广工等三校提出RVSD：剪掉67%视觉token，视觉大模型反而更少幻觉
大型视觉语言模型（LVLMs）的视觉幻觉问题，本质上是个“看图说话翻车现场”——模型明明没看见那个物体，却说得言之凿凿。
标签：模型架构
共 307 篇
清华&Z.ai新作：把推理草稿提到正文前，长上下文难题准确率暴涨近3倍？
写代码时如果发现bug，你会不会把错误日志贴到代码最前面，一边看一边改？清华与Z.ai这篇新作就是干这个的：让大模型先自己想一遍，把推理草稿提到长正文前面再来一次，GraphWalks上准确率直接从29.2%飙到81.8%！
550维难题也扛得住！扩散模型跨界当MCMC，冷启动一两轮直达平衡
扩散模型天天做图，这次被一位独立学者硬生生掰成了MCMC全局采样器。不用变分目标，只靠标准去噪训练加一堆MALA样本，就能在550维贝叶斯后验上实现跨模式跳转，冷启动一两轮直达平衡区。这事儿有意思，值得一读。
不再纠结选哪个EEG基座：逐样本智能路由，7个数据集全部提升
EEG基础模型已经多到“选择困难”，但这篇论文发现：没有哪个基座模型能对所有脑电样本通吃。昆山杜克大学提出的EEG-AS把模型选择做成逐样本的智能决策，推理时只跑一个轻量锚定模型，却能隔空猜测其他所有基座模型的预测行为，平均准确率从53.7%飙到66.9%。做脑电基座模型部署、神经解码评测的朋友值得一读。🎯
让冻结LLM学会“脑内潜思”：循环潜思维LRT，符号推理暴涨26.7个点
当思维链还在“一字一句”硬凹推理时，这篇论文直接让冻结的LLM在“脑内”用向量打草稿。仅训练1130万参数，就在符号推理上把零样本思维链拉高26.7个点，推理延迟还更低。是时候重新审视“推理必须说出口”这个前提了。
港中文·微众AI等提出SinkPruner：先清注意力“下水道”再精剪
想要看懂SinkPruner，得先搞清楚一件事：多模态大模型（Multimodal Large Language Models，MLLM）里，最烧钱的其实不是“看”，而是“看完之后怎么记、怎么算”。
首尔大学&UC Berkeley端侧新作：专治手机LLM一切后台驱逐
大模型的"三好学生"人设，一换语言就崩？麦考瑞大学等机构给乌尔都语做了套"文化体检"，人工逐句改造三大经典对齐基准，结果GPT-4o-mini的诚实度直接掉了20个百分点，安全护栏也形同虚设。🤚
U-Net分割血管总断条？UI-VISA让区域生长给血管“接骨”，clDice显著提升还快3~5倍
要说清楚这篇论文在解决什么问题，得先从一张血管造影图说起。
东北大学开源RegionCache：多轮图像编辑最高提速2.55倍
东北大学提出RegionCache，专治多轮图像编辑的重复计算病：连续编辑轮次中平均81%-92%区域根本不变，却每次都把整张图重新生成一遍。RegionCache用跨注意力把“没变的语义”映射到“没变的区域”，直接复用缓存隐藏状态，只重算真正被改的地方，在PixArt-α上拿到1.43-2.55倍端到端加速，画质基本不掉。有代码，值得跑一跑。
阿里7B开源原生音视频生成：2K级效果对战33B大模型
视频生成卷到今天，画面早就不稀奇了，但大部分模型要么不出声，要么声音是后期硬贴上去的。阿里DreamX团队直接把声音和画面“打包生成”，还只用了7B参数就敢对标22B/33B的大块头，并且开源了2K精炼器，值得想搞多模态生成的朋友细品。
高棉语OCR新范式！一个模型同时搞定识别和分词，延迟大幅降低
高棉语这种低资源小语种，连词与词之间都没有空格，OCR完还得单独做分词。这篇论文直接端到端二合一，一个CTC解码器同时吐字符和词边界，合并任务延迟大幅下降，精度还不掉队。低资源语言NLP的工程落地，值得一看。
5米小望远镜能量阈值暴降3倍！视频Transformer重启40年IACT分析
1985年，Hillas提出了一套简洁的图像参数化方法，将切伦科夫相机记录的光斑压缩成长度、宽度、大小、方向等参数。这套方法高效，被IACT数据分析沿用至今。
