- 博客(105)
- 收藏
- 关注
RSS订阅原创 把论文变成可提问的科研知识库：Zotero + Obsidian + Codex（ChatGPT 5.6）联动升级版教程，让你释放双手
通过这套流程，我们把Zotero、Obsidian 和 Codex串联起来，实现了从论文检索、下载、导入 Zotero、分类打标签，到批量精读、生成 Obsidian 笔记，再到基于个人论文库提问和总结的完全自动流程。其中，Zotero 负责管理文献，Obsidian 负责沉淀笔记，Codex 负责自动处理和调用内容。这样，论文不再只是“存起来”，而是真正变成可以持续检索、整理和复用的科研知识库。本文用到的软件下载地址模板文件Skills 和插件安装包和详细步骤，我都打包好了。联动升级！
2026-07-14 12:00:03
75
原创 数据增强不再只是“造数据”：顶会论文中的五类创新切口（下）
合成数据的价值，不只取决于它如何生成，还取决于它如何被模型使用。动态课程学习说明，不同训练阶段需要不同类型的样本；筛选、分布校正和重要性重加权则说明，合成数据不能被默认视为与真实数据同等可靠。这意味着，数据增强的创新空间并不只在生成器本身。回看上下两篇，完整逻辑可以概括为：先构造可靠数据，再设计可靠学习过程。我们还结合 8 篇其他顶会工作，另外整理了一份《数据增强的可延展研究路径（下）》代表工作针对问题如何解决，以及现有方案还留下哪些值得继续探索的空白。免费获取。
2026-07-10 09:26:22
186
原创 数据增强不再只是“造数据”：顶会论文中的五类创新切口（上）
上述讨论的三类方法说明，数据增强的重点正在从“扩大样本规模”转向“设计模型真正需要的训练信号”。无论是让样本匹配目标模型的能力边界，为检测、图文理解等任务加入可控结构与可验证标签，还是将问答扩写升级为概念重组、多路径比较和错误修订，本质上都在回答同一个问题：什么样的数据值得被生成？但样本生成得正确，并不代表可以直接、等权地投入训练。合成数据应在何时加入、哪些样本应被保留，以及怎样让它们真正转化为训练增益。如果你正在挖掘数据增强的研究切口，或希望为医疗、遥感、工业检测、代码安全等。
2026-07-10 09:25:05
278
原创 CVPR 2026 | 失败反馈驱动数据生成：HATS 构建更可靠的 GUI Agent 训练数据
HATS 最有特色的设计，是把 instruction-execution misalignment 转成 hardness signal：对不齐的地方不只是噪声，也可能是上下文缺失、顺序依赖或视觉歧义集中出现的地方。HATS 用这个信号反过来指导探索，再用 replay/refinement 把难轨迹洗成可训练样本。更有针对性的 hard trajectory synthesis，确实比随机探索和 one-shot 指令生成更适合训练 GUI agent。
2026-07-08 09:45:42
157
原创 ICLR 2026 | 用少量标注构造多步推理数据：COGS 用合成数据和过程奖励增强多模态大模型
COGS 解决的是一个很现实的问题：模型不缺视觉数据，但缺少复杂推理标注。它的做法可以浓缩成三步：先把少量种子题拆成感知和推理因子，再拿这些因子去新图像上组合出新题，最后把中间步骤变成强化学习中的过程奖励。COGS 最有价值的地方，不是简单的数据生成，而是拆解了数据生成的思路。
2026-07-07 10:28:40
233
原创 读了3天源码没头绪？我用这套 Codex + Skills，2小时拆解完顶会代码并成功魔改
很多人把科研代码阅读想成一件很苦的事：打开仓库，从第一个.py文件开始硬啃。但更高效的方式，往往不是一开始就陷进细节，而是先建立全局视角。今天介绍的三个 Skill，对于刚开始复现论文的人来说，是一条更容易进入状态的学习路线。对于已经读懂基线、准备做改造的人来说，它也能帮助你少走一点“模块乱插、实验乱跑”的弯路。这套 Skills 尚未公开，添加小助理，安装包直接免费发你。👇👇👇读了3天源码没头绪？我用这套 Codex + Skills，2小时拆解完顶会代码并成功魔改。
2026-07-07 10:27:54
237
原创 Codex + PaperPilot-skills：从论文检索到精读再到迁移，一小时跑通全流程（附 Skill 安装包）
回到开头的三个问题：筛出该读的论文、读懂核心方法、想清楚怎么迁移到自己的课题。这个 Skills 仓库就是把这三步变成可执行的具体指令，这样输出的不再是一句“很有启发”的泛泛之谈，而是一份可以接着往下推的迁移方案草案。每一步都有明确的输入和输出，每一步的产出都沉淀在项目文件夹里，方便随时复查和继续推进。我把这个 skills 仓库和使用示例打包好了，免费发给你。获得方式在这👇：Codex + PaperPilot-skills：从论文检索到精读再到迁移，一小时跑通全流程（附 Skill 安装包）
2026-07-06 09:55:17
246
原创 DeepSeek 装上 DSpark「涡轮增压」，接入 Codex 后科研编码快到飞起
把 DeepSeek 接入 Codex，本质上是给 Codex 换一个更便宜、更快的模型后端。对于许多想要体验 Codex 却有种种限制或者是想要减轻成本的朋友是一个很好的选择。为了方便各位直接使用，我打包了Windows x64 的 Codex + CC switch 安装包和DeepSeek API Key 申请和使用教程。DeepSeek 装上 DSpark「涡轮增压」，接入 Codex 后科研编码快到飞起。
2026-07-02 11:45:18
152
原创 把论文变成可提问的科研知识库：Zotero + Obsidian + Codex 联动教程
以前用 Zotero 只是存论文，存完怎么用基本靠标签和脑子记。现在把 Zotero、Obsidian 和 Codex 串起来之后，读过的每篇论文都能变成以后可以直接调用的素材，阅读本身也成了一个持续积累的过程。本文用到的软件下载地址模板文件Skills 安装包和详细步骤，我都打包好了。把论文变成可提问的科研知识库：Zotero + Obsidian + Codex 联动教程。
2026-06-29 12:01:31
551
原创 多模态大模型下一站：从看图，到看懂视频，再到世界模型
论文将视频理解分为三个层次：低层几何理解（深度估计、相机位姿、光流跟踪等任务正从独立走向联合建模）；高层语义理解（涵盖视频分割、目标跟踪和时间定位等任务）；以及统一视频模型（整合问答、生成、推理等功能）。最新趋势显示，视频模型正从单纯的任务执行向构建动态世界表征演进，关键挑战包括长视频记忆管理、流式推理和状态更新能力。这些突破将推动视频大模型、具身智能和多模态Agent的发展。
2026-06-26 17:35:39
391
原创 MLLM会看不会画？RepFusion让冻结MLLM读噪声，GenEval提升27%
RepFusion提出了一种新的多模态图像生成方法，通过将预训练的多模态大模型（MLLM）引入扩散过程的每一步去噪阶段，有效弥合了视觉理解与生成之间的鸿沟。该方法将传统VAE潜空间升级为语义更强的RAE表征空间，使冻结的MLLM能够动态读取带噪视觉表征，并为扩散模型提供细粒度的动态条件信号。实验表明，这种设计显著优于静态文本条件或重复计算方案，最高达到GenEval 0.87，验证了预训练MLLM视觉先验对生成任务的重要价值。该工作突破了MLLM仅作为前端文本编码器的局限，为多模态生成系统提供了新思路。
2026-06-23 15:16:18
310
原创 无痛安装 Codex：手把手教你走完下载到使用科研 Skill 的全过程
我们还注意到，近期不少同学反馈Codex安装中遇到各种报错，我们整理了近期的真实问题反馈，按 Windows 和 Mac 分类，并附上经过验证的解决步骤。为避免各位在下载过程中遇到的困难，我们还准备了 Mac 和 Win 的安装包。如果你也在安装过程中出现问题，欢迎后台私信我【B636】，这份问题解决指南和安装包会免费发送给您。
2026-06-16 10:41:07
1425
原创 具身智能的下一个风口：不是更大模型，而是更聪明的Skill进化机制
【摘要】近期AI研究正从"更大模型"转向"更聪明的外部技能机制"，Skill进化成为提升Agent能力的新方向。三个代表性研究展示了技能全生命周期的创新：1）SkillEvolver通过元技能自动生成可复用技能，在83个任务上反超人工技能13.3%；2）EmbodiSkill区分执行失败与技能缺陷，通过四层反思机制提升具身任务成功率至93.28%；3）达尔文.skill引入可量化的棘轮优化机制，实现技能评分的持续提升。这些工作共同构建了"生成-进化-优化&q
2026-06-09 10:34:56
394
原创 自回归、扩散、混合:三大统一多模态范式怎么选?
本文系统梳理了GPT-4o之后多模态生成的三大技术路线：1）纯自回归（AR）路线通过统一token化处理图文数据，架构简洁但生成效率低；2）纯扩散路线采用并行去噪生成，图像质量高但推理能力较弱；3）混合路线结合AR的语义规划和扩散的生成优势，成为当前主流方案。文章对比了各路线代表模型的技术特点、优势短板及适用场景，建议研究者从混合架构入手，重点关注tokenization、跨模态注意力和训练数据三大核心问题。不同路线分别押注架构扩展性（AR）、生成质量（扩散）和综合性能（混合），为研究者提供了明确的技术选型
2026-06-03 18:16:06
268
原创 统一多模态理解与生成:GPT-40之后最值得入门的一张地图
这篇综述文章探讨了统一多模态理解与生成模型的最新进展，分析了三大技术范式：纯扩散模型（擅长图像生成但推理能力弱）、纯自回归模型（推理能力强但图像生成效率低）以及混合架构（结合两者优势）。文章指出该领域的核心挑战在于表示方法、跨模态交互和评估基准，并强调这一方向对实现GPT-4o级别多模态能力的重要性。作为持续更新至2026年的综述，它为研究者提供了清晰的技术路线图，特别适合初入该领域的研究生快速把握前沿动态和潜在研究方向。
2026-06-02 18:17:45
328
原创 CVPR|Video-MME:判断模型“会不会看视频“的统一标尺
【视频理解评测新基准】Video-MME（CVPR2025）解决了视频多模态领域缺乏统一评测标准的核心痛点。该基准通过覆盖不同时长/类型/场景的视频内容，综合评估模型在时序推理、细粒度识别等维度的能力，已被Gemini、GPT等旗舰模型采纳为官方评测标准。其创新点在于：1）建立首个全面视频评测体系；2）揭示采样帧数/分辨率对成绩的影响；3）持续维护避免数据失效。目前该基准已成为衡量视频理解能力的"行业标尺"，但未来仍需应对专业场景覆盖和防刷分等挑战。关注公众号"LLM炼丹炉&q
2026-06-01 14:13:01
390
原创 7B小模型逆袭70B?强化学习如何点燃多模态大模型的推理能力
本文介绍了DeepSeek团队提出的Vision-R1多模态推理模型，该模型通过"冷启动数据构造+强化学习精炼"的两阶段训练范式，显著提升了多模态模型的逐步推理能力。针对多模态推理数据稀缺的痛点，Vision-R1创新性地采用"模态桥接"方法自动生成高质量思维链数据（Vision-R1-cold数据集），并提出渐进式思考抑制训练（PTST）解决模型"过度思考"问题。实验显示，仅7B参数的Vision-R1在MathVista基准上达到73.5%准确
2026-05-29 16:13:44
236
原创 IEEE 26 | 参数量不是关键：4B模型VeriGround在匿名化电路生成任务上性能超越GPT-5.4
本文揭示了多模态大语言模型（MLLM）在"视觉到代码"任务中存在"海市蜃楼"缺陷：模型会绕过视觉输入，依赖文本提示中的语义信息生成代码模板，而非真正理解电路图。研究提出VeriGround解决方案，通过标识符匿名化训练数据和决策聚焦偏好对齐算法（D-ORPO），强制模型学习视觉拓扑结构。实验表明，4B参数的VeriGround在匿名化测试中功能正确率达42.51%，显著优于GPT-5.4等大模型。该工作不仅构建了诊断性基准C2VEVAL，其训练范式还可推广至其他视觉编
2026-05-14 11:46:10
421
原创 新加坡国立大学最新研究：冻结Backbone，激活潜能：解耦多模态模型中的潜变量优化与利用
多模态大模型训练中存在"沉默视觉潜变量"问题：模型为走捷径会抑制视觉推理能力。最新研究提出推理阶段优化方案，通过"预热-强化"两阶段操作，在不修改模型参数的情况下唤醒被压抑的视觉潜能。该方法首先提升潜变量语义质量，再通过置信度递进奖励机制强制模型使用潜变量，在多个基准测试中性能显著提升（最高达14%），且计算效率优于传统方法。这一发现为提升多模态模型推理能力提供了新思路，表明"推理时优化"可能成为未来研究热点。
2026-05-13 18:04:55
390
原创 荣登NeurIPS！Agent规划 + 多模态大模型取得新突破，这波操作杀疯了！
多模态Agent研究前沿综述 当前研究聚焦于将多模态大模型与Agent规划能力结合，以突破单一模型的被动响应局限。最新成果如FusionAgent和LCVN框架展现了三大创新方向： 动态模型选择：通过强化学习实现样本级最优模型组合（如FusionAgent的ACT分数融合方法）； 语言条件导航：华盛顿大学提出的LCVN任务结合扩散模型与自回归架构，实现开放环路的语言引导导航； 世界建模优化：引入扩散强制机制增强长时序任务表现，并通过KL散度损失对齐专家与学习者规划。 研究趋势表明，审稿更关注规划可解释性、跨
2026-04-14 15:16:28
456
原创 CVPR 26 爆款方向！多模态幻觉检测，POPE评测让VLM不再“瞎编“！
摘要：多模态大模型存在严重幻觉问题，如虚构物体或错误计数，影响高精度场景应用。当前研究聚焦三种检测方向：存在性、属性及推理链幻觉分析。两篇顶会论文提出创新方案：北京交大团队基于D-S理论开发单次前向传播的EUQ框架，实现内部冲突与信息缺失的显式量化；西北工大团队设计医疗VQA专用的V-Loop系统，通过视觉逻辑闭环验证事实准确性。研究强调需在真实噪声数据（非COCO等干净数据集）测试以验证泛化性。相关代码和教程已开源供复现改进。（149字）
2026-04-13 18:13:19
424
原创 多模态+数据工程新突破！连中SCI一区TOP刊！
【摘要】近期研究聚焦多模态数据分析与数据工程创新。ByteHouse提出云原生数据仓库架构，通过分层存储设计（统一表引擎、SSD缓存等）实现实时多模态分析，在ClickBench等基准测试中性能提升25%-50%。SemBench则构建首个面向语义查询处理的基准测试框架，支持文本/图像/音频多模态分析，开发55个含语义操作符的测试查询，并建立针对LLM不确定性的量化评估体系。两篇研究共同显示：1）存储优化对多模态处理效率具有决定性影响；2）标准化评估框架是推动领域发展的关键基础设施。相关代码与评估方案已开源
2026-04-09 18:15:53
344
原创 小波变换+Mamba重磅结合！硬核思路就是好上分
这一组合，最近简直成了视觉领域的‘上分利器’！从让雾霾瞬间消散的去雾王炸，到刷新轻量化性能标杆的，再到攻克 4K 极暗环境的，这一方向正以横扫之势霸占各大顶会顶刊。，强强联手，性能提升简直是‘降维打击’！正因如此，该方向已得到学术界的高度认可，且创新空间巨大，是目前发表顶会论文的绝佳风口。无论是从切入，都能挖掘出极具竞争力的创新点。本文整理了小波变换+Mamba前沿论文，很多都是顶会顶刊成果，大家可参考这些最新的技术以及思路，快速找到自己的idea。
2026-03-26 16:48:30
430
原创 强烈推荐！transformer+卡尔曼滤波！新成果已登一区TOP
摘要：Transformer与卡尔曼滤波的融合正成为学术研究新热点，其互补优势催生多个创新应用。本文精选16篇前沿论文，涵盖自动驾驶目标融合（HiLO框架）、零样本状态估计（FM-UKF）及毫米波追踪（m3TrackFormer）等突破性成果。这些研究通过注意力机制重构传统流程，在性能指标上实现显著提升（如F1分数提高25.9%），同时保持模型可解释性。部分开源工作提供可复现代码，为研究者提供可靠基线。该方向兼具理论价值与应用潜力，是值得关注的高潜力领域。
2026-03-25 17:53:23
399
原创 频域+特征融合：深度学习的黄金组合，顶会顶刊的快速通道
空间-频域协同方法在视觉任务中取得突破性进展，涌现出SFAFNet、DuFal、MDAFNet等代表性工作。这些方法通过融合空间域的局部结构与频域的全局/高频特性，解决了传统CNN模型高频细节捕捉不足的问题。SFAFNet采用门控空间-频域特征融合模块，DuFal创新性地使用双路径编码架构，MDAFNet则结合多尺度边缘补偿与双域自适应增强。这些技术在图像去模糊、医学影像重建和红外小目标检测等领域展现出显著优势，为视觉任务提供了全新的双域处理范式。
2026-03-24 17:18:23
571
原创 又登Nature！特征提取发文大道果真宽又阔啊！
特征提取研究正呈现多维融合趋势，重点关注数据稀缺、可解释性和多信息融合场景。本文整理了21篇前沿论文，涵盖移动App评论特征提取（T-FREX框架将任务重构为NER）、时间线异常检测（基于"意外性学习"理论）和太阳能预测（多模态Transformer模型）等创新方法。这些研究通过引入新范式如将认知科学理论与信息论结合、利用公共摄像头数据等，在保持可解释性的同时提升了性能。所有论文均附带开源代码，可作为baseline参考。
2026-03-23 17:50:12
379
原创 多模态特征融合完全是发文密码！易创新，轻松冲击双1区TOP刊！
多模态特征融合研究前沿：本文综述了多模态AI领域的最新进展，重点介绍了三种创新方法。MUFASA模型通过标题引导的多模态融合和稀疏注意力机制，解决了长序列推荐难题；CVPR2025研究系统分析了视觉特征融合的最佳实践，提出了层级选择黄金法则；ICCV2025的ProtoMM框架利用最优传输实现测试时自适应，动态更新多模态原型。这些工作共同推动了跨模态深层关联挖掘、计算效率优化和动态适应能力的发展，为多模态研究提供了新思路。
2026-03-19 18:02:00
394
原创 为什么那些“看起来差不多”的多模态论文能稳定发表？
当前多模态研究已从基础框架创新转向精细化改进，形成了一套高效发表策略。本文揭示了8种常见范式：融合层增强、细粒度对齐、多尺度融合、轻量化结构、损失函数优化、模块组合、垂直场景适配和泛化能力验证。这些策略基于成熟框架（如CLIP、BLIP）进行针对性优化，强调动机清晰、实验完整和逻辑自洽。研究指出，应用型论文更看重严谨改进而非颠覆创新，通过1%-3%的性能提升、详实的消融实验和跨领域验证即可形成有效贡献。这种结构化方法为研究者提供了可复用的科研路径，平衡创新性与发表可行性。
2026-03-16 12:27:23
362
原创 选对Baseline，你的研究就成功了80%
本文探讨AI科研中Baseline选择的关键策略，提出三大黄金法则：生命力（持续活跃引用）、可落地（代码可复现）和高拓展性（模块化设计）。以目标检测领域的DETR为例，分析其作为优质Baseline如何通过端到端无NMS范式推动创新，并衍生出RT-DETR等改进模型。文章最后推介14天免费科研训练营，承诺提供个性化诊断、实操指导和独家资源，帮助研究者快速建立有效Baseline。
2026-03-12 11:56:41
265
原创 AAAI 2026 新鲜出炉！17.6%神仙录取率，揭秘Hinton、LeCun都关注的7大AI风口！
AAAI2026会议聚焦大模型前沿研究，精选7篇核心论文。研究涵盖：1）基于梯度表示优化的推理增强方法；2）MLLM指导的多模态嵌入学习；3）强化学习的视觉语言模型后门防御；4）上下文依赖表情符号消解基准测试；5）功能感知的低秩适配初始化策略；6）视觉语言模型的细粒度因果追踪框架；7）语言可分离性指导的多语言数据预选方法。这些研究为大模型推理、安全、应用等关键问题提供了创新解决方案。论文合集可通过原文链接获取。
2025-11-28 18:01:03
1523
原创 EMNLP 25 获奖论文合集 | 最佳论文封神！PB级数据搜索终结悬案，GPT-4o被指“严重污染”
EMNLP2025最佳论文解析：聚焦NLP前沿突破 EMNLP2025会议在苏州举行，共接收1600篇论文，整体接收率21.3%。最佳论文奖授予《INFINI-GRAMMINI》，该研究创新性地采用FM-index数据结构，实现PB级文本的高效精确n-gram搜索，为LLM训练数据审计提供关键工具。7篇杰出论文覆盖多个前沿领域：LINGGYM构建首个低资源语言元语言推理评估基准；ValueActionLens框架首次量化LLM"价值-行动"错位率；DiscoSG提出话语级场景图解析新方法
2025-11-26 18:12:20
1446
原创 大模型前沿周报 (11.17-11.23)：覆盖领域专用LLM与多智能体架构，LLM推理、表征优化与逻辑建模等方向
本期精选10篇大模型前沿论文，涵盖多个研究方向：1）领域专用LLM与多智能体架构，如OpenBioLLM开源基因组问答框架；2）LLM推理优化与逻辑建模，包括ProRAC神经符号推理框架；3）评估基准与安全隐私，如MermaidSeqBench图表生成评估基准和CIMemories隐私风险评估；4）跨领域应用与伦理影响，包括自动驾驶行为分析及公平算法操纵风险研究。这些成果展示了LLM在性能提升、安全可靠性和跨领域应用方面的最新进展，为技术落地提供新思路。
2025-11-24 18:16:08
1066
原创 陈丹琦团队再出重磅！SLIM框架破解长程Agent上下文难题，ICLR 2026已投！
陈丹琦团队提出SLIM框架，破解长程智能体搜索的上下文管理难题。该研究针对现有框架因上下文溢出、工具预算耗尽等问题导致的性能下降，创新性地将检索拆分为独立搜索与浏览工具，并引入周期性轨迹总结机制。实验显示，SLIM在BrowseComp和HLE基准上分别达到56%和31%的准确率，超越开源基线8-4个百分点，同时减少4-6倍工具调用。该框架在o3、o4-mini和Claude-4-Sonnet等不同模型上均表现稳定，为长程搜索系统提供了高效解决方案。研究已提交ICLR2026评审，相关代码开源。
2025-11-21 17:55:41
773
原创 超越思维链！邱锡鹏团队定义AI推理新范式：“视频思考”，让GPT-4o看到都得点赞！
【摘要】复旦大学邱锡鹏团队提出创新性"视频思考"范式，突破现有"文本/图像思考"在动态推理和多模态融合上的局限。研究构建了包含4149个样本的VideoThinkBench基准测试集，涵盖视觉中心与文本中心两大任务类别。实验显示，Sora-2在视觉推理任务上与主流视觉语言模型性能相当，在文本推理任务上取得MATH 92%、MMMU 75.53%的准确率。研究证实视频生成模型具备统一多模态理解与生成的潜力，少样本学习和自一致性可显著提升模型性能，为多模态AI发展开辟了新
2025-11-20 16:49:01
1092
原创 清华LeapLab重磅发现：强化学习正在“扼杀”大模型的推理潜力！
【摘要】清华大学团队研究发现，当前强化学习(RL)技术并未真正提升大语言模型的推理能力。通过pass@k评估方法(采样1024次)，实验表明RL训练后的模型在数学、编程等任务中并未超越基础模型的能力边界，反而缩小了问题解决范围。研究揭示RL仅优化了已有知识的输出效率，却牺牲了基础模型原有的多元解决能力。相比之下，知识蒸馏能真正扩展模型能力。该成果对当前过度依赖RL提升模型性能的做法提出了重要警示，为未来探索新型算法指明了方向。（149字）
2025-11-14 17:19:20
842
原创 LeCun、李飞飞、谢赛宁联手定义多模态新方向：终结长文本内卷，走向「世界模型」
本文提出Cambrian-S模型框架，旨在提升AI对视频的三维空间感知能力。通过四阶段训练流程（视觉-语言对齐、图像指令微调、通用视频微调和空间视频微调），结合大规模空间推理数据集VSI-590K，模型在VSI-Bench等基准测试中表现优异。创新性地引入"预测性感应"机制，利用模型的"惊奇感"信号来高效处理长视频：对预测误差小的帧进行压缩存储，重点保留意外变化的关键帧。实验表明，该方法在长达4小时的视频中仍能保持稳定的空间回忆和物体计数性能，显著优于现有商业模型。研
2025-11-12 18:24:11
829
原创 大模型前沿周报 (11.3-11.9)：覆盖多模态大模型能力优化与评估、行业场景化智能系统等方向
【大模型前沿研究综述】本期精选论文聚焦多模态大模型优化、行业智能系统等方向：1）Struct2D提出结构化2D框架实现空间推理；2）MMPerspective构建首个透视理解基准；3）PRISM评估多模态隐私风险。行业应用方面，LLM增强的空气质量监测和临床试验评估系统展现了落地潜力。LLM智能体优化方向提出记忆管理方案MemSearcher和课程学习策略。此外，PolyNorm实现少样本文本标准化，四象限人设分类体系为AI伴侣开发提供框架。这些研究推动了大模型在推理能力、行业落地和安全性等方面的进步。
2025-11-10 15:41:25
761
原创 ICLR 2025 | 告别“非黑即白”！X-CLR引入“相似度图谱”，让模型读懂万物关联！
本文提出X-样本对比损失(X-CLR)框架，改进传统对比学习仅区分样本相似或非相似的二元做法。X-CLR引入连续数值的相似度图谱，利用文本等元数据精确描述样本间语义关联，使模型学习更丰富的特征表示。实验显示，X-CLR在ImageNet等数据集上优于现有方法（如CLIP），尤其在数据较少时优势显著，并能提升预训练模型性能。该方法思想简洁、效果显著，但对高质量元数据有一定依赖性。未来可探索自动构建相似度图谱以降低人工标注需求。
2025-11-06 18:20:48
851
1
原创 NeurIPS 2025 | 华科大NAUTILUS：基于物理先验，让多模态大模型看穿深海迷雾！
摘要：论文提出NAUTILUS模型，用于解决水下图像颜色失真、细节模糊等问题。通过构建145万问答对的大规模水下多任务数据集NautData，并设计基于物理先验的视觉特征增强(VFE)模块，该模型能在特征层面逆向修复水下图像退化信息。实验表明，NAUTILUS在目标检测、分类等8项任务上性能显著提升，尤其在恶劣水下环境中表现出强鲁棒性。该研究为水下智能探索提供了新基准，其可解释的物理建模方法和即插即用的VFE模块具有重要应用价值。
2025-11-05 17:57:43
1423
原创 谷歌又放大招！全新SRL框架融合SFT与RL优势，打造超强推理智能体，性能飙升！
该论文提出监督强化学习(SRL)框架，通过分解专家解题步骤并设计序列相似度奖励机制，有效提升大型语言模型在复杂推理任务中的表现。SRL将专家解答转化为多步动作序列，在每一步计算模型生成动作与专家动作的相似度作为奖励信号，避免传统强化学习的稀疏奖励问题。实验表明，SRL在数学推理和软件工程任务中均显著优于监督微调和传统强化学习方法。该方法既保留了模型推理的灵活性，又通过细粒度步骤指导提升学习效果，为复杂AI任务训练提供了新思路。
2025-11-04 18:23:46
683
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人