首个万亿参数科学多模态MoE模型，突破100+科学任务
Yicheng Zou, Dongsheng Zhu, Lin Zhu, Tong Zhu, Yunhua Zhou, Peiheng Zhou,...
多模态大模型
强化学习
模型扩展
混合专家模型MoE
科学AI
通过连续情感标注和对称对比学习实现精细可控的面部表情编辑
Jiabin Hua, Hengyuan Xu, Aojie Li, Wei Cheng, Gang Yu, Xingjun Ma, Yu-Gang Jiang
图像编辑
对比学习
扩散模型
身份保持
面部表情编辑
仅调约102个缩放参数，用进化策略校准 DiT 各模块权重，即可显著提升生成质量并加速推理
Danil Tokhchukov, Aysel Mirzoeva, Andrey Kuznetsov, Konstantin Sobolev
参数高效微调
图像生成
扩散模型
无梯度优化
模型对齐
仅需3秒参考音频即可克隆声音的多语言TTS，超越ElevenLabs
Alexander H. Liu, Alexis Tacnet, Andy Ehrenberg, Andy Lo, Chen-Yo Sun,...
多语言
文本转语音
流匹配
直接偏好优化
语音克隆
利用大规模图像编辑模型的强先验知识，通过高质量数据生成与两阶段训练实现真实世界图像复原
Yufeng Yang, Xianfang Zeng, Zhangqi Jiang, Fukun Yin, Jianzhuang Liu, Wei...
全能复原
图像复原
图像编辑
扩散模型
真实世界退化
稀疏注意力+文档级RoPE，端到端训练实现1亿token线性扩展
Yu Chen, Runkai Chen, Sheng Yi, Xinda Zhao, Xiaohong Li, Jianjin Zhang, Jun...
KV缓存压缩
RAG
位置编码
稀疏注意力
记忆模型
提出大规模多参考图像生成数据集和基准，解决现有模型在长上下文场景下的性能退化问题
Zhekai Chen, Yuqing Wang, Manyuan Zhang, Xihui Liu
上下文学习
基准测试
多参考图像生成
数据集
长上下文
用独立LoRA在并行画布上训练13种音视频控制模态，仅需55K步即可超越VACE等基线
Matan Ben-Yosef, Tavi Halperin, Naomi Ken Korem, Mohammad Salama, Harel...
LoRA微调
可控生成
多模态
视频生成
音频生成
首个评估编码智能体迭代代码质量退化的基准，揭示代码腐化与冗余问题
Gabriel Orlanski, Devjeet Roy, Alexander Yun, Changho Shin, Alex Gu, Albert...
代码智能体
代码质量
基准测试
软件工程
迭代开发
识别采样token蒸馏三大失败模式，提出top-K匹配+19.8%提升
Yuqian Fu, Haohuan Huang, Kaiwen Jiang, Yuanheng Zhu, Dongbin Zhao
LLM后训练
优化稳定性
在策略蒸馏
知识蒸馏
用VLM将复杂科学图表转换为可编辑SVG，结合课程学习与强化学习
Qijia He, Xunmei Liu, Hammaad Memon, Ziang Li, Zixian Ma, Jaemin Cho, Jason...
SVG生成
强化学习
矢量化
科学图表
视觉语言模型
提出代码流多阶段训练范式与循环Transformer架构，在代码智能基准上达到开源SOTA。
Jian Yang, Wei Zhang, Shawn Guo, Zhengmao Ye, Lin Jing, Shark Liu, Yizhi Li,...
代码大模型
代码智能
多阶段训练
强化学习
循环架构
通过解耦几何与纹理的双网络架构，实现4K分辨率的前馈高斯泼溅新视角合成
Yixing Lao, Xuyang Bai, Xiaoyang Wu, Nuoyuan Yan, Zixin Luo, Tian Fang,...
3D重建
4K渲染
前馈网络
新视角合成
纹理映射
推理时多分辨率特征融合，无需训练即可全面提升视觉基础模型
Bocheng Zou, Mu Cai, Mark Stanley, Dingfu Lu, Yong Jae Lee
DINOv2
多尺度特征融合
无训练推理
视觉基础模型
计算机视觉
REPA在像素空间扩散模型中失败，PixelREPA通过掩码Transformer适配器解决
Jaeyo Shin, Jiwook Kim, Hyunjung Shim
ImageNet
Vision Transformer
像素空间生成
扩散模型
表征学习
金融场景下LLM调用MCP工具的评测基准，含613样本与65个工具
Jie Zhu, Yimin Tian, Boyang Li, Kehao Wu, Zhongzhi Liang, Junhui Li, Xianyin...
MCP
大语言模型
工具调用
智能体
评测基准
用自主编程智能体替代进化搜索中的变异算子，生成超越专家优化的GPU注意力内核
Terry Chen, Zhifan Ye, Bing Xu, Zihao Ye, Timmy Liu, Ali Hassani, Tianqi...
GPU内核优化
大语言模型
注意力机制
自主智能体
进化计算
多答案RL训练模型单次前向推理生成多个候选答案及置信度
Isha Puri, Mehul Damani, Idan Shenfeld, Marzyeh Ghassemi, Jacob Andreas, Yoon Kim
RLVR
不确定性估计
多样性推理
大语言模型
强化学习
提出多智能体框架协调记忆构建、检索和利用的全循环，解决战略盲视和延迟监督问题
Minhua Lin, Zhiwei Zhang, Hanqing Lu, Hui Liu, Xianfeng Tang, Qi He, Xiang...
LLM代理
多智能体系统
自我演化
记忆增强
长期对话
用同一模型的自回归模式作验证器，无需训练即加速扩散LLM解码
Ligong Han, Hao Wang, Han Gao, Kai Xu, Akash Srivastava
免训练优化
扩散语言模型
推测解码
推理加速
自回归
提出统一视觉-语言-世界-动作模型，实现基于自然语言指令的自动驾驶
Sicheng Zuo, Yuxuan Li, Wenzhao Zheng, Zheng Zhu, Jie Zhou, Jiwen Lu
世界模型
自动驾驶
自然语言指令
视觉-语言-动作模型
轨迹规划
用高分辨率扭曲代替代价体积，实现高效准确的立体匹配
Yihan Wang, Jia Deng
扭曲
深度学习
立体匹配
计算机视觉
零样本泛化
构建首个大规模生物三模态对齐框架，整合图像、分类学文本和动物声音数据
Risa Shinoda, Kaede Shiohara, Nakamasa Inoue, Kuniaki Saito, Hiroaki Santo,...
多模态学习
对比学习
物种识别
生物多样性
音频-视觉-文本对齐
通过栅极电压实现钙钛矿光致发光近100%可逆静电调控
Vladimir Bruevich, Dmitry Maslennikov, Beier Hu, Artem A. Bakulin, Vitaly Podzorov
光电子学
光致发光
场效应晶体管
钙钛矿
静电调控
提出ScratchMath基准评估MLLM诊断学生数学错误能力
Dingjie Song, Tianlong Xu, Yi-Fan Zhang, Hang Li, Zhiling Yan, Xing Fan,...
多模态大语言模型
手写识别
教育AI
数学推理
错误诊断
无需训练通过隐藏状态引导提升LALM推理能力
Lok-Lam Ieong, Chia-Chien Chen, Chih-Kai Yang, Yu-Han Huang, An-Yu Cheng, Hung-yi Lee
推理增强
模型引导
链式思维
音频语言模型
通过全局到局部重构学习编码what-is-where场景组成的紧凑视觉状态
Seokmin Lee, Yunghee Lee, Byeonghyun Pak, Byeongju Woo
场景理解
机器人学习
状态表示学习
自监督学习
提出轻量级Plain Mask Decoder实现冻结VFM的高效图像视频分割
Niccolò Cavagnero, Narges Norouzi, Gijs Dubbelman, Daan de Geus
Transformer
Vision Foundation Models
图像分割
视频分割
计算机视觉
利用频域融合整合Pangu-Weather先验，突破降水临近预报的时效瓶颈
Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng
多模态融合
时空预测
气象基础模型
降水临近预报
频域学习