StructGen来了：多参考图像生成告别张冠李戴
多参考图像生成最怕什么？不是模型不够大，而是参考一多，语义就开始打架。StructGen 直接把参考图像做成“字典”，用标识符把人、衣服、场景钉死，思路很工程，也很实用。
最新文章
共 1665 篇
不碰文本也能改记忆：LUCID揭开多模态智能体新漏洞
多模态智能体最怕的不是答错，而是把错的东西“记牢”。这篇论文直接把矛头对准长期记忆：攻击者只改一张图，就能在黑盒条件下把记忆系统带偏，而且五种后端都没能幸免。更关键的是，它把“检索被命中”和“模型真的信了”这两件事分开看，结论很扎实。
证据中心闭环框架：自动驾驶怎么测才算过关
自动驾驶测试最尴尬的地方，不是没工具，而是工具、场景、指标全都有，最后还是没人敢拍板“能上路了”。这篇论文直接去问了6个国家9家公司的实战派，把工业界到底怎么测、卡在哪、以后想怎么测，摊开讲明白了。
扩散去噪当视图？这篇论文把判别和生成一起做了
扩散模型平时最擅长“画图”，这篇论文偏要让它顺手把分类也干了。D3CL的思路很直接：把不同去噪步当成不同视图，再用LoRA轻量改造Stable Diffusion，结果判别和生成两头都没掉链子。
CMU+Apple提出RayRoPE：多视图位置编码终于统一了
多视图Transformer最怕什么？不是算力不够，而是位置编码“认不出同一块内容”。RayRoPE直接把patch绑到射线上，再让模型自己猜深度、补不确定性，结果就是：既要几何一致，又要多频细节，还能保持SE(3)不变。Apple Research这篇，属于把老问题拆开后重新装对了。🤨
腾讯PCG新方法：34K数据把视频感知拉升5.2%？
视频推理这事，很多时候不是“会不会想”，而是“看没看见关键帧”。这篇论文直接把矛头对准感知短板，用注意力把稀疏奖励拆成帧级、Token级信号，思路很硬，实验也够实。
IFT后推理会丢？这篇论文用合并法救回来了
推理模型最怕的，不是不会做题，而是微调完把“会想”这件事顺手弄丢了。这篇论文给出一个很朴素但很能打的解法：先把任务学进去，再把推理习惯捞回来。
把视频“偷摸”压缩的事告诉大模型：微软新方法令牌省93%
视频理解模型往往要把每一帧都当成独立图片来处理，这又慢又浪费算力。微软和斯坦福的研究人员直接从视频压缩算法中取经，用轻量级的运动向量和残差代替大部分图像的密集编码，让首帧生成时间快了86%，令牌用量暴减93%，同时性能还不降反升！这个方法与之前的Quickviewer等非均匀采样思路不同，它是在编解码层面做“减法”，从根源上避免了冗余。
TUM新论文：世界模型先验资质，不然判决不算数
世界模型最容易犯的错，不是不会生成，而是生成得太像了，结果把动作是否有效这件事给糊弄过去了。慕尼黑工大这篇论文把“能不能信”拆成一层层门槛，读完会发现，闭环评测这件事，真没法只看画面好不好看。
8张H20实测：Muon在RL后训练里真能赢AdamW？
Muon 在预训练里已经很能打，但到了强化学习后训练阶段，表现却一直不清不楚。这篇论文不讲玄学，直接拿三种优势估计器和学习率做对照，结果很扎眼：有的场景能涨 88%，有的场景却几乎没戏。
零点社交距离有多强？这篇论文把最小素数推得更近
这篇论文最有意思的地方，不是又把黎曼假设拿出来“拜一拜”，而是进一步问：零点之间怎么站队、怎么排队，能不能真的影响素数分布？作者把“零点间距”拉进来后，两个老问题都被往前推了一步，思路很硬，味道也很正。
2026新方法：ASK-NN把幻觉检测做成统计检验
LLM 幻觉检测最烦的地方，不是“看不出来”，而是“参考样本”和“查询样本”天生不对称。ASK-NN 直接顺着这个现实来做，把近邻检验改成非对称版本，理论和工程都更像样。
