nick6507384252_个人页

2026年04月

• 04.23 10:18:33
  发表了文章 2026-04-23 10:18:33

  RSRCC: A Remote Sensing Regional Change Comprehension Benchmark Constructed via Retrieval-Augmented Best-of-𝑁Ranking

  本研究构建的RSRCC是首个面向遥感局部细粒度变化推理的问答基准，通过分层半自动化流水线实现了高质量、规模化的数据生成。
• 04.22 10:08:47
  发表了文章 2026-04-22 10:08:47

  HSG: Hyperbolic Scene Graph

  HSG通过双曲几何学习场景图嵌入，有效捕获场所-物体层级蕴含关系，在保持检索性能的同时大幅提升场景图结构质量，验证了双曲表示在结构化视觉推理中的有效性。
• 04.21 11:25:25
  发表了文章 2026-04-21 11:25:25

  Aligning Agents via Planning: A Benchmark for Trajectory-Level Reward

  本研究提出Plan-RewardBench轨迹级奖励建模基准，填补了工具型智能体长时序轨迹奖励模型评估的空白，通过严谨的数据集构建与统一测评，证实现有奖励模型在轨迹级判别上存在显著缺陷，长时序规划、动态约束跟踪、安全拒绝等能力亟待提升，为智能体对齐研究提供了关键测评与数据支撑。
• 04.20 10:11:01
  发表了文章 2026-04-20 10:11:01

  GAViD: A Large-Scale Multimodal Dataset for Context-Aware Group Affect Recognition from Videos

  本研究构建了当前规模最大、标注最完备的**多模态上下文感知群体情感视频数据集GAViD**，并提出CAGNet模型实现视觉、音频、上下文信息的有效融合，在效价分类与离散情感识别任务上取得领先性能，填补了领域内数据与模型的双重缺口，为自然场景下群体情感计算研究提供了关键支撑。
• 04.17 10:28:23
  发表了文章 2026-04-17 10:28:23

  KNOWLEDGE IS NOT STATIC: ORDER-AWARE HYPERGRAPH RAG FOR LANGUAGE MODELS（论文解读）

  本研究推翻了RAG领域“检索证据可视为无序集合”的核心假设，提出OKH-RAG框架，将顺序作为核心结构属性融入超图RAG，实现高阶知识交互与时序关系的统一建模。实验证明，在顺序敏感的领域推理任务中，**证据的组织顺序与内容本身同等重要**，顺序感知轨迹检索可显著提升大模型的推理准确性与事实一致性。
• 04.16 17:16:01
  发表了文章 2026-04-16 17:16:01

  ICLR 2026｜上海交通提出 π³，突破参考视图束缚，提升 3D 几何重建鲁棒性

  π³通过全排列等变设计彻底消除固定参考视图的归纳偏置，构建了鲁棒、高效、可扩展的前馈式视觉几何重建模型，在多项核心任务上刷新 SOTA。该研究存在局限性：无法处理透明物体，重建几何细节精度不及扩散类方法，点云生成易产生网格状伪影。未来可围绕透明物体建模优化、几何细节精度提升、点云生成伪影消除等方向展开拓展研究。
• 04.15 10:23:39
  发表了文章 2026-04-15 10:23:39

  MAG-3D: Multi-Agent Grounded Reasoning for 3D Understanding

  MAG-3D提出无需训练的多智能体三维具身推理框架，通过规划、定位、编码三智能体动态协同，结合开放词汇三维定位与可执行几何验证，在Beacon3D、MSQA基准上实现零样本最优性能，同时大幅提升定位与问答的一致性，有效解决现有方法依赖微调、流程僵化、易产生幻觉的问题，为开放世界三维可靠推理提供实用方案。
• 04.14 10:27:49
  发表了文章 2026-04-14 10:27:49

  StreamMeCo: Long-Term Agent Memory Compression for Efficient Streaming Video Understanding

  本文提出的StreamMeCo是首个面向工业级流式视频智能体的长期记忆压缩框架，通过双分支结构压缩与时间衰减检索，在大幅缩减记忆图规模的同时，提升检索效率与模型精度，有效解决了流式视频理解中智能体记忆膨胀的核心痛点，为实时视频理解系统提供了高效记忆管理方案。
• 04.13 10:48:33
  发表了文章 2026-04-13 10:48:33

  HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents

  本文提出的HY-Embodied-0.5模型家族，通过创新的MoT架构、亿级具身专项数据、迭代自进化训练与在线策略蒸馏方案，有效解决了通用VLM在具身智能场景的感知与推理短板，实现了边缘高效版与大型高性能版的协同设计，在多项基准测试与真实机器人任务中验证了技术有效性，为现实世界具身智能体提供了强大的基础模型支撑。
• 04.10 11:04:31
  发表了文章 2026-04-10 11:04:31

  Stop Fixating on Prompts: Reasoning Hijacking and Constraint Tightening for Red-Teaming LLM Agents（论文解读）

  本文提出的JailAgent框架，通过不修改用户提示词的隐式攻击方式，实现了对LLM智能体推理轨迹与记忆检索的高效劫持，兼具高攻击成功率、强泛化性、高隐蔽性与低计算开销，为LLM智能体的红队测试与安全评估提供了全新范式。
• 04.09 10:20:53
  发表了文章 2026-04-09 10:20:53

  EvolveRouter: Co-Evolving Routing and Prompt for Multi-Agent Question Answering

  本文提出了 EvolveRouter，一个通过闭环协同进化联合优化路由与智能体配置的创新框架，有效解决了多智能体问答中智能体质量静态化和协作规模僵化的两大核心问题。实验结果充分验证了其相对于现有 SOTA 方法的优越性。
• 04.08 10:16:11
  发表了文章 2026-04-08 10:16:11

  STREAMING AUTOREGRESSIVE VIDEO GENERATION VIA DIAGONAL DISTILLATION（论文解读）

  本文提出的对角蒸馏框架首次同时建模时序与降噪步维度，解决了自回归视频蒸馏的曝光偏差与运动失真问题，实现了高质量、低延迟、长稳定的实时流式视频生成，为游戏仿真、机器人学习、实时内容创作提供可行方案。
• 04.07 12:03:14
  发表了文章 2026-04-07 12:03:14

  Mirage: The Illusion of Visual Understanding

  本研究证实当前多模态AI的高基准测试成绩，很大程度上是 “幻影效应” 带来的视觉理解假象，模型并非依靠真实视觉感知，而是利用文本线索、数据模式、先验知识完成任务。幻影效应在主流模型中普遍存在，医疗场景下的病理偏向会引发严重安全风险，现有评估范式无法区分真实视觉理解与文本推理。研究提出的B-Clean框架，可有效净化现有基准，实现多模态模型真实视觉能力的公平评估。

2025年12月

• 12.25 13:53:16
  发表了文章 2025-12-25 13:53:16

  小模型驱动大智能：NVIDIA新研究实现2.5倍效率提升，成本直降70%

  NVIDIA联合港大提出ToolOrchestra，用小模型动态编排工具链，通过强化学习优化推理路径，在保证智能水平的同时提升2.5倍效率、降低70%成本，实现“以小控大”的高效AI新范式。