零样本图像描述卡壳3年？3个检查点把CIDEr拉到117.6，无需任何配对数据
零样本图像描述三年没挪窝，这篇论文用多检查点对齐评分框架，推理阶段把CIDEr从108.0干到117.6。不重训描述器、不吃配对数据，全靠把评分器插在更多位置上——早该这么干了！
标签：模型架构
共 307 篇
OTFS-GFRA联合估计新范式：结构化稀疏先验带来全场景性能增益
高铁上视频卡成PPT？低轨卫星物联网连不上？这篇南洋理工联合西电、UCD等机构的最新工作，用一套结构化稀疏感知的SS-EP算法，把OTFS免授权随机接入的联合活跃用户检测与信道估计性能，直接推到了逼近理想上限的水平，而且人家还保留了可承受的复杂度。搞6G高移动接入的，这篇值得认真读一下。
Apple最新实测：1.7B流模型4步生成，文本质量直追自回归
自回归模型统治语言建模多年，但Apple这次把连续流模型直接干到了1.7B参数、2.1T tokens的规模，自蒸馏后只需4步推理就能生成高质量文本。这是CFM路线迄今最大规模的实证，值得所有关注非自回归生成的人仔细看看。
图像去噪｜上海交大新方案：去噪模型砍掉90%参数，画质几乎无损
手机拍完照，噪点糊一脸？上海交大这个LiteKD-Net给出一个相当务实的答案：把重型去噪网络的参数砍掉90%、推理提速近2倍，再用知识蒸馏把画质“回填”回来，最终效果直逼大模型。做移动端部署的团队，这篇值得一读。
卡内基梅隆提出MultiPathFormer：无线基础模型告别信道张量，多径预测让定位误差骤降至5.57
把大语言模型那套自回归玩法搬到无线信道建模里，还顺势治好了“信道张量混合多路径信息”的老毛病。卡内基梅隆大学提出的MultiPathFormer，首次在路径级别做预训练，定位误差从68米干到5.57米，属实有点东西。
ACM MM 2026：北大EchoCache让音频驱动视频生成提速2.46倍，还更稳？
继北大CRAFT之后，又是北大团队！这次他们让音频驱动的视频生成告别“傻快”——只用声音的能量分布，就能精准指挥算力花在刀刃上，2.46倍加速还保住了画质。这招“听声辨位”，值得所有搞视频生成加速的玩家看一看。
中南财大首个SNN全能修图：31.6dB媲美ANN，能耗仅1/5
脉冲神经网络历来以“省电”闻名，可让它直接处理静态RGB图，就像让旱鸭子下水——有点为难它。中南财大等机构这次直接把SNN拉进全能图像修复赛道：性能追平ANN，能耗只有人家的五分之一，16.8mJ就能搞定一整套修复流程。
热那亚大学最新研究：轻量分割提精度不靠骨干，靠解码器？
大家都在卷骨干网络，可热那亚大学这篇论文偏偏告诉你：轻量分割模型的涨点空间其实藏在被忽视的分割头里。本文系统对比三种解码器模块、验证多任务层次分解的有效性，参数量比基线少约40%，加权精度反而从91.2%涨到92.8%。把解码器这口“冷饭”炒出了新味道，值得一读。
IEEE BigData 2025：CEMD跨域迁移，让胆囊分割暴涨27%还能提速3倍
在医学影像分割的同类探索里，这篇把手伸向了更硬核的跨手术域迁移：胆囊手术学到的东西，能不能直接帮直肠手术做分割？CEMD架构给出的答案是——不仅能用，胆囊类分割还暴涨27%，收敛还快3倍，值得一读。
清华TacWAM：触觉卷进世界模型，机器人操控成功率飙升37.5%
继2026年6月聊过物理对称性硬编码的世界模型、7月聊过北大DWM之后，这期看点更有“手感”的：清华TacWAM直接把触觉卷进世界动作模型，四大接触丰富任务平均成功率75%，比最强基线高出37.5个百分点。想看懂机械手怎么“摸”东西，这篇别错过。
高光谱分类破局者：青岛理工最新MSCM-net，0.2M参数实现94.35%精度
高光谱分类就像拿着“放大镜”找茬：CNN只看得到眼前一亩三分地，Transformer倒是看得远，但算力账单吓人。青岛理工团队把多尺度CNN和Mamba塞进一个框架，0.2M参数直接干到94.35%精度，这波混搭真有东西。
W4A4仅掉0.2分！复旦把世界模型量化整明白了
世界行动模型（WAM）又重又慢，部署到机器人上量化是必经之路。但现有PTQ方法在WAM上集体翻车。复旦这篇QuantWAMs，从结构、分布、目标三个维度重新审视校准粒度，在4bit精度下模拟分数几乎不掉点，还在真机上验证了一波，属实有点东西。
