机器人总“掉链子”？ Fail-RAG：让 VLM 一眼看穿故障，准确率飙升 25%
给大模型加个“外挂经验库”，不用微调就能让机器人自己看懂各种故障。Fail-RAG 思路巧妙，效果扎实。无论是识别“夹爪歪了”还是“轮子卡了”，准确率都实打实提升了。想知道怎么做到的？看下去就对了。
最新文章
共 1672 篇
告别Sora幻觉，数据视频进入可编辑时代
做汇报还在手动敲PPT、剪GIF动图？港科广的DataMagic直接端到端解决：上传表格+一句话，自动生成带配音、动画、配乐的数据故事视频。新引入的DVSpec规范确保图表和数据的绑定关系一清二楚，再也不用担心AI“算错”数字。更香的是，这还是个“能编辑的视频”，直接划界面改图表、抠文本，甚至指点AI加新镜头，整个数据呈现流程变得前所未有的丝滑。
新范式！腾讯等把问题“写”在图片上，7B模型碾压GPT-4o，VMCBench夺冠！
多模态大模型推理时总“走神”答非所问，主要原因是文本指令和图像位置对不上号。这篇腾讯等联合完成的工作Timage，用了个极聪明的解法——直接把问题当作文字水印“写”在图片的恰当位置，让模型一眼就能看到该看的地方。效果惊人，7B小模型在VMCBench上干翻了GPT-4o，还不需要任何微调！
港科大新研究：只更新10%Token，推理能力飙升15%，告别盲目探索！
训练大模型就像带兵打仗，胡子眉毛一把抓只会越训越乱，熵塌陷了解一下？港科大的这篇论文发现了其中的“关键少数”——那些在分布上偏离群体平均的Token才是决定推理方向的决策节点。这套方法原理漂亮，效果更惊艳，只更新10%的Token反而吊打全量训练，是RLVR领域的一股清流。一起来看！
杭州电子科技大学提出ARF：生成式语音增强，还要“时间提示”干嘛？
还在给语音增强模型喂“时间”参数？杭电团队最新研究发现，在基于线性插值的生成式语音增强中，时间步嵌入可能是多余的，甚至有害。他们提出的ARF框架，去掉时间条件后，不仅生成质量更高，推理速度还快得飞起。一篇思路清奇、实验扎实的好文，值得一读。
阿里最新研究：让LLM学会“连点成线”，长期部署任务成功率飙升76%！
大模型做agent已不新鲜，但让它在真实场景长期部署、边工作边学习、自己积累经验，才是终极形态。阿里CoD论文用强化学习端到端训练LLM学会“连点成线”的元能力，任务序列里第四个任务成功率从28%干到76%，还跨域泛化到没见过的任务上。
罗格斯大学最新研究：SSD让自回归图像生成速度狂飙13倍，复杂度从O(n²)降到O(n)！
从2026年6月的PathSpec到1月的COOL-SD，加速自回归图像生成的方法层出不穷，但都难逃1D序列的束缚。罗格斯大学这篇SSD彻底打破常规，让模型用“二维视野”同时看上下左右，把复杂度从O(n²)降为O(n)，实现13倍加速，这波操作属实惊艳！
告别VAE解码瓶颈！让生成器自己当评委，视频对齐又快又准
继2026年6月推过AVDM2、DenseDPO等视频生成加速和对齐方法后，今天这篇城大新作PRISM，直接把视频生成模型本身变成了最懂行且最快速的“评委”。以往用大视觉语言模型当裁判，又慢又贵，还得等视频全生成完。PRISM反其道而行之，冻结生成模型，在满是噪声的潜伏空间里就能精准打分，还能在生成早期就淘汰烂片，推理提速7.6倍。这波操作，值得所有做视频生
德国应用科技大学最新U-Net变体：乘法交互显式建模，Dice飙升至0.942，计算量几乎不变
U-Net家族新成员驾到！还在为U-Net只能做加法特征变换而苦恼？德国应用科技大学团队祭出PU-UNet，让U-Net学会乘法交互。参数、FLOPs几乎不变，但Dice分数狂飙，正常病例假阳性率直接干到零。不烧钱，不折腾，是时候考虑给网络加个“乘法器”了。
视频修复新范式：GPVAE自带置信度，医生再也不用猜哪帧靠谱
内窥镜视频常被反光、丢帧搞得“面目全非”，传统方法却“各扫门前雪”，忽略了帧之间的连续关系。2026年6月，安特卫普大学等机构联合提出GPVAE框架，给潜变量加上高斯过程这个“时间绳”，让模型学会用前后帧“脑补”受损画面。最终C3VDv2上误差最高降26%，更关键的是，它每帧还自带“可信度”标签，为临床决策提供额外保险。
Mila等最新研究：告别仿真瓶颈！自博弈训练端到端自动驾驶，效率吊打行为克隆
在继2026年6月推送过‘自动驾驶新突破！LLM+端到端双系统让无人车学会"老司机"思维’之后，今天Mila、蒙特利尔大学等机构的研究者们又开辟了让AI在虚拟世界里‘自己跟自己飙车’以训练端到端驾驶的新范式。其核心在于用超高速模拟器Gigapixel实现像素级自博弈训练，显著提升了模型的闭环鲁棒性，是应对长尾安全问题的一记猛药。
CVPR 2026 夺冠？韩国团队用LRU做超分，效率吊打Transformer，仅需一次扫描！
Transformer的注意力机制一统超分天下？韩国高丽大学最新研究说，或许静态的线性递归单元（LRU）才是那个更香的选择。他们提出的LSM，用一次扫描就搞定了原本需要多次动态扫描的活儿，不仅省计算，画质还好到没朋友，成功登上CVPR 2026 Findings！
