高校专区
KnockGS：基于交互的物理高斯表示校准
机构 * Tuojing Intelligence（拓境智能） ； Southeast University（东南大学） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Tsinghua University（清华大学） ； Simple AI ； Imperial College London（伦敦帝国学院） ； Shanghai Jiao Tong University（上海交通大学） ； GigaAI ； Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学）
AI总结 KnockGS是基于交互-响应的PhysicalGS框架，可从三维高斯物体动力学中校准材料尺度，在参数恢复与响应保真度上优于对比方法，为交互式PhysicalGS系统奠定基础。
Thomson：面向主权人工智能的前沿模型持续学习
机构 * Imperial College London（帝国理工学院） ； DatologyAI ； Lambda
AI总结 该研究提出Thomson，通过对开放权重模型的持续学习，以低预算实现前沿模型性能，可帮助更多机构构建主权人工智能，且在多任务表现优异，几乎消除了遗忘问题。
Comments Open-weight model: this https URL (https://huggingface.co/thomsonreuters/Thomson-1.0-Small)
基于学习到的任务图的分散式多任务学习
机构 * Imperial College London（帝国理工学院）
AI总结 本文针对任务关系未知的网络场景，提出从分布式数据学习任务图的分散式两阶段策略，实现合作式多任务扩散学习，性能优于非合作学习且逼近真实图基线。
通过反向非对称融合缓解多模态学习中的强模态坍塌问题
机构 * Imperial College London（帝国理工学院） ； California Polytechnic State University（加州州立理工大学）
AI总结 针对多模态学习中强模态坍塌导致模型难超单模态基准的问题，提出反向非对称融合（IAF）方法，在三类基准上验证其可保留主导模态性能且最高提升单模态基准8.25%
DuMateBench：评估自主智能体在复杂真实工作流程中的表现
机构 * Renmin University of China（中国人民大学） ； Shandong University（山东大学） ； Michigan State University（密歇根州立大学） ； Nankai University（南开大学） ； East China Normal University（华东师范大学） ； Imperial College London（伦敦帝国学院） ； Baidu, Inc.（百度公司）
AI总结 DuMateBench是基于真实用户会话构建的自主智能体评估基准，含200个跨8场景的任务，注入三类环境复杂性，搭配五款智能体框架与四款LLM实验，发现严格任务完成存在显著差距。
FlavourBench：基于可执行烹饪基准真值的前沿语言模型排名
机构 * Imperial College London（帝国理工学院）
AI总结 FlavourBench是一款自动化语言模型排名基准，以可执行烹饪系统为基准真值，评估27个前沿语言模型，发现Grok 4.6表现最优，可有效消除排行榜差异缺失，结果可靠。
Comments 18 pages, 11 figures. Evaluation of 27 frontier language-model endpoints on 534 identical tasks per model, comprising 14,418 scored model-task cells. Adds reward-map sensitivity, selection and metric robustness, held-out Recipe1MSubs substitution validation, and a preregistered controlled reward-transfer study. Code, dataset, and interactive leaderboard links remain unchanged
在域转移下对用于乳腺钼靶成像的基础模型的稳健性进行基准测试
机构 * College of Engineering and Computer Science, VinUniversity（工程与计算机科学学院，文大大学） ； Imperial College London（伦敦帝国理工学院） ； Radiology Department, Vietnam National Cancer Hospital（越南国家癌症医院放射科） ； VinUni-Illinois Smart Health Center, VinUniversity（文大大学 - 伊利诺伊智能健康中心，文大大学） ； The Computer Vision and Medical AI Lab, VinUniversity（计算机视觉与医学人工智能实验室，文大大学）
AI总结 研究在域转移下乳腺钼靶成像基础模型的稳健性，用统一协议在多数据集上训练评估15种模型主干，发现特定视觉语言模型性能强，DINOv3是有竞争力基线，适应预训练未持续提升泛化，强调数据集级OOD评估是核心标准。
Comments Accepted at Deep-Brea3th 2026 workshop in conjunction with MICCAI 2026
一个非常大的视频推理套件
机构 * University of California, Berkeley（加州大学伯克利分校） ； Nanyang Technological University（南洋理工大学） ； Northeastern University（东北大学） ； University of Tübingen（图宾根大学） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Cornell University（康奈尔大学） ； San Jose State University（圣何塞州立大学） ； University of California, Irvine（加州大学尔湾分校） ； Technical University of Munich（慕尼黑技术大学） ； University of California, San Diego（加州大学圣地亚哥分校） ； Imperial College London（伦敦帝国学院） ； University of Wisconsin--Madison（威斯康星大学麦迪逊分校） ； University of Edinburgh（爱丁堡大学） ； Hong Kong University of Science（香港科学大学） ； New York University（纽约大学） ； Auburn University（阿伯丁大学） ； Columbia University（哥伦比亚大学） ； University of Bristol（布里斯托大学） ； University of Waterloo（滑铁卢大学） ； The Chinese University of Hong Kong（香港中文大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Oxford（牛津大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 VBVR数据集和评估框架旨在解决视频推理能力研究中的大规模数据缺乏问题，通过大规模实验观察到对未见任务的泛化能力。
Comments Homepage: this https URL (https://video-reason.com/?v=vbvr)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈