ICCV 2023新范式被挑战：视频扩散模型为何输给自回归？
视频扩散模型看着很会“画”，但一遇到连续依赖事件就容易露馅。本文用最干净的硬球碰撞任务，把这个短板拆得明明白白。
标签：模型架构
共 307 篇
Apple Research最新论文：主动助手评测为何离不开FSM
Apple Research这篇不是在比谁更会“聊天”，而是在逼智能体面对真实手机交互的硬骨头：用户会不会接受、何时插手、能不能跨应用干活。PARE把这件事做成了可评测、可复现的框架，结果也挺扎心：最强模型成功率也只有四成多。
CVPR 2026前后脚？DriveVer让自动驾驶“先验再改”，34M参数补上安全一刀
自动驾驶最怕的不是“不会开”，而是“开错了还直接上路”。这篇 DriveVer 很有意思：不重训大模型，偏偏把活放到测试时做二次验证和修正，34M 参数、80ms 推理，工程味很足。
128簇路由更准：Apple这篇MIPS新方法有点狠
Apple Research这篇论文不玩“更大的索引”，而是直接让模型学会“怎么搜”。SupportNet学支持函数，KeyNet直接回归最优键，思路很狠，工程上也很实用。
自主科研新范式？AI智能体在MatBench上打赢专家模型
这篇论文最有意思的地方，不是“AI又发明了新材料模型”，而是通用编码智能体把一堆老方法重新拼起来，居然在带隙预测上打赢了17个专家模型。它也很诚实地告诉大家：自动科研能提效，但未必会自己想出新东西。
Cornell新方法SPS：状态和预测分家更强
Transformer 一直把“记忆”和“预测”塞进同一条链路里，像让一个人一边背台词一边写剧本。康奈尔这篇论文直接把两件事拆开，结果是更低损失、更好泛化，而且推理几乎不涨成本，思路很硬。
AmbiDrop来了：阵列无关语音增强，未知麦克风也能稳
这篇论文最有意思的地方，不是又堆了一个更大的网络，而是把“阵列无关”往前推了一步：先用理想 Ambisonics 训练，再用通道 dropout 模拟编码误差，最后靠 ASM 把任意麦克风阵列接进来。未知阵列、真实 Aria 眼镜、麦克风缺失，三关都过了，工程味很足。
百度北大新作：ECHO把长程RL的记忆与信用打通
长程智能体最烦的不是“想不起来”，而是“想起来了却不知道该把功劳算给谁”。ECHO把记忆选择和信用分配绑在一起，思路很工程，也很实用，尤其适合做搜索、工具调用和深度研究的Agent训练。
斜率引导Mamba来了！光场超分提升0.42dB
这篇论文最有意思的地方，不是又堆了一个“混合框架”，而是它把光场超分里最容易翻车的两件事——几何错位和扫描错位——分别拎出来治。一个负责让空间和角度别各唱各的，一个负责让Mamba别顺着方格子乱跑。
DiSIINet来了：扩散模型把医学增强和分割绑一起
医学影像里最烦的事之一，就是图像又糊又吵，分割还得硬上。DiSIINet干脆把增强和分割绑成一对“互相打辅助”的双分支扩散模型，思路顺，结果也扎实。
CVPR 2026新作CIGMA：剪掉“坏头”，ViT背景依赖直降88%
这篇论文最有意思的地方，不是“又做了一个剪枝”，而是把ViT到底在看什么这件事，往因果层面往前拽了一步。它不靠重训，直接定位并切掉那些专门走背景捷径的注意力头，思路很狠，实验也够硬。
语义token+扩散渲染：Vega新范式
视频理解和视频生成长期像两拨人：一边要“看懂”，一边要“画准”。Vega直接把两件事塞进同一个框架里，还用3B参数在多个基准上打出了很能打的成绩，值得细看。
