arXivDaily arXiv每日学术速递 周一至周五更新
arXiv周末暂无论文更新,休息一下吧,周末愉快~~

行业趋势

从最新学术论文中提炼值得关注的技术进展、实验结果和产业信号。

2611.25569 更多前沿

中科大把语音压到325比特每秒,老款Xeon也能实时还原

中国科学技术大学提出UMelCodec,把语音以每秒325比特的理论码率编码,再用轻量模型恢复声音。在LibriTTS英语语音测试中,它拥有1967万参数,在Xeon E5-2680 v3上的推理速度约为实时的8.36倍,同时在多项客观重建

中国科学技术大学等
文章封面
2611.26619 AI基础设施

显存满了先别加卡!MIT等让缓存边搬边算,Agent轮次最高达2.04倍

麻省理工学院、苏黎世联邦理工、加州大学圣迭戈分校团队提出TideCache,给混合大模型动态分配缓存显存,并利用计算间隙提前搬入下一层历史。在GB300与GH200七种模型和平台配置的内存压力测试中,Agent完成轮次相对带HiCache的

麻省理工学院、苏黎世联邦理工、加州大学圣迭戈分校等
文章封面
2611.26256 Agent

AI技能换台电脑就失灵?北大等先查系统假设,185次找出38个问题

北京大学、中关村学院、西北工业大学团队提出SkillBridge,先检查Agent技能里的系统假设,再针对可疑处运行任务、查根因和修复。在Linux与macOS的回顾分析中,185次动态验证确认38个系统问题;相同样本里,随机选择达到这一产

北京大学、中关村学院、西北工业大学等
文章封面
2611.25635 视觉与生成

113万参数学大模型调色,照片变好看,别把船也修进来

悉尼大学、印第安纳大学、香港大学、麻省理工学院等机构提出AesDistill,让113万参数的小模型学习大生成模型的颜色选择,同时保住原照片结构。团队收集四个教师生成的64644张编辑图,在两套照片数据与16种自动评估下,学生的综合排名高于

悉尼大学、印第安纳大学、香港大学、麻省理工学院等
文章封面
2611.26347 视觉与生成

相机不换,快门错开!同样帧数,4D重建多抓住运动细节

新竹清华大学团队提出OffBeat,不增加相机和总帧数,而是重新安排各台相机按快门的时刻,再用配套重建方法恢复运动。在N3DV模拟错时采样测试中,它相对完整4DSloMo流程的动态区域画质提高3.04dB,让同步画面之间的快速动作有更多观测

新竹清华大学等
文章封面
2611.26431 视觉与生成

杜比等把字母搬进3D视频,单个字形转换只用9.1毫秒

马里兰大学帕克分校与杜比实验室提出FFGaussType,把已有字形和SVG轮廓转换成能放进三维高斯场景的资产。准备好表面锚点后,单个资产在RTX A6000上的前向转换只用9.1毫秒;字母进入视频后可以单独换材质、换灯光,并跟随三维透视和

马里兰大学帕克分校、杜比实验室等
文章封面
2611.26540 视觉与生成

边听边生成说话头像!AURA单张H100跑20.7帧,超过播放速度

Kyutai、索邦大学ISIR以及署名Google DeepMind的研究者提出AURA,其中相关工作在Kyutai期间完成。它用当前到达的语音块驱动头像,不必预读几秒录音;1.3B型号在单张H100上以每秒20.7帧生成方形576分辨率视

Kyutai、索邦大学ISIR、Google DeepMind等
文章封面
2611.26105 具身智能与机器人

腾讯Robotics X等让机械臂追着抓,三类实机任务成功率64.17%

香港理工大学、腾讯Robotics X、剑桥大学等机构提出PhysVAM,让机械臂抓移动物体时,同时判断接下来的动作能否推动任务完成。传送带、转盘和滚瓶三类实机任务中,成功率等权平均达到64.17%,对照PUMA为36.67%;移动橙子、杯

香港理工大学、腾讯Robotics X、剑桥大学等
文章封面
2611.25476 大模型

改257个权重,陌生命令准确率从0到99.8%!AI给模型装新本事

澳门大学、新加坡国立大学、香港中文大学、北京大学等机构提出WeightCode,让语言模型写程序,直接读取和修改另一个网络的权重。在受控命令组合任务中,程序改动257个权重,把原本不会执行的新组合从0%推到99.8%;修改后的网络可以独立运

澳门大学、新加坡国立大学、香港中文大学、北京大学等
文章封面
2611.26603 视觉与生成

苹果让视频测距不再糊边!1080p小模型在B200跑到53帧

苹果团队提出Depth Pro 2,把单张照片和视频放进同一套深度估计网络,在原始分辨率下兼顾边缘清晰与前后帧稳定。最小型号在B200上处理1080p流式视频达到每秒53帧;较大型号则主攻精度,让毛发、细枝这些容易漏掉的细节也能进入距离图。

苹果等
文章封面
2611.24084 视觉与生成

腾讯等参与汉简修复:残笔先描成代码,再补缺失笔画

西交利物浦大学、理光软件研究中心北京、腾讯和昆山杜克大学等机构联合提出ReDraw,把残损汉简字形先描成SVG代码,再追加缺失笔画。研究用120万合成样本训练,并从320个真实字形构造适配数据;已有路径在补笔时保持不动,修复候选能按具体笔画

西交利物浦大学、理光软件研究中心北京、腾讯、昆山杜克大学等
文章封面
2611.23670 视觉与生成

Meta等给AI造眼睛:合成数据训练,视线误差降到3.53度

Meta Reality Labs与马里兰大学帕克分校提出EyeDiT,同时生成眼睛图像、角膜与虹膜结构以及OCT数据。用它的合成数据训练眼动追踪模型,在真实Nymeria眼镜图像上,视线误差中位数为3.53度;再与真实训练数据结合可降到2

Meta Reality Labs、马里兰大学帕克分校等
文章封面
2611.23417 视觉与生成

Meta联手牛津,让AI逛完房间再回头,家具别变样

Meta与牛津大学提出AVM,把照片和视频当参照,沿指定相机路线连续生成新视角。模型不先拟合显式三维场,而是检索原图与自己生成过的画面;在26个静态场景的回访测试中,保留历史检索时PSNR为28.04,去掉后降到11.13,让走远后再回头的

Meta、牛津大学等
文章封面
2611.23807 AI基础设施

AI画矢量图最高快13.83倍!把核对窗口拉长就行?

南京大学、上海人工智能实验室、武汉大学和复旦大学等机构提出Sightline,专门给AI生成SVG矢量图提速。它让草稿一次看得更远,再用足够宽的候选树核对;三种模型的60组设置中,相对原模型最高快13.83倍,保持原有解码规则的同时缩短绘图

南京大学、上海人工智能实验室、武汉大学、复旦大学等
文章封面
2611.23398 AI基础设施

谷歌让AI给服务器看病:H100平均修复时间缩短18.3%

谷歌把服务器部件、线缆、传感器和错误日志组织成关系图,用HardwareDx预测故障位置和维修动作。在生产A/B测试中,H100机器平均修复时间缩短18.3%,TPU缩短16.1%;同一个预训练模型还能迁移到新硬件,减少逐平台维护维修规则的

谷歌等
文章封面
2611.24479 AI基础设施

混元视频生成最高快2.10倍!清华等不重训,让每处画面自己挑重点

清华大学、哈尔滨工业大学深圳与深信服提出PQRS,给万相和混元视频模型换一种选择注意力重点的方式,无需重新训练。在单张H100的四个720p视频模型测试中,端到端速度达到原来的1.66至2.10倍,生成画面也更接近密集注意力版本。

清华大学、哈尔滨工业大学深圳、深信服等
文章封面
2611.24253 视觉与生成

腾讯给视频换机位:一段表演,补出俯拍和侧拍

腾讯在线视频团队提出One Shot Any View,输入一段已拍视频和目标相机轨迹,就能生成同段表演的俯拍、侧拍或移动镜头。它把粗糙三维点云用作位置参考,把人物外观交给原片提供;在50组同步视频测试中,整体相对旋转误差降到1.895度,

腾讯在线视频团队等
文章封面
2611.23575 具身智能与机器人

3.5毫米触觉薄片!机器人插销15次成功13次

普渡大学、石溪大学、史蒂文斯理工学院和威斯康星大学麦迪逊分校等机构做出LuxTac,一块约3.5毫米厚的光学触觉薄片。它用亮度读按压、用颜色读横向形变;把压力读数交给机器人后,插销入孔从15次成功6次提高到13次,让视觉之外的接触信息直接参

普渡大学、石溪大学、史蒂文斯理工学院、威斯康星大学麦迪逊分校等
文章封面
2611.24585 具身智能与机器人

只看人类示范学新活!SHAPE双手机器人60次做成21次

Sharpa Robotics、香港中文大学和上交—Sharpa具身智能联合实验室提出SHAPE,把人类第一视角示范变成灵巧双手的学习材料。三个新任务不采任务专属的机器人示范,机器人在60次尝试中完成21次;同一模型还保留直接控制关节的路径

Sharpa Robotics、香港中文大学、上交—Sharpa具身智能联合实验室等
文章封面
2611.24891 AI基础设施

Meta少用43%H100!把AI排队挪出引擎,日接3亿请求

Meta把等待中的AI任务移到推理引擎外,再根据服务器拒绝请求的反馈调节派活速度。在相同生产流量的分类器A/B测试中,新调度器少用了43%的H100;这套服务每天承接超过3亿个线上请求,让可延后处理的工作用排队换取更小的显卡集群。

Meta等
文章封面
↑