纽约大学与AMI Labs世界模型：稀疏表示让PushT规划成功率最高提升57%
很多世界模型都在追求更大、更密、更强的潜变量和预测器。这篇工作偏偏反过来问：如果让大量潜变量维度直接归零，只保留少数活跃维度，未来会不会反而更好预测？纽约大学与AMI Labs团队给出的答案很有意思：在困难的PushT规划任务中，稀疏表示没有包打天下，却让中等容量预测器相对稠密基线提高24%—57%的规划成功率。真正值得看的，不只是“57%”这个数字，而是它
前沿研究
共 149 篇I2WM与东京大学RAW目标检测：跨传感器精度提升9.25点
论文基本信息 研究对象： 传感器原始信号（RAW） 原文标题： RAWild: Sensor-Agnostic RAW Object Detection via Physics-Guided Curve and Grid Modeling 首次公开： 2026年5月7日 署名单位： I2WM、东京大学、日本理化学研究所 会议： NeurIPS 2026 原论
博世与弗赖堡大学自动驾驶规划：INTERACT在高交互场景最高提升7.80分
论文基本信息 方法名称： 交互感知轨迹规划框架（INTERACT） 原文标题： INTERACT: Interactive Planning for Autonomous Driving via Anchor-Conditioned Prediction and Trust-Region Refinement 首次公开时间： 2026年9月25日 署名单位：
香港科技大学病理图分割：自然语言覆盖160类目标，总体Dice达0.671
方法名称： 自然语言提示病理图像分割模型（PathSegmentor）
南开大学真实图像超分：双输入让一步扩散兼顾细节与感知质量
论文基本信息 方法名称： 双输入与负样本感知特征微调真实图像超分方法（D N F-S R） 原文标题： D N F-S R: Dual - Input and Negative - Aware Feature Fine - Tuning for Real - World Image Super - Resolution 署名单位： 南开大学计算机学院视觉计算
北京理工大学与北大3D高斯泼溅：压缩100倍仍快12倍、峰值信噪比高1.3dB
论文基本信息 方法名称： 质心Voronoi高斯简化方法（CVT-GS） 原文标题： CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation 首次公开： 2026年9月8日 署名单位： 北京理工大学、北京大学 研究领域： 3D高斯泼溅场景简
澳门科技大学动态3D重建：5fps仍用事件流补全运动，PSNR达29.37 dB
论文基本信息 方法名称： 事件驱动马尔可夫链高斯泼溅方法（EdMCGS） 原文标题： EdMCGS: Event -Driven Markov Chain Gaussian Splatting for Extreme -Low -Frame -Rate Dynamic Scene Reconstruction 中文概括： 用事件流驱动马尔可夫状态转移，在极低
斯坦福 Percy Liang 团队大模型训练：数据重复4轮即退化，32轮后反输稠密模型
8000万活跃参数下，稀疏专家模型重复4轮就开始退化；重复32轮后，原本的优势反而输给稠密模型。 算力可以靠“只激活少数专家”省下来，但总参数需要的数据，一点也省不了。
港科大等视频生成：双噪声掩码让三类基线人评胜率达79%–83%
论文基本信息 方法名称： Mask Forcing（掩码强制训练） 原文标题： Mask Forcing: Improving Autoregressive Video Diffusion Distillation via Dual Noise Masking Rollout 首次公开： 2026年9月9日（北京时间） 署名单位： 香港科技大学（广州）、香港
南京大学与中国电信人工智能研究院视频生成：随机缓存让动态度25.1升至42.4
论文基本信息 方法名称： 不确定性分布匹配蒸馏 原文标题： Uncertainty DMD: Restoring Diversity in Few-Step Autoregressive Video Distillation 首次公开： 2026年9月10日 署名单位： 南京大学、中国电信人工智能研究院、复旦大学 原论文： https://arxiv.org
复旦大学与上海创智学院长上下文解码：2-bit扫描带来11.6倍内核加速
方法名称： Faster Flash Decoding 原文标题： Faster Than Flash: Exploiting Attention Sparsity for Efficient Long-Context Decoding 署名单位： 复旦大学与上海创智学院 首次公开时间： 2026 年 9 月 1 日 原论文链接： https://arxiv
加州大学伯克利分校AI医疗：约1000万遗传变异筛选，显著基因由383增至402
论文基本信息 方法名称： 物种树增强基因组预训练网络（GPN-Star） 原文标题： Predicting genome-wide functional constraints with GPN-Star 署名单位： 加州大学伯克利分校、杰克逊实验室、德国癌症研究中心 正式发表： 2026年9月9日，Nature 原论文： https://www.natur
