确推理的问题。该研究指出，具身智能体的表现同时取决于模型内部选择的推理能力以及外部可调用的环境证据。传统的专家路由器（Expert Router）主要用于自适应调整内部计算，而该方法通过实现专家与证据的协同对齐，提升了模型对动态不完整信息的理解与问答水平。这对多模态具身智能体与工具增强大模型的设计具有重要参考价值。
Nemotron 3.5 Bolt 74B-A9B 24GB 是一款专为本地 Agent 工作负载打造的 Mamba-Transformer 混合视觉-语言模型，极大提升了受限显存下的推理速度与智能水平。该模型源自 Nemotron 3.5 Super VL 120B-A12B 家族，通过 Star Elastic 压缩与 2-bit 量化感知蒸馏技术，成功压缩进 24GB 显存，并配套推出了 LiLiCorr 投机草稿模型。在 RTX Spark 上，其实测生成速度达到 84 TPS，且在 GDPVal v2、BrowseComp、Terminal-Bench 2.1 等通用 Agent、网页浏览和终端操作基准上均超越同体量竞品。这为开发者在本地单卡硬件上部署低延迟、高精度的长时程 Agent 应用提供了强有力的开源方案。
该研究聚焦于多模态 Agent 在长程交互中的长期记忆机制，提出将细粒度证据回溯与全局理解内化相结合的自适应双重记忆设计。在持续的多模态交互中，智能体既需要能够追溯精确事实的情景记忆，又需要具备高层抽象能力的隐式记忆。这一思路为解决多模态智能体的上下文过载、信息遗忘与长期推理协同问题提供了新方向，对构建更具鲁棒性的 Agent 具有参考价值。
针对软件缺陷报告通常仅描述错误表现而缺乏具体修改位置的问题，论文提出了名为 CuraLoc 的代码仓库级故障定位方法。现有基于大语言模型（LLM）的方法往往依赖反复迭代来决定下一步检查何处代码，导致频繁的模型调用和高昂的 Token 消耗。CuraLoc 引入了规划式代码检查机制，旨在降低定位成本并提升排查效率。该研究为开发者在大规模工程代码库中实现高效、经济的自动化缺陷定位提供了新思路。