谷歌新方法：推理级Shapley近似，LLM数据审计空间缩减99.1%
继6月聊过Adobe的定量LLM评判器之后，Google这篇直接将数据审计玩出了新高度。不重训练、不跑几千次微调，靠推理前向传播就能近似Shapley值，把审计搜索空间干掉99.1%，在HelpSteer2和HH-RLHF里揪出了一堆人类标注翻车的样本，甚至发现评估基准里藏着“错误答案才是正确”的坑。对搞LLM对齐、数据质量的同学来说，这是真正的降维打击。
标签：数据集
共 112 篇
IR275K：中科院为红外超分立新规，594序列27万帧严苛压力测试
红外多帧超分领域终于等来一个像样的专属标准答案。中科院联合团队放了594个序列、27万帧的大招，关键还精心挖了三个坑——低对比高噪声、测试集故意加噪声、运动幅度整得很大，专门治各种花架子模型。顺便送了个轻量级Mamba模型CGMamba，112G FLOPs就把SISR方法打出33dB，还顺手拆穿了RoPE和跨帧融合的连带关系。
字节跳动新作！给视频配音就像改字幕，声效可控性暴增40.7%
说到给视频配音效，很多人会想：不就是根据画面内容生成声音吗，猫叫就是喵喵，打雷就是轰隆，有什么难的？但如果你脑洞再大一点——比如，你想让视频里原本只是“喵喵”叫的猫，在00:07秒的那一声突然变成“狮子吼”；或者你希望整个视频的音频听起来就像是从一部80年代复古游戏机里传出来的；再或者在火柴划过的一瞬间，不仅要有摩擦声，还要叠加一声魔幻的“呼——嗖”……你会
Persian Pixel来了：343k合成数据把波斯文OCR补上
波斯文OCR最难的不是识别器，而是先把像样的数据喂出来。本文直接用七百万词语料批量合成34万余对图文样本，还把字体、连写、退化、版式一并安排上了，属于“先把地基打平，再谈模型起飞”的典型路线。
SA-FARI来了：741站点、99物种、1.6万轨迹
野外多动物跟踪最缺的不是模型花活，而是“像样的数据考场”。这篇工作直接把考场搬到了4大洲、741个站点、99个物种上，还顺手把分割级标注做到了能真刀真枪测跟踪。
RUMBA来了：俄语长记忆基准把模型短板照得很清楚
长期记忆这件事，很多模型平时看着挺聪明，一到多会话、跨时间、隐式时间表达就开始露馅。RUMBA把俄语场景拆成三轴诊断题，直接告诉读者：到底是忘了、算错了，还是时间没看懂。
RealDefocus基准来了：散焦去模糊终于有统一考场
散焦去模糊最怕的不是模型不够大，而是各说各话、数据各跑各的。RealDefocus Benchmark把统一分割、统一协议、跨数据集验证都摆上台面，终于让“谁更强”不至于靠运气。
答对不算赢？这篇基准把临床推理拆到最细
临床大模型最麻烦的事，不是选错答案，而是“答案对了，理由却乱了套”。MIRA-Ev 直接把评测拆成三层，专门盯住证据、成分和关系，连巴斯克语也拉进来了，属于那种一看就知道不是来凑数的基准。
TINY_SCHILLER来了：德语小模型一行代码就能开训
德语小模型最烦的不是训练，而是“先把文本弄成能喂给模型的样子”。这篇工作直接把席勒戏剧做成单文件、可分词、可微调、可一键加载的语料，主打一个零摩擦。
HKUST新方法：3D场景编辑检索提升36.7点
3D场景检索最怕“指令说改一处，系统却把整间屋子都翻了”。这篇工作直接把问题拆成可执行的重排流程，还顺手补了一套新基准，实用性比很多只会讲概念的方案更硬。
重识别训练别再单挑，VLA-ReID改成整帧对抗
多目标跟踪最怕的不是“没看到”，而是“看到了却认错了”。这篇 VLA-ReID 直接把重识别从单样本比对改成整帧候选集竞争，再用共同外观抑制把一群长得差不多的目标硬生生拉开差距。
ICML 2026这篇论文在问：地图对机器还重要吗？
地图到底是给人看的，还是给机器看的？这篇论文直接把这个老问题拉到多模态大模型时代重新拷问了一遍。2400张合成等值区域图、12000道题、22个模型，结论很实在： 地图没有过时，反而在高层次空间推理里更像“外挂” 。
