一张图看懂仓库级RAG去噪：北航MRCoder，加速52%准确率提升
仓库级代码生成中，RAG常常引入噪声上下文，导致模型“看花眼”——生成质量下降，推理时间飙升。北航团队提出的MRCoder，像个聪明的图书管理员，用Map-Reduce范式先让轻量草稿模型快速试读，再根据API调用和逻辑相似性精准筛选有效上下文，最后用并行验证把速度提上去。实验结果漂亮：Pass@1最高提升52%，推理时间减少一半。这篇值得所有搞代码生成、R
最新文章
共 1660 篇东南大学提出DREvo：5个基准测试全面领先，平均提升16.2%
继2025年6月推过智能体基准评测之后，龙哥又盯上了智能体自演化的“可靠性”痛点。东南大学这篇DREvo，把历史经验当作“过期货”来查保质期，还能自动提炼出下一步修改方向，五个基准全超之前方法，平均提升16.2%，自我进化终于不再原地打转！
武汉理工最新研究：乡村自动驾驶合成数据最佳配比1:0.5，YOLO11m精度0.758
中国乡村道路的自动驾驶一直是个“数据荒漠”。这篇论文不光造了个包含14类乡村特有害物的数据集，还系统测了13个检测器，用实验打脸“合成数据越多越好”的朴素直觉——最佳比例是1:0.5！对于想低成本落地乡村自动驾驶的团队，这份报告就是现成的“避坑指南”。
极端场景OCR实战：为什么超分比大模型更重要？
极端场景下车牌只有12像素宽，笔画宽度2-3像素，常规OCR盲猜等于送分给负分。这篇ICIP 2026挑战赛高分方案证明了：把超分做到位（HAT 4倍提升），再搭配两个架构差异够大的识别器做集成，最后根据计分规则（+2/-1/0）设定弃权阈值，即使没有外部数据和私有模型，照样拿到9.73 wECR。核心思路很简单：先让字看得清，再让模型认得出，认不出的时候就
零参数推理！QueenVIS用两个辅助头搞定视频实例分割
视频实例分割通常需要昂贵的视频标注和复杂的时序建模，但QueenVIS仅用单帧图像训练就拿到了接近SOTA的结果。它通过两个轻量辅助头把外观和空间先验注入Transformer查询，推理时零参数开销，在长视频上提升10.3 AP，简直是为标注稀缺场景量身打造。方法干净、实用，值得工程团队关注。
纯数学解谜：翻转下落两步走，双射就出来了
两个看似不同的排列模式避让家族，居然通过反转互补操作建立起完美双射，而且还和斐波那契数列有染。本文用Lehmer码这把钥匙，给321-avoiding和321-avoiding排列的偏序结构来了个“底朝天”，几何上的“翻转与下落”解释更是让人拍大腿。组合数学爱好者不容错过。
图像训练逆袭！QueenVIS视频分割零参数涨10.3 AP
视频实例分割的“天价标注”让人头疼，QueenVIS却告诉你：只用单帧图像训练，效果堪比视频监督！它通过两个超级简单的辅助头（特征预测+中心预测）把外观和空间先验注入查询向量，推理时零开销、零参数增加。在YouTube-VIS长视频上直接飙了10.3 AP，比很多视频监督模型还稳。代码已开源，值得一试！
IIT Goa最新研究：非光滑初值下SPDE有限元法收敛阶不降反升？
非光滑初值（间断、无导数）是SPDE数值分析的头号难题。传统理论认为初值多光滑收敛阶就有多高。但IIT Goa这篇2026年的工作，通过巧妙解耦噪声与初值正则性，证明即便初值只有L²正则，也能达到由噪声决定的β阶最优收敛。数学干净利落，数值实验完美吻合。对计算数学和随机PDE数值解感兴趣的朋友，这篇值得细品。
同济大学报告：过估计问题终结者，CWAC算法一键搞定
RoPE、2D-RoPE这些位置编码从哪来？这篇论文用一个“构成操作”统一了它们，还理论证明了路径无关的充要条件。基于此设计的JoFormer在值侧也做旋转，ImageNet提了0.4%，长度外推比降到1.02×——对于想理解位置编码本质的读者，这篇是不可错过的代数教科书。
人大&阿里联合提出PSD：零额外参数的自蒸馏框架
序列推荐通常只用one-hot标签训练，浪费了用户序列中大量的“未来”信息。本文核心想法极其简洁：让同一个Transformer模型同时担任教师和学生——教师看未来，学生只看过去，通过门控蒸馏只传递“可达”的知识。不需要额外参数、不需要预训练教师、不改推理过程，在SASRec、BERT4Rec、UniSRec三大骨干上平均提升19.8%，远超现有蒸馏策略。强
解耦初值与噪声正则性，有限元法收敛阶不再退化
偏微分方程数值解遇上非光滑初值，收敛阶总是掉下来？IIT Goa团队用一个巧妙技巧解耦初值与噪声的正则性，把最优阶给“夺”回来了！不光有理论证明，数值实验也漂亮地验证了这一点。想看看数学大佬是怎么打好“时间权重”这张牌的？往下翻！
宁波联队新作：重尾残差下PG噪声稳健估算，PSNR再涨1.9dB
当你在暗光下按下快门，CMOS传感器捕获的RAW数据里，既有光子打上去的散粒噪声，又有电路本身的读取噪声，混合在一起，让那些在实验室里表现神勇的“高斯去噪器”瞬间歇菜。这篇论文不打新网络架构，而是从噪声建模的老祖宗——方差稳定化出发，用一招“甩锅”重尾残差的稳健拟合，愣是把GAT+预训练模型这条老路走通了，而且走得很稳。对于想省掉重新训练模型成本、直接用现有
