首尔大学CVPR 2026：34Hz实时去噪，热红外图像不再“雪花飘飘”
当你把机器人放进一座没有灯光的漆黑走廊，绝大多数视觉传感器都会当场“罢工”，但热红外相机可以。只是，它拍出来的画面像蒙上了一层雪花点，还带着顽固的横条纹。首尔大学团队交出的这份答卷——TIDY，用一种极其优雅的方式把噪声“剥离”了出来，纯靠小波域的数学之美，让热成像实现了前所未有的清晰。
最新文章
共 1672 篇
NUS新方法给VLM配探照灯：GPT-4o、Gemini看图提升2-6个点
你遇到过吗？让VLM读个图表或者扫描PDF，模型说得头头是道：“我要先看y坐标然后对比...”结果最后答案错得一塌糊涂！ 这不是推理能力不行，是 证据没入眼 。今天聊的NUS新研究SPOT-E，用一招「熵塑形」给VLM搭了个探照灯，冻结主干模型不用训，直接让GPT-4o、Gemini看图能力上一个台阶～
强化学习基础模型，真的还没到来吗？一招用「合成先验」搞定任意MDP
社区热议（453赞）！这篇2026年6月的论文一针见血地指出：强化学习缺的不是更好的模型，而是一个可以随意采样的合成先验。作者借鉴TabPFN的成功经验，直接把MDP「表格化」，用图注意力网络一通训练，结果在未见过的环境中，6个episode就收敛到最优策略，效率吊打传统上千步的Q-learning。思路极其清奇，简直是给RL基础模型铺路！
ICER 2026：别再傻傻画图了！编程教育工具设计必须先读懂学生心理
你以为给小白配一套代码、内存、比喻三管齐下的可视化工具，他们就会感恩戴德、学习效率飙升？多伦多大学用眼动追踪和深度访谈告诉你：真相恰恰相反。学生们宁可自己吭哧吭哧手动追踪代码，也不想让工具“替”他们思考，甚至觉得那些可爱的比喻图“太幼稚”不符合大学生身份。这篇ICER 2026的论文，撕开了工具设计的认知面纱，直抵学习者的心理与社会动机，给你一个重新审视编程
上海交大最新研究：多设备智能体执行失败，真的不用全局重规划？
多设备协同的AI智能体，一张发票报销就能牵扯出手机、电脑、多个在线系统。一旦CPU烧了、网络崩了，传统方案就是粗暴“全部重来”。上海交大这项研究告诉你，根本不需要！分层恢复，小毛病本地解决，大毛病再上全局判断，这才是智能体该有的“情商”。
告别模糊！频域隐式高斯泼溅让浓雾图像秒变高清，PSNR猛涨
单图去雾一直面临“高频细节丢失”和“物理模型不准”两大难啃的骨头。重庆大学与清华大学合作，将现在大火的3D/2D高斯泼溅改造为一种“隐式”范式，在特征域的频域空间里做文章，还顺手补上了物理模型的短板。这篇工作在多个基准上拿了SOTA，看完之后你会感叹：原来高斯泼溅还能这么玩？
DeepMind最新警告：AI越强越不合作？揭秘“唯我论”超级智能的隐患
DeepMind终于出手，这次不谈算力，不聊模型，而是直接戳中了整个AI领域的“灵魂痛点”——我们的AI，从根上就不懂合作。这篇论文像一盆冷水，泼醒了还在疯狂堆数据、跑benchmark的各位同行。它告诉我们，超级智能的关键不在于“多强”，而在于“多合群”。不适合在“唯我独尊”的范式下闭门造车的研究者都该读读。
西北工大开源SenFlow：重构句子级AI文本检测，跨域泛化涨4.15%
继6月聊过AI文本检测“水土不服”后，这次西北工业大学团队直接把问题搬到了句子级别：一篇论文里哪些句子是人写的、哪些是AI写的？SenFlow独创“句间流建模”，像侦探看“作案轨迹”一样分析句子间的写作模式，跨域迁移成绩涨4.15%。更关键是，它连DeepSeek-V3.2这种“伪装高手”都能揪出来，有意思。
告别零点开销！CVPR 2026提出DASQ，精度+17%功耗反降
把模型“减肥”这件事，龙哥之前也聊过不少，比如大模型量化、混搭量化之类的。但今天这篇CVPR 2026的文章视角很刁钻——它发现视觉模型权重那些看起来不对称的“坏脾气”，其实只是被少数几个“刺头”（离群点）给带歪了。把刺头一拔，底下全是规规矩矩的对称分布。于是作者干脆利落地抛弃了硬件不友好的“非对称量化零点”，搞了个密集+稀疏的二重奏。这波操作不仅精度反超了
告别“似是而非”，StyleDoctor一招提升风格一致性50%
AI画画火了这么久，但你有没有发现，让它“精准复刻”某种画风，比如水墨、印象派、卡通，结果总有点“似是而非”？ 核心问题在于，现有的“人类偏好奖励模型”能判断美丑，却根本不懂“风格”这回事。CVPR 2026的这篇StyleDoctor，就像给AI配上了一位严格的“美术史教授”，专门用来评估和引导风格生成。这项工作还配套了一个涵盖1000种风格、40万对样本
EA联合大作：强化学习如何让游戏NPC告别“脚本味”？
玩过3A大作的朋友都知道，一个“蠢”NPC有多毁沉浸感。EA这次没有跟你聊概念，而是直接把强化学习塞进了EA SPORTS FC 25和Battlefield 6的AI系统里，并总结了一套极具价值的实战方法论，告诉你如何让NPC从“脚本”进化到“有灵魂”。这是游戏AI从学术走向工业的关键一步。
Yann LeCun、何凯明参与的新作S-JEPA：告别硬聚类，51.8M参数语音模型碾压一众90M以下
Yann LeCun和何凯明两位大神的名字同时出现在作者栏，这排面，拉满了！他们提出了一种全新的自监督语音学习范式S-JEPA，用软聚类取代了硬聚类，彻底告别了HuBERT那种需要中断训练、重新聚类的繁琐流程。更有意思的是，它只用51.8M参数，就在SUPERB语音识别上碾压了所有90M参数以下的方法，效果直逼94.7M的HuBERT-Base。这背后隐藏着
