俄亥俄州立&普林斯顿：把失败变成错题集，Qwen2.5-72B单次生成59.2%
测试时扩展很香，但反复采样是真烧钱。这篇论文给出一个反直觉的省钱思路：把小模型犯过的错变成提示词，让大模型一次解码就能绕开坑。单次生成、零额外推理开销，还在Qwen、Llama两大系列上全面超越多次采样基线，值得所有做LLM推理的读者花五分钟看看。
标签：涨点神器
共 102 篇
分割精度大涨10个点？被引1647次的UC Berkeley经典只用一招
这是一篇被引1647次的深度学习经典之作。当所有人都在用CNN最后一层特征时，UC Berkeley团队提出“超列”表示，将多层特征融合用于像素级定位，在分割、关键点、部件标注三大任务上全面领先，至今仍是多尺度特征融合的思想源头。
KAIST&MIT最新：无需训练！0.4秒搞定任意特征上采样，各项SOTA
不用训练、不用改模型，单张图优化不到半秒，就能把基础模型低分辨率特征放大成高分辨率特征，还在分割、深度、概率图上一口气刷到SOTA。想给视觉基础模型做“像素级复活”的同学，这篇绝对是宝藏基线。
无人机+智能反射面=移动“防窃听盾牌”，东南大学最新仿真
6G通感一体化（ISAC）系统天生面临一个尴尬：用于感知目标的信号，也可能被目标“偷听”。东南大学团队将智能反射面（IRS）搬上无人机，并赋予其六维自由度（三维平移+三维旋转），通过让反射面在空中“转身挪窝”，在低空视距场景下显著提升保密速率，让窃听者“失聪”。本文拆解该工作的核心思路与算法设计，对无线通信、物理层安全、IRS方向的研究者很有参考价值。
告别一步梯度短视！中科大让LoRA全面反超只需多走64步
微调大模型，LoRA 省显存但总差口气？中科大新方法 LoRA-GA² 表示：只盯一步梯度确实容易“短视”，多走几步、看看真实的微调轨迹，GLUE 直接反超全量微调，显存还一分不多花。
Kimi-VL等三大模型实测：给注意力头"调薪"后，推理更靠谱了
多模态大模型“一本正经地胡说八道”是落地最大痛点之一。这篇CVPR 2026论文把幻觉拆成“感知偏差”和“推理漂移”两类，用不到1%的额外计算找到该加强的注意力头，平均提分4.2%且完全无需训练，插拔即用，值得所有做多模态推理的团队收藏。
乔治梅森大学新框架：o1-preview效果亮眼GPT-4o，医疗问答准确率飙升
这就是社区问答（Community Question-Answering，简称CQA）平台面临的真实困境。
斯坦福北大联手，QWM让Q学习用上世界模型，操作成功率大幅飙升！
世界模型和Q学习还能这么玩？斯坦福北大团队提出的QWM，把世界模型当成“预言家”，只做测试时搜索，不让模型误差污染训练，操作成功率全面飙升。继7月末聊过ActSWM这类JEPA世界模型的规划玩法后，本期这篇把Q学习和世界模型的结合推到了一个新高度。
LVLM遇模态缺失就“趴窝”？TTSD-FAR用0.629%参数把F1从0.48救回0.51
传感器掉线、字幕丢失、画面损坏……LVLM一遇模态缺失就肉眼可见地“降智”。这篇TTSD-FAR偏偏只更新0.629%的参数，就把50%文本缺失下的F1从趴窝的0.4785拉回0.5124，还顺手解决了持续适应的漂移问题。方法不算复杂，思路非常实用，值得所有做多模态落地的朋友读一读。
GNN解释错在哪？中南大学查明：掩码是病根，噪声才是解药
先问一个问题：当你想知道一个图神经网络（GNN）为什么做出某个预测时，最直接的办法是什么？
西安交大M-Net：条件数+散度+旋度，医学分割新范式
纯数据驱动的医学分割模型已经够卷了，但几乎没人把线性代数和矢量微积分“硬塞”进网络。M-Net直接给出答案：把条件数、散度、旋度当先验注入U-Net，肝脏分割Dice比基线猛涨12.37%，还能端到端训练。想了解“数学+深度学习”还能玩出什么花活？这篇值得细品。
密歇根州立大学最新研究：两阶段框架精准识别透明隐形眼镜，虹膜识别EER直降28.3%
透明隐形眼镜正在悄悄拉低虹膜识别的准确率，却因为“看不见”而长期被忽视。本文不仅量化了这个威胁，还用一个两阶段框架加分数校准，把识别错误率最高降了28.3%，思路相当务实。
