46个长视距任务密集奖励评估AI Agent执行能力
Zongxia Li, Zhongzhi Li, Yucheng Shi, Ruhan Wang, Junyao Yang, Zhichao Liu,...
AI Agent
密集奖励
终端基准
评估基准
长视距任务
利用预训练视频生成模型构建统一通用的多任务视觉感知框架
Letian Wang, Chuhan Zhang, Rishabh Kabra, Jasper Uijlings, Steven Waslander,...
多任务学习
扩散模型
视觉-语言对齐
视频生成
通用视觉模型
视觉预训练比文本预训练更高效，用25%token预算提升科学推理性能
Yiming Zhang, Zhonghan Zhao, Wenwei Zhang, Haiteng Zhao, Tianyang Lin,...
基础模型
多模态学习
科学推理
自监督学习
视觉预训练
通过动态构造近端教师解决OPD优化不稳定性，零计算开销实现数学推理性能大幅提升
Zhengpeng Xie, Li Lyna Zhang, Zeke Xie, Mao Yang
信任区域方法
大语言模型
强化学习
数学推理
知识蒸馏
引入梯度协方差改进PTQ，在2-bit量化LLaMA-3-70B上达7.93困惑度
Donghyun Lee, Yuhang Li, Ruokai Yin, Priyadarshini Panda
Hessian
Kronecker分解
后训练量化
大语言模型
模型量化
提出ReChannel，将T2I模型从生成器转为场读取器，直接输出任务密集场，无需目标侧解码
Zanyi Wang, Xin Lin, Haodong Li, Dengyang Jiang, Yijiang Li
图像抠图
姿态估计
密集预测
指代表达分割
文本到图像模型
揭示LLM微调中知道-使用差距，提出知识-电路失配假设和self-patching方法
Lu Dai, Ziyang Rao, Yili Wang, Hanqing Wang, Hao Liu, Hui Xiong
因果干预
多跳推理
大语言模型微调
机制解释性
知识注入
基于旋转等变性的全景世界模型，实现高质量可控全景视频生成
Haoyuan Li, Dizhe Zhang, Yuemei Zhou, Xiangkai Zhang, Haoran Feng, Xiaofan...
3D场景建模
世界模型
全景视频生成
记忆机制
轨迹控制
让LLM自主选择训练片段提升长上下文推理性能
Xinyu Zhu, Zhe Xu, Xiaohan Wei, Yunchen Pu, Fei Tian, Chonglin Sun, Kaushik...
参数高效微调
注意力机制
测试时训练
自适应推理
长上下文
通过AFM和ERD两个组件，在保持高真实感的同时实现多样化交通行为生成
Seulbin Hwang, Kiyoung Om, Daejung Kim, Jinhan Lee
交通仿真
多智能体
多样性生成
流匹配
闭环学习
利用自监督语音模型的音韵特征向量，无需梯度下降即可实现音素分割和识别
Shikhar Bharadwaj, Kwanghee Choi, Stephen McIntosh, Chin-Jou Li, Eunjung...
低资源学习
自监督学习
语音识别
音素分割
音韵学
自动从 PMC 文献策划千万级医学图文对，显著提升医学视觉基础模型。
Hyunjae Kim, Dain Kim, Pan Xiao, Serina S. Applebaum, Younjoon Chung,...
CLIP
MLLM
PubMed Central
医学多模态
医学影像
提出可推理、可验证、可校准不确定性的多模态代理框架，用于可信博物馆问答。
Jiazi Wang, Nonghai Zhang, Qiushi Xie, Zeyu Zhang, Yufeng Chen, Yang Zhao,...
3D感知视觉-语言
多模态智能体
工具增强RAG
推理时可靠性控制
文化遗产生成AI
30B总参数仅激活3B的双语MoE模型，长上下文服务效率领先，德语能力突出
The Soofi-Team, Benedikt Droste, David Fitzek, Ruben Härle, Lukas Helff,...
Mixture-of-Experts
多语言模型
开源模型
德语模型
混合架构