跳转到正文
GETAI.APP
← 返回新闻资讯

开发动态 · 第 11 页

  • 投资研究基准给 AI 加上信息时间边界

    Investor’s Last Exam 用带版本和时间戳的金融数据库测试智能体,要求模型只能使用决策时已经存在的材料,避免在预测过去事件时偷看后来的结果。

  • ReLift 通过修补轨迹改善视频 3D 跟踪

    ReLift 先利用现有二维跟踪器和几何模型得到初始三维轨迹,再专门修复深度错误、对应关系错误和被遮挡部分的运动。这种设计把训练重点放在轨迹修补,而不是重新学习整套图像理解。

  • 研究回顾:Mem0 为智能体整理长期记忆

    Mem0 从持续对话中提取、合并并检索重要信息,避免每次都把全部历史塞进上下文。论文还介绍了使用图结构表示记忆关系的变体。

  • PaddleOCR VL 1.6 针对薄弱区域改进训练

    PaddleOCR-VL-1.6 沿用紧凑文档解析模型的方向,先找出上一版中不稳定、覆盖不足或标注不可靠的区域,再针对这些问题增强数据。

  • ARIS 用不同模型交叉审查自动科研结果

    ARIS 是一个自动科研执行框架,默认建议由一个模型推进研究,另一个模型家族的审查者检查中间产物并要求修改。它特别关注看似成功、实际上证据不足的实验结论。

  • SmolDocling 用小模型保留文档结构与位置

    SmolDocling 采用约 256M 参数的视觉语言模型,把整页文档转换为 DocTags 标记,记录内容、结构和空间位置,覆盖表格、代码、公式与列表等元素。

  • NCM 先生成概念层次,再细化文本

    Next-Concept Modeling 把文本编码成多层离散表示,先确定较粗的概念,再逐层细化;同一层中的编码可以并行预测,减少逐字生成的串行开销。

  • OmniFlatten 研究能打断、能接话的语音对话

    OmniFlatten 探索全双工语音对话,让系统在接收声音的同时生成回应,更接近人类对话中的插话、简短回应和语音重叠。

  • SUPRA Tex 按参考图补全 3D 材质

    SUPRA-Tex 将单图材质生成分成可见材质估计、表面对齐和未见区域补全,先保留参考图中已有的证据,再生成其余部分。系统用图像编辑模型预测分离光照后的材质信息,并把可见区域作为后续生成的固定锚点。论文报告了纹理对齐表现;未被拍到的表面仍由模型补全,不能当作实物扫描数据。

  • 研究尝试让 AI 文本检测结果可以解释

    一项研究使用稀疏自编码器提取文本检测器内部的特征,再筛选可用人类语言解释的概念,训练一个较轻的分类器。目标是说明模型为什么把一段文字判为 AI 生成。

  • Hy Nomas 让视频世界模型连续接受指令

    Hy-Nomas 采用 8B 扩散主干,支持多轮文字指令与连续相机控制。模型结合当前输入和缓存历史生成不同长度的视频片段,并让动作指令只作用于对应时间范围。

  • YuE2 先写乐谱,再生成完整歌曲

    YuE2 将符号音乐规划和音频生成放进同一个系统:先生成可阅读的旋律与和声结构,再展开为音乐 token,最后生成完整歌曲音频。

  • 研究回顾:时间序列也能预训练基础模型

    一篇时间序列研究借鉴语言模型的预训练方法,将大量序列切成片段交给解码式注意力模型,尝试不针对每个数据集单独训练就进行预测。

  • CaPtain 训练小模型用代码控制机器人

    CaPtain 将机器人控制表达为调用感知、几何和受保护运动接口的代码,再通过监督微调及多轮强化学习训练小型视觉语言模型。

  • AI Infra Guard 分层检查智能体安全

    AI-Infra-Guard 将安全检查分成基础设施、工具协议、智能体行为和模型四层,分别采用规则匹配、代码审查和行为测试等方式,而不是用一种检测器覆盖全部风险。

  • 研究回顾:Transformers 如何统一模型接口

    Hugging Face 的 Transformers 早期论文介绍了统一模型架构接口和预训练模型集合的设计,让研究者能够扩展新架构,也让开发者更容易复用已有模型。

  • COLLEAGUE.SKILL 把经验资料整理成可修改技能包

    COLLEAGUE.SKILL 从某个角色或个人提供的材料中提取实践方法、判断习惯和沟通规则,生成带版本的智能体技能包,方便检查、修正和迁移。

  • WeVisOne VL 统一物体定位、分割和 OCR

    WeVisOne-VL 将物体级和像素级感知接入同一个视觉语言模型,覆盖检测、定位、计数、OCR、分割和抠图。模型通过特殊对象标记连接轻量像素解码器。

  • InteractiveWorld 测试 AI 能否指导人完成实物任务

    InteractiveWorld 让 AI 助手在模拟环境中指导一个会观察、理解并独立行动的人类代理,检验多轮建议如何影响后续结果。

  • RAG Anything 把图表公式一起纳入检索

    RAG-Anything 将文字、图像、表格和公式视为相互关联的知识实体,通过双图结构组织跨模态关系与文本语义,再结合结构导航和语义匹配检索。

  • Zep 用时间知识图谱组织智能体记忆

    Zep 的研究通过 Graphiti 将持续对话和结构化业务数据整合进具有时间信息的知识图谱,在保留历史关系的同时更新新信息。

  • OmniEdu 将解题与教学支持一起训练

    OmniEdu 面向基础教育,把训练能力分为学科知识、课程理解、学习困难诊断以及教学支架,而不是仅按资料来源堆叠样本。团队整理了约七万条训练示例,并微调不同规模模型,在解题、课程定位和辅导任务中测试。研究报告的是基准表现,并不意味着模型能够替代教师或独立决定学生的学习方案。

  • PDFMathTranslate 翻译论文时尽量保留版式

    PDFMathTranslate 将语言模型与版式检测结合,翻译科学文档的同时尽量保留原有布局,让读者更容易对照公式、图表和正文。

  • 安全研究关注正常任务中的危险输出

    一项安全研究提出“内部安全坍塌”现象:在某些专业任务条件下,模型可能持续生成有害内容,即使任务表面看起来属于正常工作。作者用多个领域的场景建立测试,并报告部分前沿模型在受控条件下的失败情况。

登录

每一次探索,都更进一步。

从这里,开启新的灵感。

还没有账号?