快慢双路径Mamba + D-βB门控，文档二值化新范式
每次遇到新档案馆里那些发黄、透墨、满是污渍的老旧文档，你是不是还得重新标注数据、重新微调模型？本论文的DR-Mamba让你彻底告别这个繁琐环节——它利用巧妙的快慢双路径Mamba和样本条件的自适应减法门，在模型前向推理时就能自动适应每张文档的独特退化类型，效果还特别能打，尤其对最难处理的极端退化样本效果拔群。
最新文章
共 1672 篇
南方科技大学最新研究：室内占据预测告别体素分类，32个基元效果优于SOTA，速度3.7倍
室内占据预测，传统方法要么算得慢，要么基元浪费。南方科技大学这篇FLM-Occ，直接把问题换个角度定义——从分类变成估计分布，用最大似然训练。结果呢？只用32个基元，精度超越SplatSSC的1200个，速度还快了快4倍！这思路，有点东西。
中山大学最新研究：让自动驾驶先“脑补”未来，再“反思”轨迹，4B模型SOTA效果亮眼8B
大多数自动驾驶模型都是“一条路走到黑”，直接生成轨迹，却不知道这轨迹未来会导出什么结果。中山大学等机构提出的IRR-Drive模型，让智能体先“预设意图”，再通过预测未来BEV可视化地“反思”一遍，最后才修正轨迹。这种做法在NAVSIM v1/v2两个权威榜单上都拿到SOTA，而且仅用4B参数就能干翻不少8B模型，性价比拉满。
Apple最新研究：10个标注员就够了！KL散度饱和曲线给出标注预算最优解
苹果最新研究揭示了一个没人细想过的问题：收集标注时，花了钱不等于拿到了“对”的信息。KL散度和熵相关性对标注数量的要求天差地别。更扎心的是，免费的标签平滑无法取代标注员提供的“物品特有不确定性”信号。这篇文章会让你重新思考数据标注的预算分配，获得实实在在的降本增效理论基础。
WS Audiology最新研究：告别回声，2ms极速消除自语音，仅需0.18G算力！
远场设备增强语音回传时，往返延迟超10ms会引发烦人回声。这篇WS Audiology的工作创新提出“自语音消除”任务，设计延迟低至2ms、计算量极小的Mamba-MinGRU模型，在极低算力下解决痛点。继SEMamba++通用语音修复后，本文聚焦低延迟流式场景下的专项消除，非常实用。
GPT-5.2翻车？阿德莱德大学用解剖导联组CNN完胜零样本大模型
GPT-5.2这波属实翻车了。阿德莱德大学团队用标准的CNN模型就能把ECG图像分类做得稳稳的，零样本大模型却直接沦为了”随机猜测”。这篇论文不仅给火热的LLM医学应用浇了盆冷水，还提出一个生理学感知的LeadGroupECG架构，效果扎实。
图像压缩新范式：纯INR路线也能做到清晰无伪影，PaaF给出答案
图像压缩领域又出新招，这次来自意大利卡塔尼亚大学的团队，把纯粹的隐式神经表示（INR）玩出了新高度。他们提出的PaaF，用一套自适应量化和自调制激活函数，让INR图像压缩在感知质量上大杀四方。LPIPS相比最强基线NIF再降39%，低码率下的细节还原更是甩开对手几条街。纯INR路线原来还藏着这么大潜力！
脑胶质瘤IDH突变预测：图像基础模型 vs 影像组学，到底谁更靠谱？
影像基础模型（比如专为MRI设计的）在预测脑胶质瘤IDH突变时，居然打不过一个基于影像组学的表格基础模型？瑞士伯尔尼大学团队的最新研究做了个扎心的对比：四个主流视觉基础模型轮番上阵，结果被TabPFN表格模型轻松反杀。是基础模型“水土不服”，还是“老”方法被低估了？这篇关于胶质瘤IDH预测的系统性基准研究，值得所有关注AI医疗落地的读者一看。
最新基准测试：预测脑胶质瘤IDH突变，传统放射组学竟效果优于四大MRI基础模型
让最先进的MRI基础模型和“老古董”放射组学同台竞技，结果传统方法完胜？这篇论文对所有搞医学影像AI的人来说，都是一盆清醒的冷水。它告诉你，大模型未必是万能药，基线方法才是真正的试金石。
Yann LeCun参与，SkyJEPA：让四旋翼在潜空间预测，零样本仿真直飞现实世界！
Yann LeCun的JEPA思想终于上天了！这篇工作提出了第一个用于四旋翼实时控制的JEPA风格潜空间动力学模型SkyJEPA。它完全在仿真中通过域随机化训练，却能零样本迁移到现实世界，在户外飞行中跟踪误差降低近40%，换了桨叶、加了负载也不掉链子。想看世界模型怎么帮无人机“闭眼预测”的，这篇必读。
告别BMS困境！线性引力波在膨胀宇宙中的质量损失计算法
爱因斯坦的引力理论在宇宙学常数（暗能量）下遇到了一个尴尬问题：引力波带走的质量究竟怎么算？这篇论文从线性引力波入手，通过巧妙的多极矩截断，不仅重新定义了de Sitter时空的“质量”，还发现了引力波扫过后独特的“记忆效应”。理论物理爱好者千万别错过，这里不仅有公式推导的严谨，也有宇宙学尺度的奇思妙想。
何凯明团队最新BiFlow：告别万步自回归，归一化流一步生成FID 2.39
说起生成模型，大家最熟悉的可能是扩散模型（Diffusion Models）和自回归模型（Autoregressive Models），它们一个靠“慢慢去噪”做到高质量，一个靠“逐词预测”称霸语言。但还有一个老牌家族——归一化流（Normalizing Flows，简称NF），虽然理论优雅，却一度因为推理速度慢、架构受限，被很多人遗忘在角落。
