通过合成多跳视觉-语言推理数据训练VLM，提升长链思维推理的泛化能力
Shenzhi Wang, Shixuan Liu, Jing Zhou, Chang Gao, Xiong-Hui Chen, Binghai...
多跳推理
强化学习
数据合成
视觉语言模型
链式思维
高效RL框架对齐蒸馏视频模型与人类偏好
Songchun Zhang, Zeyue Xue, Siming Fu, Jie Huang, Xianghao Kong, Y Ma,...
强化学习
模型对齐
自回归模型
蒸馏
视频生成
自我改进机制本身也可改进的 AI 系统，实现跨领域加速进步
Jenny Zhang, Bingchen Zhao, Wannan Yang, Jakob Foerster, Jeff Clune, Minqi...
元学习
开放式探索
自引用系统
自我改进
首个在地球观测中实现像素级推理的视觉语言模型
Yan Shu, Bin Ren, Zhitong Xiong, Xiao Xiang Zhu, Begüm Demir, Nicu Sebe, Paolo Rota
像素级推理
多模态融合
视觉语言模型
遥感图像分析
链式思维
首个评估MLLM能否主动寻求帮助的基准，揭示了当前模型严重缺乏主动性能力。
Thomas De Min, Subhankar Roy, Stéphane Lathuilière, Elisa Ricci, Massimiliano Mancini
主动行为
基准测试
多模态学习
强化学习
模型评估
用 λ 演算的类型化函数式运行时替代开放式 REPL 循环，实现可控的长上下文递归推理
Amartya Roy, Rasul Tutunov, Xiaotong Ji, Matthieu Zimmer, Haitham Bou-Ammar
λ 演算
形式化方法
推理时缩放
组合子库
递归语言模型
三分支图修正流模型，从多模态场景图协同生成风格一致的3D室内场景
Zhifei Yang, Guangyao Zhai, Keyang Lu, YuYang Yin, Chao Zhang, Zhen Xiao,...
3D场景生成
Rectified Flow
图神经网络
室内设计
风格一致性
用信息瓶颈理论压缩推理链，Token减48%准确率基本不变
Fabio Valerio Massoli, Andrey Kuzmin, Arash Behboodi
Chain-of-Thought
信息论
强化学习
预算强制
高效推理
通过关系注意力机制显式绑定人脸-属性，实现精准多主体视频定制
Jiazheng Xing, Fei Du, Hangjie Yuan, Pengwei Liu, Hongbin Xu, Hai Ci,...
人脸属性对齐
多主体个性化
扩散模型
注意力机制
视频生成
通过动态里程碑规划和基于势能的强化学习，显著提升Web智能体的长期任务成功率
Taiyi Wang, Sian Gooding, Florian Hartmann, Oriana Riva, Edward Grefenstette
Web智能体
大语言模型
奖励塑形
子目标规划
强化学习
DynaEdit：免训练视频编辑方法，支持修改动作、插入交互物体、改变全局效果
Vladimir Kulikov, Roni Paiss, Andrey Voynov, Inbar Mosseri, Tali Dekel,...
免训练
文本引导编辑
流模型
视频生成
视频编辑
用强化学习直接优化循环语言模型的隐空间推理步骤，实现更准更快的隐式推理
Guo Tang, Shixin Jiang, Heng Chang, Nuo Chen, Yuhan Li, Huiming Fan, Jia Li,...
强化学习
循环语言模型
早退出
隐空间推理
预训练
提出DTR框架，通过闭环智能体决策处理非结构化表格的复杂多步推理任务
Junnan Dong, Chuang Zhou, Zheng Yuan, Yifei Yu, Qiufeng Wang, Yinghui Li,...
多步推理
大语言模型
智能体框架
经验学习
表格推理
用多智能体框架从2D模型提取隐式3D知识生成连贯3D场景
Ziya Erkoç, Angela Dai, Matthias Nießner
3D场景生成
3D高斯溅射
VLM
图像生成
多智能体系统
免训练的层次化提示压缩框架，将推理延迟降低26.4倍同时保持高精度检索
Zhengpei Hu, Kai Li, Dapeng Fu, Chang Zeng, Yue Li, Yuanhao Tang, Jianqiang Huang
信息检索
推理效率
提示压缩
无训练方法
长上下文
揭示生成式推荐通过token级记忆实现泛化的机制
Yijie Ding, Zitian Guo, Jiacheng Li, Letian Peng, Shuai Shao, Wei Shao,...
序列推荐
推荐系统
生成式推荐
记忆与泛化
语义ID
EgoForge 仅凭单张自我中心图像+高层指令+可选外中心图，生成目标驱动的连贯第一人称视频
Yifan Shen, Jiateng Liu, Xinzhuo Li, Yuanzhe Liu, Bingxuan Li, Houze Yang,...
XR应用
世界模型
强化学习对齐
扩散模型
自我中心视觉
提出D-MMD方法将离散扩散模型蒸馏为少步生成器，在文本和图像上超越教师
Emiel Hoogeboom, David Ruhe, Jonathan Heek, Thomas Mensink, Tim Salimans
图像生成
扩散模型
文本生成
模型蒸馏
离散生成
将查询分解为逻辑树，用轻量专家做多模态帧选择，无需训练即可超越迭代方法
Dan Ben-Ami, Gabriele Serussi, Kobi Cohen, Chaim Baskin
多模态
帧选择
神经符号推理
视频理解
问答系统
将经典RL的马尔可夫状态引入LLM后训练，突破能力天花板，实现指数级样本效率提升
Yurun Yuan, Tengyang Xie
后训练
大语言模型
强化学习
推理能力
马尔可夫决策过程
研究在多智能体社会困境中，密集社会指标反馈相比稀疏奖励反馈能显著提升LLM策略合成效果
Víctor Gallego
协作智能体
反馈工程
多智能体强化学习
大语言模型策略合成
社会困境
SSM视觉编码器VMamba在VLMs中可替代ViT，在定位任务上表现更优
Shang-Jui Ray Kuo, Paola Cascante-Bonilla
VLM
VMamba
定位
状态空间模型
视觉-语言接口
首个系统性评估AI agent与人机协作在特定领域数据科学任务中的基准测试
An Luo, Jin Du, Xun Xian, Robert Specht, Fangqiao Tian, Ganghua Wang, Xuan...
agents
benchmark
data-science
human-ai-collaboration
通过部分级标注和过程奖励强化学习，实现逐步生成可编辑的矢量素描
Xiaodan Du, Ruize Xu, David Yunis, Yael Vinker, Greg Shakhnarovich
多模态学习
强化学习
生成模型
矢量图形
计算机视觉
通过可微不确定性束调整和 DINOv2 特征相似度，实现真实动态环境下的鲁棒实时 SLAM
Moyang Li, Zihan Zhu, Marc Pollefeys, Daniel Barath
3D重建
SLAM
不确定性估计
动态场景
深度学习
通过组合预训练翻译模型和LLM，在无需重新训练LLM的情况下大幅提升低资源语言性能
Mengyu Bu, Yang Feng
多语言大模型
最优传输
模型组合
神经机器翻译
表示对齐
分析27.8万次代码审查对话，对比AI与人类审查者的反馈差异、协作模式和建议质量。
Suzhen Zhong, Shayan Noei, Ying Zou, Bram Adams
AI代理
人机协作
代码审查
软件工程
通过在层间隐状态注入可学习扰动，统一解决LLM强化学习中的策略陈旧和训练推理不匹配问题
Chenlu Ye, Xuanchang Zhang, Yifan Hao, Zhou Yu, Ziji Zhang, Abhinav...
LLM RL
离策略学习
训练稳定性
重要性采样
LLM能从歌词推断作者性别种族，但存在明显文化偏向
Valentin Lafargue, Ariel Guerra-Adames, Emmanuelle Claeys, Elouan Vuichard,...
LLM偏见
作者画像
公平性评估
文化敏感性
零样本学习
基于AWS密码学库的形式化证明基准，评估LLM在工业级汇编代码上的推理能力
Balaji Rao, John Harrison, Soonho Kong, Juneyoung Lee, Carlo Lipizzi
HOL Light
LLM代码推理
定理证明
密码学验证
形式化验证
首个端到端多视图3D重建，同时重建几何、PBR材质和HDR环境光，速度小于1秒
Jan-Niklas Dihlmann, Mark Boss, Simon Donne, Andreas Engelhardt, Hendrik P....
3D重建
NeRF
Transformer
可重新照明
多视图
用特征轨迹的曲率作为语义变化的几何探针，把流式视频帧动态路由进高清清晰记忆与低分辨率模糊记忆，在严格 token 预算下取得超 10% 的绝对提升。
Chao Wang, Xudong Tan, Jianjian Cao, Kangcong Li, Tao Chen
几何曲率
多模态大模型
流式视频理解
训练免调
记忆管理
设计四种神经网络检测器，与8个商业工具进行多语言跨域比较评估
Cristian Buttaro, Irene Amerini
AI文本检测
多语言
对比评估
神经网络
提出多尺度切换和频域切换的半监督框架，显著提升医学超声图像分割在低标注数据下的性能
Jingguo Qu, Xinyang Han, Yao Pu, Man-Lik Chui, Simon Takadiyi Gunda, Ziman...
医学图像分割
半监督学习
对比学习
超声成像
基于几何约束的视频扩散模型生成360度一致旋转视频，实现自动3D纹理化
Yan Zeng, Haoran Jiang, Kaixin Yao, Qixuan Zhang, Longwen Zhang, Lan Xu, Jingyi Yu
3D生成
几何约束
纹理映射
视频扩散
高斯泼溅
首次揭示mask-based基准缺陷，提出像素级精确标注和PIXAR大规模基准，推动图像篡改检测从粗粒度区域标签向细粒度像素级语义理解转变。
Xinyi Shang, Yi Tang, Jiacheng Cui, Ahmed Elhagry, Salwa K. Al Khatib,...
VLM
像素级标注
图像篡改检测
基准测试
多模态学习
提出多代理强化学习内存控制器，通过奖励分解实现可解释的能耗延迟联合优化
Panuganti Chirag Sai, Gandholi Sarat, R. Raghunatha Sarma, Venkata Kalyan...
内存系统
可解释AI
强化学习
性能优化