Meta

Who Needs Labels? Adapting Vision Foundation Models With the Metadata You Already Have

谁需要标签？利用已有的元数据适应视觉基础模型

Elouan Gardès, Seung Eun Yi, Kartik Ahuja, Théo Moutakanni, Huy V. Vo, Piotr Bojanowski, Wolfgang M. Pernice, Loïc Landrieu, Camille Couprie

机构 * Meta FAIR, Paris（Meta FAIR，巴黎） ； LIGM, CNRS, Gustave Eiffel, ENPC, IP Paris（LIGM，CNRS，居斯塔夫·艾菲尔，ENPC，IP巴黎） ； Columbia University, New York（哥伦比亚大学，纽约） 纠错

AI总结 提出一种无标签方法FINO，利用元数据通过自监督学习将通用视觉基础模型适应到专业科学领域，无需任务标签且仅用轻量探针进行监督，在多个领域超越标准无监督和全监督适应方法。

Plan, Watch, Recover: A Benchmark and Architectures for Proactive Procedural Assistance

计划、观察、恢复：主动式程序辅助的基准与架构

Kaustav Kundu, Ritvik Shrivastava, Maxim Arap, Nanshu Wang, Xianhui Zhu, Quintin Fettes, Gautam Tiwari, Parth Suresh, Théo Moutakanni, Alejandro Castillejo Munoz, Allen Bolourchi, Pascale Fung, Pinar Donmez, Babak Damavandi, Anuj Kumar, Seungwhan Moon

机构 * Meta Reality Labs（Meta现实实验室） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

AI总结 提出EgoProactive数据集和Pro²Bench基准，并设计解耦规划器-交互架构，用于主动式程序辅助中的实时引导和异常恢复。

Comments 53 pages, 14 figures

LoopFM: Learning frOm HistOrical RePresentations of Foundation Model for Recommendation

LoopFM：从基础模型的历史表示中学习用于推荐

Shali Jiang, Hua Zheng, Boyang Liu, Laming Chen, Kenny Lov, Chuanqi Xu, Lisang Ding, Qinghai Zhou, Can Cui, Xiaolong Liu, Xiaoyi Liu, Yasmine Badr, Xin Xu, Jiyan Yang, Ellie Dingqiao Wen, Gerard Jonathan Mugisha Akkerhuis, Chenxiao Guan, Rong Jin, Ruichao Qiu, Xian Chen, Shifu Xu, Zhehui Zhou, Ping Chen, Rui Yang, Haicheng Chen, Xiangge Meng, Song Zhou, Dharak Kharod, Shuyu Xu, Qiang Jin, Qiao Yang, Wankun Zhu, Qin Huang, Yuzhen Huang, Darren Liu, Parish Aggarwal, Hui Zhou, Erzhuo Wang, Shuo Chang, Xiaorui Gan, Wenlin Chen, Santanu Kolay, Huayu Li

机构 * Meta 纠错

AI总结 针对知识蒸馏中传递标量导致转移率下降的问题，提出LoopFM框架，通过将基础模型的中间嵌入作为输入特征传递给下游垂直模型，实现高带宽知识转移，并在理论和实验中证明其有效性。

Comments Shali Jiang, Hua Zheng, Boyang Liu contributed equally to this work

SAM 3D: 3Dfy Anything in Images

SAM 3D: 将图像中的任何内容3D化

SAM 3D Team, Xingyu Chen, Fu-Jen Chu, Pierre Gleize, Kevin J Liang, Alexander Sax, Hao Tang, Weiyao Wang, Michelle Guo, Thibaut Hardin, Xiang Li, Aohan Lin, Jiawei Liu, Ziqi Ma, Anushka Sagar, Bowen Song, Xiaodong Wang, Jianing Yang, Bowen Zhang, Piotr Dollár, Georgia Gkioxari, Matt Feiszli, Jitendra Malik

机构 * Meta Superintelligence Labs（Meta超智能实验室） 纠错

AI总结 提出SAM 3D生成模型，从单张图像重建3D物体的几何、纹理和布局，通过人机协同标注和分阶段训练突破数据瓶颈，在真实场景中取得显著优势。

Comments Website: https://ai.meta.com/sam3d/

Scheduling in Queueing Systems with Uncertain and Evolving Holding Costs

具有不确定和演化持有成本的排队系统中的调度

Caner Gocmen, Thodoris Lykouris, Deeksha Sinha, Wentao Weng

机构 * Meta Platforms（Meta平台） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 针对持有成本不确定且演化的排队系统，提出基于马尔可夫链的模型和机会调整剩余成本（OaRC）算法，证明其渐近最优性并优于经典规则。

100-LongBench: Are de facto Long-Context Benchmarks Literally Evaluating Long-Context Ability?

100-LongBench：事实上的长上下文基准是否真的在评估长上下文能力？

Wang Yang, Hongye Jin, Shaochen Zhong, Song Jiang, Qifan Wang, Vipin Chaudhary, Xiaotian Han

机构 * Case Western Reserve University（凯斯西储大学） ； Texas A&M University（德克萨斯A&M大学） ； Rice University（里德大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Meta 纠错

AI总结 针对现有长上下文基准无法分离基线能力与真实长上下文能力、且输入长度固定等问题，提出长度可控的长上下文基准和新指标，以有效评估大语言模型的长上下文能力。

Local Clustering on Complex Graphs and Complex Hypergraphs

复杂图与复杂超图上的局部聚类

Zihao Li, Dongqi Fu, Hengyu Liu, Jingrui He

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta 纠错

AI总结 本文通过扩展非近似的Andersen-Chung-Lang (ACL)聚类算法，提出了GeneralACL和HyperACL两种算法，分别适用于带权、有向、自环图以及边依赖顶点权重的超图，并证明了在温和条件下它们能识别出电导率二次最优的聚类。

Comments KDD 2026, Preprint version. 26 pages

Combining Optimal Control and Learning for Visual Navigation in Novel Environments

将最优控制与学习相结合用于新环境中的视觉导航

Somil Bansal, Varun Tolani, Saurabh Gupta, Jitendra Malik, Claire Tomlin

机构 * University of California, Berkeley（加州大学伯克利分校） ； Facebook AI Research（脸书人工智能研究） 纠错

AI总结 本文提出了一种结合模型控制与学习感知的方法，用于在新环境中实现可靠的视觉导航，通过生成无碰撞路径的 waypoints，使机器人能够高效地到达目标位置，同时在低帧率和仿真到现实的迁移中表现良好。

Comments Project website: https://vtolani95.github.io/WayPtNav/

Learning to Control Highly Accelerated Ballistic Movements on Muscular Robots

学习控制高加速度的球形运动在肌肉机器人上

Dieter Büchler, Roberto Calandra, Jan Peters

机构 * Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Facebook AI Research（脸书人工智能研究） 纠错

AI总结 本文研究了如何通过学习方法提高肌肉机器人在高速高加速度运动中的控制精度，提出了一种四自由度的机器人臂，利用气动人工肌肉实现高关节角加速度，并通过贝叶斯优化直接在硬件上调整控制参数，从而在快速轨迹上实现了优于以往的结果。

Comments 12 pages, preprint submitted to Journal of Robotics and Autonomous Systems

BCR-Net: a neural network based on the nonstandard wavelet form

BCR-Net: 一种基于非标准小波形式的神经网络

Yuwei Fan, Cindy Orozco Bohorquez, Lexing Ying

机构 * Department of Mathematics, Stanford University（斯坦福大学数学系） ； Institute for Computational and Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Department of Mathematics and ICME, Stanford University（斯坦福大学数学系和计算与数学工程研究所） ； Facebook AI Research, Menlo Park, CA（脸书人工智能研究（Menlo Park, CA）） 纠错

AI总结 本文提出了一种基于非标准小波形式的神经网络架构，该架构通过将非标准形式的矩阵向量乘法算法表示为线性神经网络，其中每个多分辨率计算的尺度都由局部连接的线性子网络完成，并通过用更深层次和强大的非线性子网络替换线性子网络来扩展以解决非线性问题。

Comments 17 pages and 9 figures

Rethinking floating point for deep learning

重新思考深度学习中的浮点运算

Jeff Johnson

机构 * Facebook AI Research（脸书人工智能研究） 纠错

AI总结 本文提出了一种新的混合对数乘/线性加、Kulisch累加和渐缩编码的8位对数浮点格式，以提高能效并保持精度，同时在不重新训练网络的情况下，实现了与原始float32 ResNet-50模型在ImageNet上的高精度性能。

Provably Accelerated Randomized Gossip Algorithms

可证明加速的随机传话算法

Nicolas Loizou, Michael Rabbat, Peter Richtárik

机构 * The University of Edinburgh, UK（爱丁堡大学） ； Facebook AI Research, Montreal（脸书人工智能研究） ； KAUST, KSA（王国立科技大学） 纠错

AI总结 本文提出了一种可证明加速的随机传话算法，用于解决平均一致性问题。该算法受到最近开发的加速随机Kaczmarz方法的启发，该方法是解决线性系统问题的流行方法。在每次传话迭代中，网络中的所有节点都会更新它们的值，但只有成对的节点交换私有信息。还展示了在流行无线传感器网络上的数值实验，展示了我们协议的优势。

SwitchNet: a neural network model for forward and inverse scattering problems

SwitchNet: 一种用于正反散射问题的神经网络模型

Yuehaw Khoo, Lexing Ying

机构 * Department of Mathematics, Stanford University, Stanford, CA 94305.（斯坦福大学数学系） ； Department of Mathematics（数学系） ； ICME, Stanford University, Stanford, CA 94305. Facebook AI Research, Menlo Park, CA 94025.（斯坦福大学计算数学与工程系，Facebook人工智能研究实验室） 纠错

AI总结 SwitchNet通过建立散射体与散射场之间的映射，解决基于波方程的反散射问题，利用低秩结构和稀疏连接的切换层减少参数量并提升训练效率。

Comments 19 pages, 7 figures