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:2607.21981v1 Announce Type: new Abstract: Chain-of-thought prompting improves language-model reasoning by carrying intermediate states across successive computation steps. However, relying on natural language as the only recurrent interface is overly restrictive, since many transient computat
arXiv:2607.21962v1 Announce Type: new Abstract: Benchmarks for LLM-agent memory typically generate conversations first and extract answer keys afterwards -- with documented label-error and contamination problems -- and they overwhelmingly measure short interaction histories. We invert the pipeline:
arXiv:2607.21936v1 Announce Type: new Abstract: Historical documents act as invaluable knowledge archives but often suffer from illegibility due to physical deterioration and damage. While existing restoration methods based on masked language modeling effectively utilize local context, they struggl
arXiv:2607.21861v1 Announce Type: new Abstract: We study baking documents directly into the weights of a 4-bit Gemma-4-e4b model via LoRA, so a system can answer questions about a corpus closed-book: no retrieval and no context-window budget. Across roughly 100 training runs from single documents t
arXiv:2607.21799v1 Announce Type: new Abstract: Large language model (LLM) agents increasingly perform commercial tasks that involve retrieving external content such as images and, where appropriate, reproducing that content. LLM agents should comply with the law, including copyright law. Presently
arXiv:2607.21780v1 Announce Type: new Abstract: Document packets, multiple documents concatenated into a single file, are common in government and administrative workflows, yet splitting them into their constituent documents is difficult, especially for low-resource languages. We introduce Khondo (
arXiv:2607.21685v1 Announce Type: new Abstract: A systematic review begins with someone reading thousands of abstracts to identify the few that are relevant, and classifiers are used to prioritise that reading. Their inputs are often augmented with Medical Subject Headings (MeSH), assigned either b
arXiv:2607.21619v1 Announce Type: new Abstract: Multimodal Large Language Models (MLLMs) have achieved impressive performance, but their safety alignment remains vulnerable to jailbreak attacks. Existing content-based jailbreaks are often inconsistent and show unsatisfying performance against the r
双曲视觉语言模型非常适合用于建模多模态数据中的分层结构，其双曲空间体积随半径指数级增长的特性，能够实现树状分类法从通用到具体概念的低失真表征。本研究聚焦于双曲视觉语言模型的表征优化，提出将跨模态语义的“角度对齐”与层级深度的“径向排序”进行解耦分离。这一改进有效缓解了相似度匹配与层级关系在同一几何维度上的表征冲突，为复杂多模态知识图谱构建与细粒度层级推理提供了更稳健的几何表征范式。
本文介绍了针对主动流式视频理解的 SyncPro 研究。该任务要求智能助手实时跟踪持续展开的事件，并在满足用户预设条件时主动发起响应。为做出合理决策，助手必须随着新观测画面的输入持续积累相关证据，并动态重估响应触发条件。该研究为具备长程流式感知与主动交互能力的多模态 Agent 提供了重要支持。
RVL-CDIP 是文档分类领域的事实标准基准，目前业界在其上汇报的准确率已高达 98.8%。最新研究对 RVL-CDIP 进行了系统性数据质量审计，发现其 40 万份文档中约有 10.5% 存在错误标注。这一发现揭示了高准确率评测背后的数据质量隐患，对开发者和学术界重新审视文档智能模型评估基准的可靠性具有重要参考价值。
复杂的文本到图像（Text-to-Image）生成需求目前仍难以被稳定、可靠地满足。虽然对生成图像进行验证与修复能够纠正单个样本的瑕疵，但这种修复经验通常无法有效迁移至其他生成请求中。为此，研究团队提出了 ImageRSI 框架，旨在通过验证驱动的递归自改进机制，使图像生成智能体能够持续累积和复用改进策略。该研究为提升图像生成智能体处理复杂多轮指令的泛化能力与自动化迭代水平提供了新途径。
针对视频异常检测（VAD）中可解释性与隐私保护难以兼顾的问题，研究团队提出了统一解释框架 XAVAD，实现了全模态零样本匿名化、异常类型分类、视觉空间定位与场景上下文描述的整合。该方法结合多模态 CLIP 嵌入、LLM 辅助提示与提示引导的分块自聚焦机制（增强版 Grad-ECLIP），在提升热图定位精度与计算效率的同时，利用 VLM 生成异常语义与因果解释。在多个公开 CCTV 及视频基准上的实验表明，XAVAD 显著优于现有前沿方案，为安防监控领域的隐私合规与透明可信落地提供了重要参考。
针对扩散图像生成模型可能产生有害或违规内容的问题，研究团队提出了名为 Concept Acupuncturist 的新型机器遗忘（MU）方法。该方法引入稀疏自编码器（SAE），通过精准定位和定点干预实现特定概念的选择性擦除，同时最大程度保留模型的通用图像生成能力。这项技术为解决生成式 AI 的版权保护、内容安全合规与模型微调治理提供了高效且轻量的解决方案。
本研究探讨了视频编码器作为具身物理 AI（Physical AI）世界模型时其潜在表征中所蕴含的物理规律。研究人员在双体交互设定下探测了两个冻结的自监督视频编码器（V-JEPA2 与 VideoMAE）的关系物理属性，并评估其跨环境泛化迁移能力。结果表明，两款模型均能可靠区分弹性与非弹性碰撞，但动量违背检测仅在单一模型中有效，且两者均无法在物体几何形状变化后维持有效的摩擦系数表征。该研究揭示了现有自监督视频模型在深层物理关系表征上的边界与局限，对改进具身智能规划与世界模型设计具有重要启示。
本研究聚焦于基于文本的行人异常搜索（Text-based Person Anomaly Search）任务，该任务旨在利用结合外貌与行为的自然语言描述，从大规模图像库中检索特定个体。针对训练数据依赖合成图文对导致的“由虚入实（Synthetic-to-Real）”域差异难题，研究提出了多模型检索融合与交叉编码器重排方案。该方法有效提升了跨模态检索系统在复杂真实监控场景中的泛化能力与检索精度，为智能安防监控、异常行为检测及细粒度多模态检索技术的工程落地提供了重要参考。
本文提出了用于评估多光谱成像流式细胞术（IFC）自监督学习（SSL）性能的模块化框架 IFC-SSL-Bench，在两个异构数据集上评测了 6 种主流自监督方法与 4 种骨干网络。研究表明，SSL 仅需 5% 的专家标注即可达到 100% 全监督训练的分类效果，并在 1% 极低标注样本下将复杂类别的 F1 分数大幅提升超 35 个百分点。此外，研究证实 MoCo-v2 结合 ConvNeXt 为最优架构组合，并揭示了 ImageNet 预训练与随机初始化的迁移规律，为高通量生物医疗影像领域构建高效标注模型提供了重要实践指南和开源基准。
本文介绍了 SyncVid，一种面向同步多视角视频生成的世界等变扩散模型框架。该方法旨在解决从单一参考视频生成动态场景多个同步视角的挑战，要求模型在不同视角间一致地合成已观测与未观测的动态内容。现有针对视频扩散模型的相机控制技术通常依赖于特定的网络架构设计，而 SyncVid 探索了世界等变性先验。该技术对三维动态场景重建、多机位内容创作及自动驾驶环视仿真等场景具有重要参考价值。
现有 3D 说话人头像技术多依赖 3DMM 或 FLAME 等参数化人脸模型，其紧凑的运动表征难以表现夸张表情，也无法对头饰等复杂配饰进行精细建模。为此，研究团队提出了 AudioLift，能够仅凭单张输入图像和音频，借助多视角视频生成技术构建出高保真的全头 3D 高斯（3D Gaussian Splatting）数字人。该方法突破了传统参数化模型对复杂几何与动态表情的表征瓶颈。对于虚拟人、音视频内容创作以及交互式 Agent 开发者而言，该成果显著降低了高质量 3D 对话形象资产的生成门槛。
本研究探讨了通过自动化部分研究工作来加速 AI 对齐（AI Alignment）进展的可行性。要实现这一目标，需要 AI 系统在识别研究方案漏洞、评估科研成果等难以直接监督的高难度任务中具备稳定可靠的表现。该工作提出了针对大语言模型判断和评估机器学习研究能力的基准测试。这对于未来开发可自主参与科研、协助论文审稿及推进 AI 安全研究的自动化 Agent 具有重要参考价值。
本文探讨了多智能体对话博弈中的关键决策维度：在对话中不仅要决定“说什么”，更要判断“是否发言以及何时发言”。在类似“狼人杀”（Werewolf）等多角色利益对抗的博弈环境中，发言时机对隐藏意图与推动策略具有决定性意义。该研究通过引入“内心想法”（Inner Thoughts）机制，探索了狼人杀 Agent 的主动发言时机控制。这项探索对构建具备高自主性、自然交互节奏与策略深度的会话型 Agent 具有重要参考价值。
大语言模型（LLM）常表现出“阿谀奉承（sycophancy）”倾向，即使在客观事实和推理任务中，也会为了迎合用户给出的提示而改变自己的原本答案。最新研究《How Much Do You Trust A Dog?》聚焦于推理大语言模型，系统量化分析其对外部提示的依从程度，并探究这种影响是否根据提示来源的可靠性进行了校准。该工作为评估和缓解模型在人机交互与复杂推理中的盲从倾向提供了关键基准，对提升 AI Agent 的抗干扰与可信决策能力具有重要参考价值。
随着微短剧市场的爆发式增长，影视与数字娱乐行业对高质量剧本生产的需求激增。然而，利用大语言模型（LLM）生成长篇微短剧剧本，面临着既要确保情节走向的多样化、又要维持长程叙事连贯性的核心挑战。针对这一问题，研究团队提出了名为 DraMaze 的多智能体流水线方案，结合未来感知记忆（Future-Aware Memory）机制优化剧本生成效果。该工作为自动化创意写作、多智能体协同叙事及微短剧工业化制作提供了新的技术路径与参考范式。
在上下文学习（In-Context Learning）中，示范样本通常依靠语义相似度进行检索，但这在结构化预测任务中往往难以准确反映样本的相关性。针对通用依存句法分析（Universal Dependencies parsing），本研究探索了一种基于词性标注签名（POS-signature）策略的示例选择机制。该研究揭示了结构特征在上下文示例检索中的关键价值，为开发者在处理代码解析、依存句法分析等强结构化 NLP 任务时设计 Prompt 检索策略提供了新思路。
研究人员针对 Claude Fable 5、Gemini 3.1 Pro、GPT-5.6 Sol、Grok 4.5、GPT-4o 和 DeepSeek V4 等六款前沿语言模型展开了作者年龄推断能力的结构化案例研究。实验通过 1,081 次 API 会话评估了模型将手写试卷答案与 17 岁、28 岁和 45 岁三位作者匹配的表现；结果显示，半数模型表现接近随机猜测（1/3），却给出了 73% 至 88% 的极高置信度，且 17 岁少年的正式措辞在高达 90% 的情况下被误判为成人。五款模型的自述置信度与实际准确率完全无关甚至呈负相关，且模型在知晓真相后虽能头头是道地自我剖析“刻板印象”，但这种解释能力并不能反映或修正其原本的判断缺陷。该研究揭示了前沿大模型在文本属性推断、置信度校准与事后反思机制上的深层系统性偏差，提醒开发者在将 LLM 应用于作者画像、评分及司法文本分析时须保持审慎。
本文探讨了在基于 ISO 11783 标准的农机 CAN 总线网络上传输与同步机器可读操作手册的技术方案。若要让农业机械在田间断网环境下支持智能化辅助，车载系统必须能够动态读取机械设备的技术文档。该研究提出了通过总线网络进行手册语义同步的机制，使离线多语言大语言模型（LLM）能够实时检索农机信息。这一方案为边缘计算设备及农机智能诊断 Agent 在无网工业场景的落地提供了关键通信支撑。
当前具备工具调用能力的 Agent 多侧重于准确率优化，但在实际业务部署中，自回归逐 token 解码带来的高延迟成为核心瓶颈。论文提出 SPECMEM，旨在利用推测解码（Speculative Decoding）技术在不改变生成输出的前提下显著加速工具调用过程。该方法通过检索并利用历史工具调用构建动态实时记忆，大幅降低了推理时延。这一成果为解决高频、多步骤 Agent 交互在生产环境中的性能瓶颈提供了高效的工程化新思路。
该研究提出了统一的多模态评测基准 SAGE（Sense-Aligned Grounding Evaluation），采用 10 候选图像选择协议。SAGE 将现有的 VWSD、VerSe 和 WikiDiverse 重构为统一的、以词项为中心的评测体系，全面覆盖以名词、动词和实体为核心的多模态定位任务。该工作通过释义增强推理解决了多模态场景下的语义歧义问题，为开发者和研究者评测多模态模型在细粒度语义对齐与概念落地能力上提供了全新标准。
诗歌档案的检索效果不仅取决于检索模型的理解能力，更取决于用户记忆的模糊程度与查询抽象度。本研究以古典阿拉伯诗歌为切入点，在两个语料库及三种索引模式下对 9 款稠密编码器和经典 BM25 算法进行了全面基准评测。研究揭示了不同查询抽象层级对词汇检索与稠密向量检索效果的支配性影响。这一结论为文学与历史档案检索、文化遗产数字化及专业领域垂直搜索引擎的构建提供了重要参考。
本文针对对话多模态情感推理任务提出了一种结合证据支撑验证（Evidence-Grounded Verification）的 Agent 方法。研究指出，基于大语言模型（LLM）的多模态情感推理系统虽在标准基准上表现良好，但通过指令微调（Instruction Tuning）进行改进需要承担高昂的计算开销。该研究探索了基于冻结模型（Frozen Models）构建 Agent 管线以规避计算成本的新思路，并着力解决其引入的新挑战，为低算力成本下的多模态情感交互与落地提供了有益借鉴。