开发动态 · 第 9 页

查看开发动态栏目最近发布的新闻与相关消息。

全部资讯

全部内容

共 235 篇

arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
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。
arXiv 11-03
Prime Agent 把长期任务的上下文留在外部环境
Prime Agent 使用持久化 IPython 环境处理上下文和计算，并保存历史、记忆、技能及子智能体配置，支持长流程评测与编程任务。