- 博客(85)
- 收藏
- 关注
RSS订阅原创 2026年CNN与Transformer融合的创新点思路
本文综述21篇顶会顶刊论文，聚焦CNN+Transformer融合创新。RepViT通过MetaFormer思想重构轻量卷积网络，实现高效部署；VMFormer提出端到端视频抠图框架，结合双分支与时序建模，实现实时高精度抠图；BIOT构建生物信号跨数据集学习框架，支持不规则信号统一建模；TCM则设计混合架构，平衡压缩效率与复杂度，在图像压缩任务中表现优异。
2026-10-20 10:42:04
246
原创 Anthropic、OpenAI 都在谈 RSI：AI 自我改进走到哪一步了？
9 月 6 日，OpenAI 首席科学家 Jakub Pachocki 表示，基于内部结果，他强烈预期当前的进步速度可能延续到 RSI 阶段，并说明公司正将研究重点朝 RSI 集中。Anthropic CEO Dario Amodei 在 9 月的文章中认为，AI 帮助构建下一代 AI 的能力正在推动研发加速，并主张控制能力增长节奏，给安全研究和验证留下时间。想象一家制造机器的工厂。2026 年 9 月，AI 圈的一个问题开始变得具体：如果研发下一代 AI 的工作，越来越多由 AI 自己完成，会发生什么？
2026-10-20 10:37:45
324
原创 ICLR 2026｜北京邮电大学 & 南洋理工大学等：多图推理如何让危险意图在后期才暴露
MIDAS提出一种新型多模态越狱攻击，将完整危险意图拆分并分散至多张视觉推理图中，通过长链跨图推理使风险语义在模型后段才逐步重构。实验显示其在4个闭源MLLM上平均ASR达81.46%，且攻击成功率与推理长度、风险暴露延迟强相关。该研究揭示：当风险语义出现晚于安全判断时，现有防御机制显著失效，凸显多模态模型在复杂推理过程中面临“语义重构”带来的新安全盲区。
2026-09-17 17:04:06
270
原创 YOLOv5 到 YOLO26：一文看懂 YOLO 的版本演进
YOLO从2016年提出以来，已演变为多团队并行发展的技术生态，而非单一版本迭代。从YOLOv5到YOLO26，其发展呈现四大趋势：从Anchor-based到Anchor-free、从网络结构优化转向训练策略创新、引入Attention提升全局建模能力、迈向端到端与NMS-Free检测。各版本由不同团队主导，技术路线多元，版本号不等于性能优劣。选择模型应基于任务需求、精度、速度、部署复杂度等综合考量，而非盲目追求高版本。真正关键的是理解技术演进逻辑：更快、更准、更易部署。
2026-09-14 17:09:00
164
原创 智能体轨迹评估与失效归因 · 三篇合并阅读笔记
三篇论文构建了智能体失效归因的完整链条：先以“组件-交互边”建立失效分类法（ModelorHarness?），再用ME²原则与DAG评估推理质量（TRM），最终实现轻量级步级定位（OAT）。核心递进为“定性分类→质量优化→定量归因”，通过解耦正确性与质量、仅依赖成功轨迹训练，实现零标注、低资源、实时部署的失效归因，推动智能体系统从“事后诊断”迈向“主动优化”。
2026-09-14 13:37:50
229
原创 论文中优秀的研究框架图
1.https://doi.org/10.1016/j.ecolind.2026.115108 Received 30 April 2026; Received in revised form 15 June 2026; Accepted 16 June 2026 Available online 22 June 20262.https://doi.o
2026-09-10 17:31:59
113
原创 强化学习驱动的 LLM 智能体记忆管理：六篇论文对比
六篇论文共同主张用强化学习端到端学习LLM智能体的记忆管理，以突破上下文窗口限制。它们沿两条路线分化：MEM1、MemAgent、MemSearcher采用紧凑可覆写状态，专注长度外推与效率；Memory-R1、Mem-α、AgeMem采用外部结构化记忆库，兼顾长期与短期记忆，提升长对话QA质量。分歧在记忆形态、奖励信号与训练算法。
2026-09-09 10:30:05
327
原创 智能体轨迹研究双综述合集：从执行溯源到失败归因
两篇综述主题都是LLM智能体轨迹分析：篇一偏重证据追踪与执行溯源，提出统一框架、分类体系，面向信任与问责。篇二偏重失败归因到系统增强，覆盖55篇论文，五个维度，指出步骤级归因准确率有限、基准多样性不足等瓶颈
2026-09-09 09:59:45
330
原创 自进化 AI 智能体全景:两篇综述阅读
自进化智能体使AI系统能利用交互数据与环境反馈持续自我优化。2025年两篇综述互补：一篇提出统一反馈闭环框架与三定律，梳理单/多智能体及领域方法；另一篇按4W分类，给出POMDP形式化与判据，覆盖方法、评估与安全，主张纵向评估。两篇共同勾勒该领域的架构与理论版图。注意字数不超过150。<
2026-09-08 11:14:33
432
原创 从“智能熵增“到“可预测性“：多智能体系统可靠性工程的完整闭环
大型语言模型智能体在生产环境面临“无声失败”：采样随机性在多步任务中累积为语义层失序。论文提出智能熵增指数模型，以五层失序刻画退化，并给出ADE四层稳定性工程框架（23个组件）与TM/ETA预测框架，将可靠性从事后记录转向事前预测，实现可靠性闭环。
2026-09-08 11:12:25
351
原创 从外部记忆到记忆原生模型
记忆已从存储对话发展为系统性问题，模型内记忆与外部记忆正走向融合：前者让记忆进入表示与推理，后者负责写入、取回与治理。融合需兼顾泛化与治理，实现分层迁移，但“记忆原生模型”的容量、更新与评测仍是开放挑战。
2026-09-08 11:10:46
202
原创 强化学习：智能体—环境循环
强化学习由智能体与环境循环交互构成：智能体观察状态、选择动作，环境返回新状态与奖励，形成轨迹或回合。智能体与环境的边界影响动作空间大小与学习难度，需按任务目标合理划分。其核心矛盾是探索与利用的权衡：利用当前知识获取回报，还是尝试未知以获取信息，两者失衡都可能导致次优结果。
2026-09-07 15:27:41
203
原创 CVPR 2026 (CCF-A顶会) | MRI 世界模型从非增强 MRI 推演造影剂的连续轨迹
我们根据用户要求，需要基于提供的论文内容生成一篇不超过150字的文章摘要。摘要需要简洁概括研究背景、创新点、主要结果和结论。注意字数限制。</think>针对DCE-MRI时间采样稀疏问题，作者提出MRICEKWorld潜扩散模型，以非增强MRI和时间条件生成任意时刻增强图像。通过时空一致性学习（STCL）中的潜空间对齐与差分约束，维持解剖结构稳定并平滑增强轨迹。在两个DCE-MRI数据集上，该模型在空间保真（SSIM）与时间连续性（cSSIM）上均领先，生成了更符合临
2026-09-07 15:22:17
283
原创 多智能体协同：核心技术与挑战
这是协同的起点，直接决定协同收益上限。1）将整体目标拆解为具备依赖关系的子任务，区分可并行子任务、串行依赖子任务。能够根据子任务失败情况做重规划，而非整体任务直接失败。难点在于拆解粒度控制：粒度过细，交互次数暴增；粒度过粗，无法发挥分工价值；模糊、开放型业务，机器很难精准划分任务边界。2）分为同质 Agent 与异构 Agent。同质即能力完全一致的多个实例；
2026-09-07 15:20:00
146
原创 港科大等联合发布最新Agent协同进化综述：对手、环境、进化机制一起进化
先让 Agent 之间互相进化，再放开环境，最后放开进化规则本身。需要注意的是，第三阶段目前几乎只有概念和少数前驱工作， RQGM 也只是雏形；把进化机制交给系统自己，同时还要保证可审计、可回滚、可干预，这条路才刚刚开始
2026-09-07 14:28:29
313
原创 Qwen-4B也能玩转Skill，清华SKILLER来了
<think>我们要求根据内容生成≤150字的文章摘要。核心是概括SKILLER方法：语言层面的强化学习，用大模型改进技能文本，小模型执行，无参数训练。效果显著，在SWE-Bench等超过人类技能。要精炼。</think>SKILLER 提出语言级强化学习：不微调小模型参数，而由大模型在语言层面对技能文本进行“插入/替换/新建/删除”的有界编辑，小模型Agent执行作为环境，验证器通过率作为奖励。在SWE-Skills-Bench上，4B模型配SKILLER通过率达66.70
2026-09-07 14:25:06
167
原创 AAAI认证！ Transformer+多模态融合2026仍是王炸，持续狂揽顶会
本文摘要四篇多模态融合研究：1）SwimVG通过分步提示与轻量适配器实现视觉定位的高效跨模态对齐；2）车联网研究利用Transformer融合雷达/视觉/位置数据优化毫米波波束成形；3）MMFformer整合语音/表情/文本特征构建抑郁检测分层融合框架；4）TACFN采用自适应机制融合文本/语音/视觉数据提升情感识别精度。四者均基于Transformer架构，分别针对视觉定位、车联网、心理健康等场景，通过创新性跨模态交互设计实现多源信息的高效融合与任务性能提升。
2026-05-22 11:52:08
257
原创 什么是Agent Skills，它和Tool以及MCP有什么区别？
在大模型应用中，其核心能力其实只有两个，一个是模型天生的能力——内容生成；但是有了MCP之后，你们所有的企业和部门只需要按照相同的规则，设计你们的职能工具，这时我就可以使用一个统一的方式来使用你们的工具，就类似于USB接口，不同手机厂商的充电接口都不一样，那我就统一设计成USB接口，这样所有的厂商都可以直接使用，减少了不同系统之间沟通的复杂性。总之，skills不是一个新的技术，也不是一个高大上的算法，它的本质是代码模块化的扩展，把一项通用的能力，按照某个标准进行封装开放使用，这样就解决了重复利用的问题。
2026-03-15 20:27:16
413
原创 面向移动智能体的知识驱动推理：概念、方法与研究方向
南洋理工大学团队(2026)研究移动智能体在资源受限环境下的高效推理问题，提出基于DIKW模型的知识分类体系，将决策资产分为数据、信息、知识和智慧四个层级。核心发现揭示了知识暴露的非单调性——适量知识能显著优化推理效率，而过多知识反而增加计算负担。在无人机基站案例中，搭载知识包的轻量级模型(Qwen-3B)实现了100%任务成功率，推理效率超越云端方案。研究表明，通过知识复用可有效解决移动智能体面临的SWAP-C约束和网络不稳定挑战。论文链接：https://arxiv.org/abs/2603.05831
2026-03-10 11:50:18
240
原创 (AAAI 2025) 为什么很多频域 FFN 都太慢？Efficient Discriminative Frequency FFN 给出了答案
本文提出了一种高效的视觉状态空间模型(EVSSM)用于图像去模糊。该模型采用U-Net架构，核心创新包括：1) EVS机制通过几何变换实现多方向扫描而不增加计算量；2) 在SSM参数生成中引入1D深度卷积增强局部感受野；3) 提出EDFFN模块，将频域筛选移至FFN末端以降低计算成本。实验表明，该方法在保持性能的同时显著减少了显存占用和运行时间，特别适合高分辨率图像恢复任务。
2026-03-05 09:56:30
494
原创 SimpleMem：基于语义无损压缩的三阶段 Agent 终身记忆框架
本工作提出 SimpleMem，一个基于语义结构化压缩的终身记忆系统，通过“压缩—合成—规划”三阶段机制，在固定上下文预算下显著提升 LLM Agent 的长期交互能力与检索效率。最后通过 Intent-Aware Retrieval Planning，根据查询意图动态规划检索深度，并在语义、词法与符号多视角索引中并行检索，构建高密度上下文。SimpleMem 证明了：相比构建复杂图结构记忆，通过语义压缩驱动的信息密度优化，才是突破 Agent 长期记忆 token 瓶颈的关键路径。
2026-02-27 12:47:41
436
原创 E²-LLM：基于链式推理的脑电-语言对齐多模态大模型，实现可解释情感分析
E²-LLM 首次证明：通过 Chain-of-Thought 指令对齐，大模型可以将脑电时空动态转化为语义化情感理解，实现从“神经信号解码”到“心理状态推理”的跨模态认知建模新范式。本工作提出 E²-LLM，一个结合 EEG 编码器与 Qwen-based 多模态大语言模型的神经信号-情感推理框架，实现从脑电信号到自然语言情感理解的可解释分析能力。构建五类 EEG-情感理解任务（描述、比较、选择、匹配、情景推理），形成“信号-语义-推理”闭环分析机制。
2026-02-27 12:46:03
124
原创 自我进化Agent综述：通往超级智能的进化之路
【150字摘要】 最新研究提出"自进化智能体"框架，突破传统LLM参数固定的局限，通过动态优化模型、工具和架构实现持续进化。论文系统梳理了三维进化路径（What/When/How）：模型参数/记忆/工具的在线更新（What），测试时实时学习与测试间经验整合（When），以及基于奖励/模仿/群体机制的进化驱动（How）。应用显示医疗诊断准确率可周提升12%，但存在灾难性遗忘、伦理对齐等挑战。该研究为构建人类级AI提供了模块化进化蓝图，标志着从静态模型向自主成长型智能体的范式转变。
2025-09-04 14:38:15
1052
原创 大语言模型后门威胁综述
LLMs后门攻击研究综述：西安交通大学团队全面分析了与传统深度学习后门攻击的差异，系统梳理了LLMs各生命周期的攻击手段（数据操纵、模型注入、提示诱导等）及对应防御策略（数据检测、模型修剪、黑箱检测等）。研究指出LLMs因规模复杂性、动态学习等特点使攻击更隐蔽，提出未来需改进触发器设计、增强模型可解释性、完善评估标准等方向。该研究为LLMs安全领域提供了系统性的攻防框架和前瞻建议。
2025-08-22 13:25:00
558
原创 一文搞懂大语言模型如何进化为多模态大模型？
大语言模型向多模态扩展的关键挑战在于将不同模态(文本、图像、音频等)统一表示为Token序列。文本天然是离散Token序列，而图像需分割为视觉Token，音频需编码为听觉Token。核心解决方案是：1)通过特定编码器将各模态转换为统一Token；2)设计适配多维结构的位置编码；3)利用注意力机制建模跨模态关联。这种统一Token化方法使Transformer架构能处理多模态数据，实现类似人类的综合认知能力。
2025-08-21 20:59:34
1109
原创 一文搞懂多模态大模型：视觉-语言模型（VLM）
视觉-语言模型(VLM)通过统一架构实现跨模态理解，将连续的视觉像素与离散的语言符号转换为token序列，在Transformer中进行联合建模。GPT-4V、LLaVA、Qwen2.5-VL等第三代VLM采用生成式架构，支持图像理解与语言生成，核心技术包括自适应视觉token、统一注意力机制、多阶段训练策略和多步推理能力。这些突破使AI能像人类一样实现视觉内容与语言描述的语义对应，为多模态交互提供技术基础。
2025-08-21 20:58:13
1223
原创 一文搞懂大模型的知识蒸馏（Knowledge Distillation）
知识蒸馏通过让大模型（教师）输出包含多种可能性的"软概率分布"，而非仅提供标准答案，将复杂模型的深度理解传递给小模型（学生）。模型温度参数是关键：高温使教师模型更"谦虚"，展示各种选项的概率分布，包含语言细微差别；低温则仅输出最自信的答案。训练分两阶段：先培养强大的教师模型，再让学生模仿教师的概率分布，从而学习思考过程而非简单结果。这种方法使小模型既能掌握基础知识，又能理解语境中的微妙差异，实现"大智慧"的迁移。
2025-08-21 20:56:38
875
原创 CVPR25：特征融合消除CLIP类间混淆
本图展示了 CLIP 在零样本学习（ZSL）任务中类别间混淆问题的示意图以及 Logits DeConfusion 方法的解决方案。图(a) 显示了 CLIP 原始 logits 中的类别间混淆现象，即不同类别的预测值难以区分，导致分类精度下降。图(b) 展示了经过 Logits DeConfusion 方法处理后的 logits，类别间混淆得到了显著缓解，分类边界更加清晰。图(c) 是 Logits DeConfusion 方法的整体架构示意图，展示了如何通过建模和消除类别间混淆来改善分类性能。
2025-08-21 10:24:52
401
原创 杀疯了！时间序列预测全面汇总！！
【时间序列智能分析研究进展】2025年顶级会议涌现多篇创新性研究：1）ACL2025提出的TISER框架通过时间线构建与迭代反思显著提升语言模型的时间推理能力；2）ICML2025的LSCD方法结合Lomb-Scargle算法与扩散模型，实现不规律采样时间序列的高精度插值；3）IJCAI2025的CASA机制基于CNN自编码器，有效优化多变量长期预测的时空效率；4）AAAI2025的TimeCMA框架通过跨模态对齐整合LLM与时序数据，提升预测性能；5）WWW2025的MATE模型创新性地解耦多模态时序信号
2025-08-20 11:45:35
1316
原创 LoRA可以让LLM 具备多模态能力
多模态大模型发展路径解析：从LLM到视觉语言模型的技术演进 本文系统梳理了构建视觉语言模型(VLMs)的两大技术路线。原生多模态模型(NMMs)如Chameleon采用统一标记空间，但面临训练复杂度高的挑战。更主流的方案是在预训练LLM基础上融入视觉模块，典型代表LLaVA通过视觉编码器+投影矩阵的方式实现图像理解。最新研究VoRA创新性采用LoRA适配器，仅微调视觉参数而不干扰LLM原有知识，通过知识蒸馏显著提升训练效率。文章对比分析了不同架构的优劣，指出多模态模型正向着解耦参数、支持灵活扩展的方向发展。
2025-08-20 11:41:29
574
原创 道德的阶梯：大语言模型在复杂道德困境中的价值权衡
《伦理阶梯：通过多步归纳探讨LLM在复杂道德困境中的价值选择》提出MMDs框架，首次系统评估大语言模型(LLMs)在逐步升级伦理挑战中的动态决策。研究构建了3,302个五阶段道德困境样本，发现：1)模型保持"关怀>公平>神圣"的价值顺序，但偏好强度随困境加深动态变化；2)不同价值维度的稳定性存在显著差异；3)模型决策呈现情境依赖性，缺乏稳定内在价值体系。该研究为LLM价值对齐提供了新评估工具，但也指出当前框架在文化普适性和非线性情境模拟方面的局限，为未来研究指明了方向。
2025-06-21 16:50:24
1174
原创 ACL 2025 Findings | 无监督概念发掘，提高文本解释的可理解性
本文介绍ACL2025录用论文《Enhancing the Comprehensibility of Text Explanations via Unsupervised Concept Discovery》，提出一种新型无监督概念发现方法ECO-Concept。该方法通过竞争注意力机制自动提取语义概念，并利用大型语言模型评估概念可理解性，实现训练过程的实时优化。实验表明，ECO-Concept在虚假新闻检测等任务中不仅能保持模型性能，还显著提升了生成概念的可解释性。该研究为构建兼具高性能和人类可理解性的A
2025-06-21 16:48:53
1216
原创 CVPR 2025 | 先结构后细节，Token融合实现免微调DiT加速
【摘要】本文介绍一篇被CVPR2025录用的DiT模型加速论文《Attend to Not Attended》，提出"先结构-后细节"的token合并方案。研究发现扩散模型中存在时序性特征冗余，早期为弱结构低频token，后期为弱细节高频token。作者设计SSM和IDM模块分别进行结构/细节裁剪，配合动态压缩率调整（CRA）和文本引导（PTR）机制，在SD3Medium模型上实现1.3-1.5倍加速，较现有方法更好地保持生成质量。实验证明该方法在不同模型、采样器等条件下具有良好泛化性。
2025-06-21 16:45:43
1392
原创 LLM压缩技术全解析：让 AI 更 “瘦” 更快更智能
当下大型语言模型（LLMs）和复杂深度学习系统展现出了令人惊叹的能力。它们能够编写代码、生成精美图像，还能理解细微的语言差别。然而，这些强大的功能背后，是模型规模不断膨胀带来的难题。当前最先进的模型参数可达数十亿甚至数万亿，这对计算资源、能源消耗和存储都提出了极高要求。模型压缩与优化技术应运而生，成为解决这些问题的关键，它致力于在不损害模型智能的前提下缩小模型规模，为人工智能的广泛应用开辟新道路。
2025-05-08 09:00:47
987
原创 Agentic RAG：构建能理解、决策和行动的人工智能
例如，当用户发出 “安排明天下午2点与Alex的会议” 的指令时，个人助理能够理解任务意图，提取关键信息，并直接与日历工具集成，将会议安排添加到用户的日程中，实现从自然语言指令到实际行动的无缝转换。再如，当用户询问 “我明天的日程安排是什么”，个人助理能够快速从任务和事件管理工具中获取结构化信息，并以清晰明了的方式呈现给用户，帮助用户高效规划时间，提升工作和生活的效率。负责对用户输入的查询进行分类，准确判断其所属类型，如问题、任务、反馈等，并将查询路由至相应的处理模块，确保后续处理流程的高效性和准确性。
2025-05-05 13:08:03
873
原创 一个可以识别一切物体的模型
比如说，在描述一张家庭聚会的照片时，标签系统里不仅有常见的 “人”“桌子”“食物”，还会包含像 “聚会”“欢笑” 这类能描述场景和氛围的标签。这样，就可以在不需要大量人工标注的情况下，获得丰富多样的无标注图像标签。这样一来，经过数据引擎处理的数据更加准确、干净，大大提高了训练数据的质量，让模型在训练过程中能够学习到更可靠的图像 - 标签关系，从而提升标注性能。例如，在一些新兴的、数据稀缺的领域，或者遇到罕见的图像类别时，RAM 的零样本学习能力就能发挥巨大作用，让图像标注不再受限于数据不足的问题。
2025-05-05 13:04:21
970
原创 清华团队新模型YOLOE：一句话圈出图中万物，实时开放检测分割零门槛！
它通过一个可重参数化的轻量级辅助网络来优化预训练的文本嵌入，并增强-视觉文本对齐，且在推理和迁移时无额外开销。在 LVIS 数据集上，以少了 3 倍的训练成本和 1.4 倍的推理加速，YOLOE-v8-S 比 YOLO-Worldv2-S 提高了 3.5 AP。提出了一个、统一的开放物体探测与分割模型YOLOE，能够高效在单一模型中处理多种开放提示机制（文本、视觉、无提示），实现实时的「万物看见」能力。只需将识别出的物品的点与词汇表进行匹配，避免了对所有物品的点进行计算，提高了效率。
2025-05-05 13:01:52
1050
原创 2025年必爆火的发文方向：因果机器学习！！
以及跨领域应用等方面。设计了显式因果干预（Explicit Causal Intervention, ECI）模块，通过视觉的前门干预和语言的后门干预，有效消除虚假相关性，提升问答与视频时间定位之间的因果一致性。在评估中纳入了八类生成器，并在七个具有专家验证因果图结构的数据集上进行了广泛的实验，提供了任务无关、领域无关的评估维度，为表格生成模型的开发提供了实际指导。除了结构保真度外，还保留了传统的评估指标，并研究了它们与结构保真度之间的相互作用，为研究人员和从业者提供了一个标准化的评估框架。
2025-04-27 22:37:57
755
The dataset consists of 70,000 high-quality PNG images at 1024×
2025-06-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人