武汉大学提出MissHyper：一招修复临床时序预测的“预传播瓶颈”，SOTA三连杀！
病历数据又乱又稀疏？ICU里仪器报警此起彼伏，却常常漏掉关键趋势？武汉大学团队提出的MissHyper，在时序预测前就把同一时间戳的各种指标“合体”成病例快照，让超图模型一上来就有全局视野，三个临床基准统统领先！
最新文章
共 1665 篇
告别穷举法！BEAP让辐射探测“变聪明”，识别精度超4σ
中子源识别是核不扩散的关键技术，但混合源光谱重叠导致传统方法失效。本文提出BEAP算法，用贝叶斯证据驱动搜索，不必枚举全部组合，实验和仿真均证实其可靠性。龙哥觉得这种“用统计智慧代替暴力枚举”的思路很清爽。
RAG+LLM修复历史文档，准确率从13%冲到70%，专家都说好
历史文档修复一直是NLP领域的硬骨头，尤其是那些需要外部知识才能确定的古代人名、地名。这篇来自韩国江原大学的工作，巧妙地将RAG与大模型微调结合，不仅让命名实体恢复准确率从个位数跃升至38%，还通过了人类专家的实操检验。对于想做RAG落地或古籍数字化的朋友，值得一读。
RAG+LLM专治古卷专有名词，Qwen3微调效果超Gemini
历史文档修复一直是难题，尤其涉及专有名词时连GPT-5都容易翻车。韩国江原大学这篇论文把RAG和LLM结合，让模型在修复时自动“查资料”，在朝鲜王朝档案上命名实体恢复率提升近一倍，甚至超过了Gemini-2.5-Pro。代码、模型全部开源，实用价值极高。
RAG修复古籍：韩国团队让GPT-5.1在命名实体恢复上惨败
历史文档像一本被水泡过的《永乐大典》，人名地名糊成一片，传统MLM模型只能干瞪眼。韩国国立江原大学的团队祭出大招——ARI让大语言模型学会“翻书查资料”，用RAG精准找回那些被岁月抹去的名字。在朝鲜王朝实录的修复中，ARI-32B（Qwen3 32B微调版）在命名实体恢复上直接把GPT-5.1按在地上摩擦，效果翻倍。这不仅是个技术活，更像是在帮AI配一副“历
西安交大提出内容自适应提升，噪声下反超两支路方法
单像素传感的压缩测量跳过图像重建直接做分割，一直有个老大难：如何优雅地把一维测量“提升”成二维特征？本文给出了系统性的答案——不仅搞清楚了不同提升方式的优劣谱系，还设计了内容自适应注意力+动态任务调度，在极低采样率和有噪声条件下都能保持高精度分割，尤其展现了无图像推理在噪声下的天然鲁棒性，相当有意思。
CVPR 2026：近零折叠+精度效果优于现有方法，SGDIR带你告别积分烦恼
医学图像配准领域又迎来一位强力选手！阿尔伯塔大学团队在CVPR 2026上提出SGDIR，仅用半群正则化就搞定了微分同胚配准，彻底摆脱繁琐的积分和辅助约束。严格模式下几乎零折叠，放松模式精度吊打SOTA，训练推理还快一倍。这篇理论扎实、实验全面，值得仔细品味。
首尔大学提出Robot-Rendering：让世界模型直接"看到"机器人动作，告别动作编码！
机器人世界模型怎么喂动作？直接喂控制信号？还得自己学动作实现。首尔大学这招妙：先把动作在仿真里走一遍，渲染成机器人几何和深度，然后把"这堆像素"喂给视频模型。模型直接"看见"机器人怎么动，只负责学场景怎么响应。效果嘛——比喂状态向量强一截，还能直接泛化到没见过的机械臂和人类演示。
腾讯2026新作！BARGE填补生成式推荐“结构鸿沟”，点击率飙升0.60%
生成式推荐（GR）这两年火得不行，但把物品拆成分层语义ID后，编码器分不清哪些token属于同一物品，解码时前缀选错目标就永远找不到。腾讯BARGE像给GR做了“显微手术”，三模块精准修复两个结构漏洞，百万级数据上Recall@10提升近20%，部署后点击率涨0.6%。实打实的工业级改进，做推荐系统的值得细看。
告别猜参数：用可微渲染的梯度直接定位场景影响源
打游戏时你有没有想过——这个场景里哪个参数让画面这么亮？哪个材质导致眩光？传统方法得反复调参数试错，而这篇来自Simon Fraser大学的最新论文，把可微渲染的梯度当作“显著性图”，一次反向传播就能告诉你答案。就像Grad-CAM解释神经网络一样，现在轮到渲染器了。
9大消融实验验证：比亚迪混合世界模型凭什么成为自动驾驶新标杆
当自动驾驶世界模型还在像素级预测的"精细"与潜变量预测的"鲁棒"之间二选一时，比亚迪团队直接端出了一盘"混合大餐"——HyWorldVLA。预训练阶段同时预测像素和潜变量，既保住了细粒度时空建模，又继承了潜变量的抗噪能力。NAVSIM v1/v2双榜夺冠不是最惊艳的，雨雾场景下PDMS高达86.87（竞品仅60+）才真正让人眼前一亮。一句话：不做选择，全都要
多伦多大学新基准：AI在复杂任务中准确率暴跌33%，上下文管理是致命短板
最近大家都在追怎么让AI“长记忆”，但你有没想过：就算记忆再长，记错关键计算的中间结果、或者被无关干扰冲昏头脑，照样白搭？多伦多大学联合Vector Institute的新工作ArbiGraph，就用一套可验证的任务图，精准拷打了语言代理在复杂流程中的“上下文管理”能力。结果有点扎心：Qwen3.5-27B单做一题数学题94.5%正确，但放进带分支的依赖链里
