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:2607.24810v1 Announce Type: new Abstract: Vision-language models (VLMs) have achieved strong performance on general remote sensing tasks. However, their capability for rare scenes remains insufficiently understood, because existing benchmarks are dominated by common urban and rural imagery. T
arXiv:2607.24794v1 Announce Type: new Abstract: While Multimodal Large Language Models (MLLMs) demonstrate superior generalization in fundamental video tasks, restricted context windows limit their long video understanding. To accommodate this constraint, models typically resort to keyframe selecti
arXiv:2607.24782v1 Announce Type: new Abstract: LLM behavior may be conditioned by human identity in several ways: they may be asked to adapt to users, role-play populations, or forecast how people would answer value-laden questions. We test whether these framings are interchangeable using the Worl
arXiv:2607.24779v1 Announce Type: new Abstract: Online advertising bidding systems typically deploy multiple offline-trained expert models (e.g., PID controllers, model predictive control, offline RL policies) but face two critical limitations: lack of online adaptability to non-stationary auction
arXiv:2607.24772v1 Announce Type: new Abstract: Geoscience research requires complex analysis and domain expertise, with remote sensing (RS) observations as a key foundation. However, existing RS agents built on general-purpose LLMs remain largely domain-agnostic, resulting in brittle and error-pro
arXiv:2607.24770v1 Announce Type: new Abstract: Procedural tasks such as furniture assembly and home repair impose substantial cognitive demands because users must interpret instructions, track task progress, reason about spatial state, and recover from errors while performing physical actions. Pri
arXiv:2607.24769v1 Announce Type: new Abstract: With the growing capabilities of frontier models, AI alignment becomes increasingly critical in high-risk deployment settings. While recent work has empirically demonstrated in-context scheming -- the covert pursuit of misaligned objectives while feig
arXiv:2607.24768v1 Announce Type: new Abstract: Prenatal care is an important preventive service designed to improve outcomes for pregnant individuals. The American College of Obstetricians and Gynecologists (ACOG) recently introduced guidelines advocating tailored prenatal care, called PATH (Plan
arXiv:2607.24762v1 Announce Type: new Abstract: Machine learning models are increasingly embedded in everyday software, and most of their runtime is spent in a small set of compute kernels such as matrix multiplication, convolution, and normalization. Optimizing these kernels is one of the most dir
arXiv:2607.24759v1 Announce Type: new Abstract: Research projects, educational efforts, and adjacent knowledge work accumulate findings, decisions, and reasoning that future collaborators rarely recover. The parts most useful to that work, including dead ends and walked-back claims, are routinely e
多模态伪造检测传统上建立在训练攻击能够近似部署后实际攻击的静态假设之上。然而，随着生成器、编辑系统和多模态大模型的快速演变，这种静态假设正面临严峻挑战。为此，研究团队提出了 ARISE 框架，通过引入真实参考信息的稳定性增强机制来应对持续多模态伪造检测问题。该工作对提升深度伪造检测系统在开放、动态演化环境下的长期鲁棒性与防护能力具有重要价值。
低成本机械臂（如 SO-101）已成为机器人学习领域最普遍的入门平台，但在其实际应用中，目前仍缺乏可开箱即用、能够执行受空间约束并由语言指令引导任务的预训练策略。此外，现有的 SO-101 相关基准通常仅支持在物理硬件上运行，给大规模评估与复现带来了挑战。SO-101 Bench 的提出填补了低成本机械臂空间操控评估的空白，为具身智能与机器人学习研究者提供了更易获取且标准化的基准工具。
本文提出了名为 SOMA 的全新基准测试，专注于评估多模态大语言模型（MLLMs）在细粒度第一人称（自我中心）视角下的行为与人体动作理解能力。当前多模态模型的评估多集中于物体识别、场景分析及粗粒度动作，而忽视了对复杂人体肢体运动的深度推理。该基准填补了具身智能与第一人称视频理解领域的关键评测空白，对开发新一代可穿戴智能助手及人机交互系统具有重要指导意义。
部署在边缘设备上的人群计数模型面临双重挑战：输入图像在采集与传输管线中常发生质量退化，而模型自身需经过低比特量化以适配严苛的硬件资源限制。针对以往研究将退化鲁棒性与部署量化割裂评测的问题，研究团队提出了 CrowdCC 联合基准测试。该基准首次系统性地联合评估了人群计数模型在多种输入损坏与不同部署量化方案下的综合表现。这为边缘端密集视觉任务的量化部署、抗干扰算法设计及实际工程落地提供了关键的评测参考与指导。
视频大语言模型（VLMs）在长视频理解与时空推理中展现出优异能力，但处理海量视觉序列会带来严重的计算开销、显存占用与推理延迟。本综述系统梳理了面向视频大语言模型的免训练推理加速（Training-Free Inference Acceleration）前沿技术，深入分析了各类方案在加速效率与模型性能之间的权衡取舍。该研究还全面总结了主流评测基准与实验协议，为开发者和研究人员在无需二次微调的情况下低成本部署视频 AI 应用提供了重要参考。
针对二元关系识别中扁平化分类目标忽略不同关系依赖不同交互模式的问题，研究团队提出了分层多模态交互推理框架 HiRe-DRR。该框架从特征层次、交互类型和关系层级三个维度组织交互证据，并引入 MoI-Former 稀疏路由与分层条件损失（HC-Loss）。实验表明，HiRe-DRR 在三个二元关系基准测试中超越了现有的图像、视频和多模态代表性方法。分析还揭示了疏远关系更依赖低级同质交互、亲密关系更聚焦高级异质交互的内在规律，为社交 AI 理解人际动态提供了新思路。
长视频问答任务极具挑战性，原因在于答案往往仅取决于分散在整段视频中的极少数决定性瞬间，而显存等硬件资源限制迫使多模态大语言模型（MLLM）采用极低采样率进行抽帧，进而导致关键信息丢失并引发模型推理偏差。针对该问题，本研究系统性诊断了 MLLM 在处理长视频时产生的偏差成因，并提出了相应的纠偏与校准机制。这一工作对优化长视频分析算法、提升多模态视频 Agent 的理解精度与计算效率具有重要指导意义。
尽管现代视觉语言模型（VLM）在视觉理解和文档转录领域进展显著，但在从图像中读取盲文这一基础的无障碍辅助任务上依然表现不佳。为此，研究团队推出了包含 259 个评测样本的人工精选基准数据集 BrailleBench，专门用于系统评估和优化多模态模型的盲文识别能力。该项研究揭示了现有模型在微小凸起点阵等细粒度空间纹理识别上的短板，为开发者推动 AI 在视障无障碍场景中的实用化落地提供了关键基准与改进方向。
图像与视频生成模型已展现出生成空间一致性视觉内容的强大能力，但如何将这一生成能力迁移以增强模型的空间理解能力仍未被充分探索。该研究从模型训练中的几何监督以及测试时推理等维度展开探讨，剖析了视觉生成如何反哺空间表征学习。这一研究为结合生成先验与具身空间感知开辟了新思路，对自动驾驶、机器人具身智能以及多模态大模型的空间推理能力构建具有重要参考价值。
本文针对具身智能视觉管线提出了 Task-Utility IQA（任务效用图像质量评估）。传统 IQA 方法大多依赖静态基准学习与通用人类视觉评分对齐的“任务无关”分数，难以有效评估视觉质量对下游具体任务的实际影响。该研究提出面向具体任务效用重构图像质量评估体系，为具身智能系统的成像优化与下游任务决策提供了更精准的评估基准与方法支持。
本研究探讨了用于大语言模型（LLM）测试期扩展（test-time scaling）的引导推测式推理（Guided Speculative Inference, GSI）扩展算法。研究提出了一个全新设定：由多个较小规模的 LLM 组成模型集成来生成候选草稿推理步骤，随后交由更大的基础模型进行验证。通过引入多重重要性采样（Multiple Importance Sampling），该方法旨在兼顾多样化草稿的高效生成与高质量验证。这一探索为优化大模型推理成本、通过异构模型协同提升复杂推理任务的推理效率提供了新的理论与技术思路。
本文探讨了预训练大模型的容量（规模与表征能力）在适配因果学习任务时的性能表现关联。研究基于 Qwen 2.5 系列模型构建了两个核心系统：用于估计标量潜在结果的 CausalLLM，以及用于反事实生成的 CausalGen。研究系统分析了从标量因果预测到反事实后训练场景下模型容量的作用边界与增益效应。该成果为开发者在因果推断、决策智能场景中选型和微调大语言模型提供了理论与实践参考。
经典优化算法与学习引导搜索技术在攻关离散数学开放性问题中具有互补优势。然而，由于不同方法在搜索空间设定、有效性验证机制和停止规则上存在差异，研究人员往往难以对两者的输出性能进行直接、公平的基准对比。为此，研究团队提出了专门针对组合几何问题的基准测试 RadonBench。该基准为规范化离散数学搜索算法评估提供了标准化框架，对推动 AI 辅助数学发现与传统运筹优化方法的结合具有重要参考价值。
该研究提出了一种针对多变量时间序列的模型无关（Model-agnostic）可预测性量化方法。多变量时间序列预测在众多领域中应用广泛，其预测表现高度依赖协变量之间复杂的相互作用。当前学术界普遍使用各类基准数据集评估预测模型，但仅凭预测精度指标难以明确区分数据固有的可预测上限与特定模型的表征能力。该方法为解耦数据固有复杂度与模型效能提供了理论依据，有助于开发者更客观地建立评测基线并指导时间序列算法优化。
本研究探讨了具备自我提升能力的智能体在总结运行结果经验时，如何受到随机环境噪声的干扰。研究指出，当任务产出存在不确定性时，LLM 生成的经验总结可能会把偶发性因素传递到 Agent 的后续决策链条中。研究团队在 256 个包含重复任务的合成世界环境中，通过预注册实验对这一影响链条的关键环节展开了系统性量化测量。该结论揭示了当前依赖自我反省机制的 Agent 可能存在“经验归因偏差”，对设计更稳健的自主学习与终身演进 Agent 架构具有重要警示意义。
该研究探讨了通过技能适配（Skill Adaptation）改进大语言模型（LLM）Agent 的 Harness 自我演化路径。Harness 自演化使智能体无需更新底层模型参数，即可直接从执行经验中学习与提升，但其效果高度依赖于模型能否有效执行 harness 提供的引导。这项工作聚焦于解决引导机制与模型实际执行能力之间的匹配问题，为低成本构建可自主迭代演化的 Agent 架构提供了实用思路。
当前网络系统正日益依据用户的言辞来预测其行为决策，但在利益存在潜在冲突的场景下，用户常会为了换取系统合作而口头作出承诺，随后却违背诺言。过度依赖用户口头保证的销售或服务类 Agent 极易受到误导并产生策略性亏损。该研究探讨了 LLM 在人机对话博弈中如何权衡用户言辞与实际行动来预判决策，为构建具备辨伪与抗欺骗能力的高鲁棒性 Agent 提供了重要依据。
多语言多跳文档问答（MMHop-DocQA）需要在复杂的文档版面、跨页面及多种语言环境下精准定位并整合证据。现有的单次推理或自适应工具调用方法在此类场景下面临诸多挑战。为此，研究团队提出了 DocSkill，通过将专业技能与 Agent 推理深度集成，有效提升了跨语言、复杂版面下的多跳信息检索与推理能力。该研究为开发者构建处理海量跨语言专业文档的智能体系统提供了新思路。
在使用 Agent 进行报告扩写时，模型常会提出超出原文力度的过强论断、随后又立即予以否认或打补丁，这种现象被称为“过度防御性写作”（over-defensive writing）。该研究推断，该问题的根源在于 Agent 在生成时预设了对抗性 AI 审阅者的质疑，并提出了一种通过隔离异议来约束生成的 Harness 框架。该方法有效降低了冗余的自我辩解，提升了长文本生成内容的客观性与严谨度。这对学术助手与长文本内容生产类 Agent 的架构设计与防幻觉控制具有重要参考价值。
推理语言模型通常通过生成长思维链（Chain of Thought）来解答数学难题，但通过多次采样并进行多数投票以提高准确率的方法会带来高昂的生成成本。为了降低计算开销，业界常用的方案是依据每条链的 Token 置信度进行评分与筛选。本项研究从信号处理的视角对推理轨迹展开审计，探究 Token 置信度指标在本质上是否仅仅反映了生成链条的长度。该结论为优化推理阶段的采样加权与低成本推理方案提供了新的理论反思。