UNC+CMU新作DenseReward：逐帧奖励学会看翻车
机器人强化学习最怕的不是“学不会”，而是“根本不知道哪里错了”。DenseReward偏偏把失败这件事做成了数据，顺手把奖励从“看终局”升级成“看过程”，这就很对路。 项目视频：https://dense-reward.github.io/assets/videos/DenseReward.mp4
标签：数据集
共 112 篇
北京理工大学新方法：让模型“说实话”再追求精准
这篇论文把一个很现实的问题挑明了：多模态大模型不是不会说细节，而是细节一多就更容易“翻车”。GRANFACT、层级评测和RP-DPO三件套，正好把“说得更细”和“说得更准”这对老冤家拎到台面上狠狠干一架。
音乐大模型别只看准确率：这套体检把“真懂”测出来了
这篇论文最狠的地方，不是分数有多高，而是它把“高分幻觉”拆得很难看：二元问答能蒙混过关，真到区分相近乐器、长上下文和时间定位时，很多模型立刻露馅。对做音频大模型评测的人来说，这篇更像一份体检单。
SENSE-VAD来了：自动驾驶异常检测，终于开始看“关系”了
自动驾驶异常检测最怕的，不是“看不见”，而是“看见了也不知道危险在哪”。这篇论文把问题从运动统计拉回到社会关系，直接把现有方法的盲区掀开了。
ICLR 2025后续新作：BRACE让屏幕拍照条纹退场
屏幕拍照最烦的不是糊，而是那种彩条、锯齿、色偏混在一起，像手机在认真拆台。BRACE干脆换了思路：不再死磕单帧，直接上多帧包围曝光RAW，把“看不清的条纹”变成“能对照的证据”。
CVPR 2026思路：Bricker+BRACE让屏幕条纹去除更稳了
屏幕拍照最烦的不是糊，而是那层像“屏幕自带纹身”的闪烁条带。本文直接把问题拆成数据集和模型两块，Bricker 负责把复杂退化喂给模型，BRACE 负责把条纹按住。
Citi Bike老年轨迹被学歪了？Qwen3-4B也没救
老年人出行不是“年轻人缩小版”，这篇论文把这个常识用数据钉死了。更关键的是，它还顺手证明：训练集一旦被多数群体主导，连大模型也会把少数群体的轨迹学歪。
SA-Homo新方法：8倍尺度差异也能稳住
单应性估计看着像“老题”，但一碰到尺度差异就容易翻车。SA-Homo的思路很直接：先用重模块把大尺度错位拉回来，再用轻模块做精修，工程味很足，HMSA数据集也补上了真实痛点。
GeoCodeBench来了：3D视觉代码，GPT-5也只拿36.6%
这篇论文很像给大模型出了一张“3D几何博士资格考试卷”。它不只看模型会不会写代码，更看它能不能把论文读对、把几何语义守住，结果相当不客气：最强模型也没过四成。
1B模型把僧伽罗语OCR打到1.05%：还顺手赢了Google
这篇论文最有意思的地方，不是又做了一个 OCR，而是把“真实世界里的老旧僧伽罗语文档”这件麻烦事正面接住了。数据集、QLoRA 微调、跨年代评估三件事一起上，最后还把 Google Document AI 挤在了后面，挺硬核。
SpatialUAV来了：低空无人机空间智能，GPT-5也没跑多远
低空无人机不是“拍得清”就算懂空间，真正难的是跨视角、几何关系和运动理解。SpatialUAV把这件事拆成14类任务，结果很直接：主流模型离人类还差得不小。
80队参赛！URGENT 2026把语音增强卷到评测层
这篇不是单纯“拼模型”的比赛总结，而是把语音增强真正落地时最容易翻车的两件事摊开了：数据怎么选，模型怎么评。结果很直白——堆数据不一定赢，选对数据和评测方式才更像正经工程。
