跳到正文
10月7日周三
  1. arXiv cs.AI29

    GeoPID：分解与引导视觉语言模型中的视觉信息

    研究者提出免训练框架 GeoPID，从几何视角将 VLM 中的多模态信息分解为冗余、模态独有和协同三类成分。在 22 个 VLM 和 14 个 benchmark 上的分析显示，需要视觉 grounding 的问题中正确预测具有更强的视觉独有成分。基于此，GeoPID 在推理时沿视觉独有子空间选择性放大视觉表征，无需更新模型参数即平均提升 7.63% 相对准确率。

  2. arXiv cs.AI24

    Atom-JEPA：面向 3D 原子系统的联合嵌入预测架构

    Atom-JEPA 是一个自监督预训练框架，通过原子级和子结构级的互补目标，从无标注 3D 结构中学习潜在表示。该模型在大规模分子与晶体数据集上预训练，经微调后在分子 ADMET 与量子化学性质预测任务上达到 SOTA，在晶体材料物理性质预测上也极具竞争力。代码与预训练模型 checkpoint 已公开。

  3. arXiv cs.AI22

    Foresight-over-Graph：面向知识库问答的远见感知证据检索框架

    针对 LLM 引导的图推理中逐跳贪心剪枝过于短视、易过早丢弃关键证据分支的问题，研究者提出远见感知证据检索框架 Foresight-over-Graph（FoG），通过远到近反馈引导路径探索并维护紧凑记忆子图。在常用 KBQA 基准上 FoG 达到 SOTA，CWQ 的 Hit 指标提升 16.58%，同时减少 LLM 调用与 token 消耗。代码已开源，论文被 NeurIPS 2026 接收。

  9. arXiv cs.AI22

    MARCO：面向蛋白质生成模型的放射性水印框架

    MARCO 是首个专为蛋白质生成模型（PGM）设计的放射性水印框架，通过辅助编码器-解码器在扩散逆向去噪过程中迭代嵌入水印，原始 PGM 参数保持冻结。它采用针对 C_α 原子对距离和扭转角（ψ, φ）的专用损失函数，并结合对抗训练与随机攻击模拟，以保持生物物理保真度和鲁棒性。水印会自动转移到任何基于水印数据训练的盗版模型输出中，从而有效对抗模型提取攻击。

  10. arXiv cs.AI17

    利用历史数据缓解自动驾驶远程操控 QoS 预测中的概念漂移

    针对自动驾驶远程操控的预测性 QoS（pQoS），研究者基于实测数据提出预测框架，预测上行数据速率与往返时延两项网络 KPI。该框架将历史数据纳入预测流程，以缓解概念漂移导致的机器学习模型在未见数据上的性能退化，并引入关键场景检测指标专门评估远程操控场景下的预测表现。

  11. arXiv cs.AI22

    DySCo：面向边缘-云协同 LLM 推理的动态分片与深度同步批处理

    DySCo 是一个边缘-云协同 LLM 推理运行时，通过保持 KV 缓存本地化并引入 dyForward 层范围执行器，让边缘设备无需重载权重即可运行可配置的连续层范围。其深度同步批处理（DSB）将异构请求推进到最深切分点并批处理公共后缀，在平均并发为 8 时吞吐量较 FIFO 提升 275%、较精确匹配批处理提升 48%、较轮询交错提升 79%，同时降低平均每会话延迟。

  12. arXiv cs.AI29

    VOMMI：面向移动操作的可携带演示采集与学习框架

    VOMMI 是一个可携带的移动操作演示采集与学习框架，通过离线轨迹重建和在线视觉-运动条件化，将便携 RGB 演示接入 VLA 后训练。其 R2-VO 用稀疏几何锚点精修轨迹，使身体与手部流的绝对轨迹误差平均降低 24.6%。仅用便携演示后训练的策略基座速度误差比机器人采集演示低 18.2%，在三项真机任务上平均成功率较 OpenPI 0.5 提升 8.3 个百分点。

  13. arXiv cs.AI19

    STRUCTURALCOST：用于建模人类句子处理难度的受控阅读时间数据集

    STRUCTURALCOST 是一个自定速阅读数据集，包含 475 名参与者和 40,800 条观测，用于分离长距离主谓依存解析的处理成本。研究发现，主句动词处的人类阅读时间随依存长度增加，由句法嵌套而非线性距离驱动；n-gram、SSM 和 Transformer 等语言模型仅部分反映这一难度曲线，且低估了人类的工作记忆整合成本，该差距在不同架构和模型规模下持续存在。

  17. arXiv cs.AI29

    S1-MAS：用 System One 引导计算分工实现 token 高效多智能体协作

    研究者提出 S1-MAS 多智能体框架，将任务选择、角色分配、消息路由等有界协调决策交给轻量 System One 模型，把开放式推理留给能力更强的 LLM worker。在七个基准上与 AgentVerse、DyLAN、SelfOrg 对比，S1-MAS 将 GPT-4o token 消耗降低 44.9%-97.2%，端到端延迟降低 37.8%-93.0%，同时取得更高准确率。

  18. arXiv cs.AI24

    无有效选项 MCQA 下的 LLM 弃答：惩罚框架分析

    研究提出"惩罚框架无有效选项 MCQA"设定，在 MMLU-Pro 数学子集上移除正确选项，允许模型选择剩余选项或输出 ABSTAIN，并对无效强制选择进行惩罚。实验显示，即便有明确的无有效选项提示和惩罚评分，模型在原本答对的题目上仍会给出无效强制选择，说明高 MCQA 准确率并不能完全保证弃答可靠性。该工作已被 AACL-IJCNLP 2026 主会议短论文接收。

  19. arXiv cs.AI62

    论文指出 Lean 验证 AI 自动形式化无法保证自然语言证明正确

    arXiv 论文指出，AI 自动形式化把自然语言数学文本翻译成 Lean 后，机械验证通过并不能保证原自然语言论证正确。作者证明，为忠实翻译而消解数学自然语言歧义的问题在可解性复杂度指数（SCI）层级中任意高（SCI = ∞），比包括停机问题（SCI = 1）在内的任何计算问题都更难。

    推荐理由：论文用可计算性层级论证自然语言数学文本的忠实翻译不可判定，并给出 Lean 形式化与原文不符的实例。

  21. arXiv cs.AI24

    基于查询的可达自车未来代价学习：超越端到端驾驶的航点回归

    研究者提出一种基于查询的代价学习框架，为动态可达的自车轨迹查询估计有界代价，而非密集 BEV 网格或少量回归轨迹。在 nuScenes 上，该方法碰撞率优于 ST-P3、NMP 及多数回归基线，L2 保持竞争力；在真实驾驶日志上无需微调即比 SparseDrive 和 Alpamayo 降低碰撞率。该工作已被 ACCV 2026 接收。

  22. arXiv cs.AI22

    针对多语言语音匿名化的声学与内容导向说话人验证攻击研究

    研究评估了声学导向与内容导向攻击者对多语言匿名语音的说话人验证（ASV）效果，发现攻击效果取决于匿名语音的语言可用性。整体上声学导向攻击者表现更好，但当语言信息保留较好时，内容导向与声学导向攻击者的性能差距会缩小。研究还构建了多语言语音转换数据集，可提升性能并部分缩小跨语言差距。

  23. arXiv cs.AI27

    工具说谎时：工具反馈被污染下数学智能体的可靠性

    研究用受控污染框架测试数学智能体能否识别并纠正被篡改的工具调用结果，在 31 道题上对比四种验证设计。无验证时准确率从 100% 骤降至 72.4%，强制同上下文反思可完全恢复至 100%，可选验证仅在模型主动调用时有效。显式检测后完整重启问题在 100% 情况下成功，表明验证器可用性与验证策略是数学智能体可靠性的两个独立组成部分。

  24. arXiv cs.AI22

    SAGE：语义锚点引导的医疗问答数据合成框架

    SAGE 是一个面向医疗问答的数据合成框架，利用 MeSH 等公开分类体系作为语义锚点，让本地部署的小模型通过原子与关联合成交替迭代，从极少种子数据生成高质量医疗训练数据。在多个医疗问答基准上，用 SAGE 合成数据微调的模型持续优于自生成或传统文档式方法，且无需大量医疗文档或外部 API。代码已开源，论文被 EMNLP 2026 收录。

  27. arXiv cs.AI37

    VisionWeave：让弹性视觉表征成为 MLLM 的原生能力

    VisionWeave 通过门控空间池化器与粒度路由器，让 MLLM 端到端学习按内容自适应分配视觉 token 粒度。基于 Qwen3.8-27B，它在八个基准上平均节省 43.0% token 并保留 98.9% 原生性能，而固定 50% 节省目标的 token 剪枝基线仅保留 88%。部署于 SGLang 后吞吐提升 2.3 倍，平均 TTFT 降低 54.4%、TPOT 降低 60.6%。

  29. arXiv cs.AI22

    ReGraph：双视觉通路中涌现泛化能力的计算解释

    研究者提出 ReGraph——一种带生物归纳偏置的循环双流图模型，包含视网膜驱动的分流编码、背侧到腹侧调制和动态侧向连接，在 Something-Something V2 动作基准上训练。结果显示，上下文不变编码与网格样空间基仅沿扩展背侧通路共同涌现，单流、无调制变体和标准基线中均不出现。事后分析表明这些网格样基可作为可复用的路由模板，提示泛化能力在感觉信息被分解为层级化分流时便已成形。

  32. arXiv cs.AI12

    ACML：面向多模态学习的动态对齐与校准框架

    针对静态跨模态对齐易导致过度对齐、置信度融合忽视特征量级差异的问题，研究者提出对齐与校准驱动的多模态学习框架 ACML。该框架包含动态跨模态三元组对齐模块和差异感知注意力校准策略，前者按置信度差距对正样本对施加差异化约束，后者依据特征量级与置信度差异自适应调整注意力正则。在多个多模态基准数据集上，ACML 的性能与鲁棒性持续优于近期 SOTA 方法。

  33. arXiv cs.AI17

    多模态知识蒸馏用于全切片图像胃腺癌分类

    研究提出多模态知识蒸馏（MKD）框架，用低秩多模态融合（LMF）结合预训练WSI图像编码器与临床文本编码器，教师模型学习图像-文本融合表示，学生模型蒸馏后仅凭图像即可推理。在PatchGastric基准上平均准确率比SOTA至少高3.35%，且不依赖Transformer融合、多任务学习或大语言模型，源代码已开源。

  34. arXiv cs.AI26

    基于控制的动态优化实现多样化运动定制

    针对视频生成中运动定制的内容泄漏问题，研究者提出 Control-based Motion Customization（CMC）训练框架，用随机最优控制（SOC）引导生成动态朝向目标运动、避免向参考视频坍缩。该方法去除显式奖励并引入仅作用于生成早期阶段的时间步自适应运动代价，训练速度提升 2.5 倍，在缓解内容泄漏的同时保持运动保真度与基座模型的多样性。

  37. arXiv cs.AI32

    统一多模态模型的视觉弃权能力：Draw-or-Decline 基准与 VisTA 训练方法

    研究提出视觉弃权概念，即模型在请求的视觉变换不可能完成时应识别并拒绝生成。为此构建了 Draw-or-Decline 基准，包含 7 类任务的 1,050 对可行-不可行请求，评测 8 个统一多模态模型发现编辑能力与弃权能力相互独立，最强编辑器编辑准确率 68.4% 却仅拒绝 0.4% 的不可行请求。