⌘ K
… 读取采集状态 同步中...
雷

全部动态

今日 9 条
8月10日周一
  4. CVer23

    清华大学李升波团队：JEPA结合受控世界模型揭示物理状态与动作转移可辨识条件

    清华大学李升波团队与滴滴深穹远航实验室联合研究，将JEPA架构与受控世界模型结合，在理论上证明了满足特定条件时模型能同时恢复真实状态表征和动作转移规律。研究提出“表征裕度”和“转移裕度”两个关键指标，前者衡量环境可预测信息是否足以支撑状态恢复，后者衡量训练数据在同一状态下是否包含足够动作变化。实验表明，当这两个裕度均为正值时，模型能正确辨识状态与动作效应，反事实预测误差才会得到有效控制。

  6. 特工宇宙77

    Together AI 实测：Agent 场景下 Kimi K3 在 DeepSWE 多轮尝试中反超 GPT-5.6 Sol

    Together AI 发布独立评测报告，指出在允许多次尝试的 Coding Agent 场景下，Kimi K3 在 DeepSWE-pass@2 和 pass@4 上分别以 82.0% 和 89.4% 反超 GPT-5.6 Sol 的 81.0% 和 85.8%。

    推荐理由：文章拆解了Together AI独立评测报告，展示了在允许重试的Agent场景下Kimi K3在成本和成功率上的具体数据，为工程选型提供依据。

8月9日周日
  4. 量子位74

    GPT-5.6和Fable 5协助证明MIMO检测多项式时间算法，解决悬置25年的难题

    微软研究院首席研究员Dimitris Papailiopoulos与GPT-5.6、Claude Fable 5合作，证明了一个只需两步的多项式时间算法，能在信噪比等于2logN时精确恢复全部比特，复杂度为O(N³)，并给出双向结果：略低于该阈值时最大似然检测也会失败。

    推荐理由：梳理了25年研究脉络与两步算法的证明思路，读者可理解AI如何参与完成一项悬置多年的理论突破。

8月8日周六
  1. 新智元58

    Remember-R1 解决多模态长链推理中的视觉遗忘

    西北工业大学等机构研究团队提出 Remember-R1，通过在强化学习后训练中加入视觉词汇、记忆和关键区域三种过程奖励，解决多模态模型长链推理中依赖文本自洽而忽视视觉证据的分布性视觉遗忘问题。7B 模型在七项基准测试中全部优于基座模型，其中 MMVet 从 59.44 分提升至 72.37 分。

  8. CVer33

    ECCV 2026 论文 DroneFINE 以 5.6% 参数量实现无人机目标检测 SOTA

    北京航空航天大学团队提出域感知参数高效微调框架 DroneFINE，旨在解决视觉语言模型在无人机航拍图像中的域适应问题。该方法采用 HyperAdapter 和 SemanticGate 双模块设计，仅使用 1.54M 可训练参数，即全量微调的 5.6%，在 VisDrone 和 UAVDT 数据集上达到或超越全量微调的 mAP 精度。

8月7日周五
  1. CVer13

    FedMGP+：可解释的多粒度提示个性化联邦持续学习框架获 TPAMI 录用

    西南财经大学团队提出的可解释多粒度提示个性化联邦持续学习框架 FedMGP+ 被 IEEE TPAMI 录用。该框架通过将知识划分为粗粒度全局 Prompt 和细粒度局部 Prompt，并结合服务器端个性化选择性 Prompt 融合（PSPF）机制，有效缓解了时空灾难性遗忘。实验表明，FedMGP+ 在多个联邦持续学习基准数据集上取得了领先性能，且在面对恶意攻击时依然保持稳定性能。

  3. Datawhale71

    腾讯发布WorkBuddy Bench与E-Bench两项Agent评测基准

    腾讯公开两项Agent评测基准WorkBuddy Bench和E-Bench，共含583道题目。WorkBuddy Bench涵盖代码、前端、办公、安全四赛道，题目源自真实场景并开源。E-Bench基于王者荣耀、QQ音乐、腾讯会议合成有状态环境，测试多步工具调用能力。评测显示无模型能通吃所有场景，且模型性能受执行环境影响显著，开源模型在安全赛道表现优于部分闭源模型。

  5. CVer10

    CVer 成立 AAAI 2027 投稿交流群

    CVer 为已进入审稿阶段的 AAAI 2027 投稿者成立微信交流群。该会议定于 2027 年 2 月 16 日至 23 日在加拿大蒙特利尔举行，投稿量已突破 5 万。群内仅限已投稿人员加入，主要沟通投稿注意事项、rebuttal 及后续开会事宜，严禁泄露个人及论文信息。

8月6日周四
  1. 人工智能学家40

    多模态大模型时代具身人工智能全面综述

    该综述系统梳理了多模态大模型时代具身人工智能的最新进展，覆盖具身机器人、模拟器、具身感知、交互、智能体及仿真到现实适应等核心方向。文章指出具身 AI 是连接数字与物理世界、实现通用人工智能的关键路径，并基于多模态大模型与世界模型总结了当前研究的基准测试、面临挑战及未来方向。

  2. 新智元66

    中科大研究评测 48 种 LLM 智能体在真实机器实验室中的表现，可执行率仅 3.3%

    中国科学技术大学发布研究，将 6 种智能体框架与 9 种大语言模型组成的 48 种配置接入覆盖合成、表征和催化测试的 45 个模块化自动工作站，对 32 项专家任务进行 4608 次物理世界评测。

    推荐理由：研究把智能体放进真实机器实验室跑 4608 次，结果显示可执行率仅 3.3%，把 AI 科学能力的瓶颈从纸上谈兵拉到了物理世界。

8月5日周三
  2. 新智元65

    清华与UC Berkeley发布ODEWorld：连续时间具身世界模型

    清华大学AIR与UC Berkeley BAIR团队提出ODEWorld，一种基于PT-Flow的连续时间具身世界模型。该模型将机器人视频预测从离散帧转向连续潜空间轨迹，利用单token动态表征和轻量MLP速度场，实现任意帧率生成与时间补全。在LIBERO基准上，其64帧预测延迟仅为0.072秒，优于LDP和V-JEPA 2。

    推荐理由：论文提出ODEWorld，将离散帧预测转向连续时间流，通过单token压缩实现64帧预测仅需0.072秒。

8月4日周二
  1. 量子位54

    智源&北大提出 InstructAV2AV：一句话完成音视频联合编辑（SIGGRAPH Asia 2026）

    北京智源人工智能研究院与北京大学联合团队提出 InstructAV2AV，给定一段带声音的视频和一句自然语言指令，可在同一个端到端生成过程中同时编辑指定视觉对象及其对应声音，无需手工绘制掩码或边界框，相关工作已被 SIGGRAPH Asia 2026 接收，推理代码、模型权重、训练脚本、数据处理代码和 InsAVE-80K 数据集均已公开。