武大最新CoRE-UIR：一网打尽12种遥感退化，PSNR+1.05dB、提速近12倍！
“单模型修复所有退化”的热潮里，武汉大学这个工作把专家网络玩出了新花样——公共专家打底、低秩残差专家补丁，还能白嫖CLIP语义先验。12种退化一锅端，PSNR涨了1.05dB，速度却快了近12倍，遥感修复玩家值得一读。
标签：数据集
共 128 篇
1200个视觉依赖问题拷问四大模型：渲染偏差让3D推理暴跌15%
继6月聊过商汤“思考with images”之后，团队进一步追问：模型画出来的中间状态，到底是真用了还是仅仅装样子？为此他们构造了1200个视觉依赖样本的See2ThinkBench，并设计了可干预的VAoT协议。结果扎心：模型选动作挺准，但渲染忠实度平均只有60%，3D场景下错误反馈能让准确率暴跌15个百分点——画图推理，远没想象中靠谱。
香港中文大学TREK：不用LLM裁判的硬核基准，15个模型全军覆没
继2026年6月聊过EvoMAS和MemInsight之后，又发现一个评估LLM智能体旅行规划能力的硬核基准TREK。它完全不用LLM作为裁判，直接检查每个航班、酒店是否真实存在，时间是否可行，预算是否超支，甚至能检测出用户没明说的隐性需求！结果连最先进的GPT-5.6也才46.2%通过，真是让人大跌眼镜。建议所有做LLM agent的团队都来跑一跑这个基准
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”。
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。
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。
