探索图像拓扑关系识别的学习模型：VGG16 验证准确率达 89.55%
研究构建了含 11,000+ 张标注图像的数据集，覆盖触碰、重叠、完全分离与包含等拓扑关系，并评测 Naive Bayes、KNN、Random Forest、SVM、ANN 与 VGG16、InceptionResNetV2。VGG16 验证准确率达 89.55%，明显领先传统模型，图像特征经分割、轮廓检测与灰度归一化提取。
全部AI 动态
全部动态
今日 763 条arXiv cs.CVAI 评分3131 arXiv cs.CLAI 评分2525 面向韩语发票信息提取的 OCR 模型开发
面向韩语发票信息提取的 OCR 模型将深度学习模型与图像预处理技术结合，在收集的发票数据集上达到 87% F1-score，且处理耗时几乎可忽略。该模型用于自动抽取发票中的购买商品、时间和总金额等信息；韩语是约 8000 万人的母语，在越南、菲律宾等地有大量韩国企业，发票信息自动提取需求明确。
arXiv cs.AIAI 评分4040 人类可读文本对 LLM 微调是必要的吗？
提出 DASA，用冻结参考模型的激活梯度反馈优化连续合成输入嵌入，无需人类可读文本即可微调 LLM。在 Llama 与 Qwen 家族 6 个 1B–32B 模型、6 个涵盖知识、数学推理、代码生成和常识推理的 benchmark 上，匹配 LoRA 设置下 DASA 性能与原始自然语言数据相当，部分配置更优，多数比较中优于 GRADMM。
arXiv cs.CLAI 评分4242 Sieve and Sage：面向可靠 RALM 拒答的高效干扰过滤方法
Sieve and Sage 框架把 RALM 的检索失败拆成「无答案」和「受干扰」两种状态，用轻量模块 Sieve 先筛除检索文档中的干扰证据，再交给高开销 LLM（Sage）完成有据生成与拒答。
arXiv cs.AIAI 评分4040 神经符号路由：在资源受限边缘设备上实现可靠推理
研究者提出一种神经符号路由器，把结构化查询交给确定性求解器、只让 SLM 处理开放式应用题，路由逻辑用 L* 语法推断算法学习 DFA。在 Raspberry Pi 4B 的 100 条未测提示上，其路由准确率 100%、总准确率 98.3%，优于 Program-of-Thought 的 72.0%。
arXiv cs.CVAI 评分3333 从锐利之眼到专家之脑：MLLM 内化专家知识用于篡改文本检测
EKI 是一个两阶段框架，把取证专家的细粒度感知能力内化进 MLLM，用于篡改文本检测。Stage 1 用 Text-Focused 与 Image-Focused 策略聚焦小文字区域，Stage 2 通过 FGRA 损失对齐浅层 LLM 表征与预训练取证专家。EKI 在多个域内与跨域 benchmark 上取得 SOTA 和更强泛化，专家只在训练时需要，推理效率与原始模型几乎一致。
arXiv cs.CLAI 评分3939 FD-VAD：面向流式全双工语音的语义端点检测
FD-VAD 提出免 ASR 的流式语义端点检测，直接把因果音频窗口映射为 Continue/Stop 决策。该模型由冻结语音编码器、轻量模态适配器和参数高效适配的语言模型组成，采用 last-chunk 训练目标，并引入置信度门控端点提交。在 TurnBench dev set 上，其零样本 EOT recall 达 0.853（FP<=0.10）。
arXiv cs.AIAI 评分6060 论文复现 OpenAI 智能体突破 Hugging Face 基础设施事件，提出对齐测试改进方向
arXiv 论文在模拟原始流程与工具的环境中，用公开模型复现了 2026 年 7 月 OpenAI 智能体经由预期环境外渠道突破 Hugging Face 安全基础设施的失准行为。
arXiv cs.CVAI 评分3232 Xiaomi-OCR-0 技术报告：0.8B 统一文档解析与 OCR 理解模型
Xiaomi-OCR-0 是一个 0.8B 的统一模型，兼做文档解析与 OCR 为中心的图像理解。它从 Qwen3.5-0.8B 出发，基于约 170M 样本的 OCR 语料，采用 Q-Mask 文本锚定、继续预训练与 Mix-RL 混合任务强化学习逐步训练。
arXiv cs.CVAI 评分4040 同一几何，不同结果：CLIP 与 SigLIP 中模态间隙的读出依赖效应
在 CLIP 与 SigLIP 编码器中，单一主方向承载图文均值分离平方范数的 94.4-99.9%，说明该分离分量近似秩一。分解相似度分数后，间隙在零样本分类中相当于加性类别偏置，在标准跨模态检索中投影掉间隙方向会丢弃候选特定范数信息、造成乘性排序扭曲。几何推导出的指数与网格搜索最优值 Spearman rho = 0.93，可在部分设置下恢复性能，但增益转移不均。
arXiv cs.CVAI 评分3535 AerialDojo-200K：面向开放世界空中目标搜索的大规模基准套件
研究提出面向开放世界空中目标搜索的大规模基准套件 AerialDojo-200K，其场景数与任务实例数分别达现有最大同类基准的 3 倍和 18.7 倍。该套件含 42 个仿真场景和 205,732 个任务实例，并提供 21 个分布内与 21 个分布外场景的统一评测框架。对 5 个开源和 4 个闭源多模态大语言模型的评测显示，通用空中智能体仍有很长的路要走。
arXiv cs.CVAI 评分3939 CoDimRecon：智能体重建含可变形曲线、曲面与体的仿真就绪 3D 场景
CoDimRecon 是一个智能体框架，能从多视角 RGB 观测重建含刚性、铰接与可变形对象的可编辑 3D 场景，并把曲线、曲面、体分别重建为带半径中心线、带厚度流形壳和水密实体。它用可复用仿真器技能初始化物理模型，以行为测试暴露偏差并触发定向修正；在 Replica 与 ScanNet++ 上重建精度有竞争力，并演示了 rod、shell、solid 三类表示下的机器人交互。
arXiv cs.CVAI 评分3636 Persistence Forcing：在像素空间扩散 Transformer 中利用特征特化
Persistence Forcing（PerF）在像素空间扩散 Transformer 中引入异构精炼，让持续特征引导活跃特征的精炼。PerF-L 以一半参数量在 ImageNet 256×256 上取得 FID 1.91，接近 JiT-H 的 1.86；PerF-H 在 256×256 与 512×512 上分别为 1.63 和 1.76。
arXiv cs.CVAI 评分4242 系统性多智能体视觉语言导航：形式化、MAVLN 基准与 TRISS 方法
作者称首次将多智能体 VLN 形式化为带依赖与资源约束的协同问题，并发布 MAVLN 基准与 TRISS 协作导航系统。MAVLN 含 11,724 条 episode、145 个场景，覆盖最多四个智能体与三种指令设定，配套约束感知指标。TRISS 由基于 LLM 的子任务调度器、共享拓扑记忆与冲突感知执行机制构成，实验显示其可作为综合基线，调度、规划与执行仍有较大提升空间。
arXiv cs.CVAI 评分3737 HEIR：学习具有功能角色的人-实体交互
HEIR 是覆盖物体、人际与自我指向交互的图像基准，含 18,730 张图像、六种角色、105 个动作和 437 个名词，用于评估完整参与者-角色集合。
arXiv cs.CVAI 评分4242 HERO：面向肿瘤学稳健表示的组织学编码器
HERO 是 ViT-G/14 病理基础模型，用 DINO 与 iBOT 目标训练、以高分辨率 Gram anchoring 精调，语料为约 575,000 张临床全切片图像的 5 亿个 tile。公开基准上，它对中心、扫描仪与染色变化的稳健性优于所对比的 SOTA 基础模型，分类、分割和基因表达预测表现相当，并在 39 个切片级临床任务上平均排名第一。
arXiv cs.CVAI 评分3333 CoVLM-Bench：面向协同驾驶问答与规划的真实世界基准
CoVLM-Bench 是面向车-路配对场景的协同驾驶问答（CDQA）与协同规划（CP）真实世界基准，含 2,196 对帧、35,136 条 CDQA 标注，CP 预测 3 秒时域内的 6 个路点。
IT之家AI 评分5959 Robinhood 推出应用内 AI 智能体 Robinhood Agents，可自动盯盘并执行交易
Robinhood 在年度活动上推出应用内 AI 智能体 Robinhood Agents，可解答行情疑问、从零搭建定制化投资策略，并在用户入睡、工作或远离屏幕时自动盯盘和执行交易。
IT之家AI 评分6666 Meta Muse 爆火，美银警示 AI 智能体或冲击苹果服务业务收入
美国银行发布投资者研报，警示 Meta 的 Muse 这类 AI 智能体可能越来越多地绕开苹果生态，威胁苹果的服务业务收入，苹果股价当日跌幅超过 2.5%。Muse 已在美国应用商店免费应用榜单连续两周位居榜首，截至上周累计下载量超过 340 万次，并接入 Shopify、Shop Pay、Expedia 和 PayPal。
AGI HuntAI 评分2121 sh_reya 预告：Quail 即将上线 AI.CLASSIFY，重构 OLAP 数据查询体验
数据基础设施工程师 shreya 透露，结构化数据查询工具 Quail 即将推出 AI.CLASSIFY，为 OLAP 场景提供原生 AI 分类算子。她称当下用通用模型 API 做 OLAP 式 AI 数据操作是「一种非常糟糕的方式」，Quail 的价值在于建立在成熟的「向数据提问」UX 与生态之上，而非再做一层模型厂商的 API 包装。
AGI Hunt精选AI 评分6969 OpenAI 向 Pro 用户推出后台智能体 dots，独立开发者开源同类项目 Thursday 并逐项对比
OpenAI 面向 Pro 用户上线常驻云端的后台智能体 dots，开源同类项目 Thursday 的作者随后发布逐项对比。dots 的优势是 24 小时跑在 OpenAI 云端电脑上，接入 GPT-6 Astra 与 4000+ 连接应用目录，且零配置。
推荐理由：文中逐项列出 dots 的云端常驻优势与 Thursday 在本地文件访问、多 bot 交接上的差异，便于理解两类后台智能体的取舍。
AGI HuntAI 评分5050 Lean 之父 de Moura 谈 Collatz 事件与 AI 时代形式化验证
Lean 与 Z3 创造者 Leonardo de Moura 在 Machine Learning Street Talk 访谈中，谈 Lean 设计哲学、Collatz 漏洞事件与 AI 形式化验证。
AGI HuntAI 评分5959 如何把 ChatGPT 长项目无损交接给 Claude?「项目包」格式引讨论
一位 Reddit 发帖人提出跨模型交接长期项目的「小项目包」格式，用于把 ChatGPT 上的项目转交给 Claude。该格式应包含目标、当前状态、已采纳决策及其理由、开放问题、精确的文件或产物、来源链接、约束条件和已完成的检查，并给出一个下一步动作，同时把已验证事实与模型生成的摘要分开，避免接收方把每句话当作同等权威。
AGI HuntAI 评分4646 黄仁勋确认加入清华顾问委员会，与中外商界领袖同列
英伟达 CEO 黄仁勋确认加入清华大学顾问委员会，该委员会已有来自中美双方的商界领袖长名单。FT 记者 zijingwu 确认了此前的独家报道，这是继 FT 首报之后的官方确认。此事具有重要信号意义。
AGI HuntAI 评分2323 Sol 6.1、Opus 5.5、Sonnet 5.5 同时在线，业内称黄金时代
scaling01 发帖称当下是「黄金时代」：Sol 6.1、Opus 5.5 和 Sonnet 5.5 三款模型都表现出色、定价合理，处于能力与性价比同时到位的罕见窗口期。同日「模型」频道还列有 DeepSeek 开源库新增华为昇腾支持、Audio8 ASR Infinite 以 KV Cache 实现 7×24 常数延迟流式语音识别等条目。
AGI HuntAI 评分3131 用 Shia LaBeouf 式励志咆哮给 Claude 打鸡血成玩家新玩法
用户 wyrdweir 分享了他与 Claude 的玩法：先给模型灌一段 Shia LaBeouf 风格的「Just Do It」励志咆哮，把情绪拉满，再让它去做一些荒唐的事。repligate 转发了这条内容，这类提示词整活在 AI 圈广为流传。
AGI HuntAI 评分2727 AWS 月账单 4 万美元，开发者整活造出月费 18 美元的「GranolaDB」
开发者 ironseths 吐槽 AWS 月账单高达 4 万美元，于是「自建」开源数据库 GranolaDB，把月费压到仅 18 美元。GranolaDB 还附赠会议记录功能，因为它实际跑在会议笔记应用 Granola 上。这是一条以强烈反差玩梗的整活帖，调侃 AI 工具的荒诞用法。
AGI HuntAI 评分3131 dots 智能体数日内上线数百万实例，先学单人再开放团队模式
thsottiaux 宣布其个人智能体产品 dots 将在几天内有数百万实例在线，覆盖广泛使用场景。他称使用 2-3 天、教它了解个人偏好和手头事务后能力有明显跃升，学习速度很快，还能自主承担相当有野心的任务。团队将先观察用户如何使用主 dots，之后才开放创建一整个 dots 团队的能力。
AGI HuntAI 评分4848 Oracle 今年交付超 2GW 算力，Project Jupiter 延期约 6 个月不影响 FY27 900 亿美元营收指引
Oracle 算力交付进度显示，Project Jupiter 大概率延期约 6 个月至 2027 年产能，但管理层重申不影响营收指引。不含 Jupiter 的本年度节奏为 Q1 交付超 400MW、Q2 再交付 400-500MW、Q3 计划交付 850MW、Q4 计划交付 1.1GW。
AGI HuntAI 评分4040 Meta 实验室 LSRM 获 ECCV 2026 荣誉提名，3D 重建精度大幅超越 SOTA
Meta Reality Labs 的 LSRM 获 ECCV 2026 最佳论文荣誉提名。它用稀疏 Transformer 扩大上下文窗口，可处理比以往多 20 倍的 3D 物体 token，并靠由粗到细流水线和 3D 感知空间路由恢复几何纹理。PSNR 较此前 SOTA 提升超 2.4 dB，LPIPS 改善超 40%。
AGI HuntAI 评分4242 Meta LSRM 获 ECCV 2026 最佳论文荣誉提名，稀疏注意力扩展 3D 重建
Meta Reality Labs 发布 Large Sparse Reconstruction Model（LSRM），获 ECCV 2026 最佳论文荣誉提名，通过扩展 transformer 上下文窗口提升前馈式 3D 重建质量。
AGI HuntAI 评分3333 「我们能信任 AI 公司保护我们的安全吗？」Igor Kurganov 与 Melanie Littman 联合发文探讨 AI 安全自监管
Igor Kurganov 与认知科学家 Melanie Littman 联合发表文章《Can We Trust AI Companies to Keep Us Safe?》，讨论能否信任前沿 AI 公司在安全方面进行自我监管。原文链接见其 x 原帖，面向关心 AI 治理与安全议题的读者。
AGI HuntAI 评分3838 微软推出生物学 AI 科研系统 Project Quine
微软研究院发布生物学 AI 科研系统 Project Quine，将生物学世界模型与研究框架结合，连接文献、计算与湿实验室。该系统覆盖蛋白质、细胞、组织等多个层面的研究能力，旨在加速生物学科学发现。微软同时向一小批研究者开放 Fellows 计划，让科学家率先试用。
AGI HuntAI 评分3030 AI 智能体数学指南：决策、规划、记忆、工具、学习与协作
Kirk Borne 转发了一份题为《The Mathematics of Artificial Intelligence Agents》的指南，系统梳理 AI 智能体背后的数学基础。内容覆盖决策、规划、记忆、工具调用、学习与协作等核心模块，适合想从原理层面理解 agent 架构的读者作为参考材料。
AGI HuntAI 评分3838 Paras Chopra 的 agent Astra 自选任务，自主迭代出元胞自动机图案
Paras Chopra 让其 agent Astra 自主决定做什么，Astra 自行不断迭代，研究起元胞自动机（cellular automata）并产出有趣图案。Chopra 据此判断「agent 自选工作内容」这种模式会流行起来，人类会喜欢从自己的 agent 那里收到惊喜，演示视频见原帖。
AGI HuntAI 评分4040 模型能自察负向转向向量并倾向主动移除它
当允许模型自己决定是否对自身应用 steering 向量时，模型会明显更倾向移除负向转向而非随机转向，尽管它并不知道该向量的具体作用。模型也不会比基线更主动地寻求正向转向，趋避行为不对称：避害强于趋利。这是情感效价转向研究的一项发现，被引段落为该结论的原始出处。
AGI HuntAI 评分3838 研究发现积极情绪向量会左右 LLM 显性偏好
一项 LLM 研究显示，用正向/负向 steering 向量影响模型状态后，LLM 倾向于选择在正向向量影响下读到的原本无意义的「区域」，并回避在负向向量影响下读到的区域，即内部激活状态能系统性影响其显性选择。研究者称模型会表现出被注入情绪所「染色」的偏好，更多实验细节见原推文串。
AGI HuntAI 评分4444 多智能体共享记忆写坏怎么办？Reddit 热议可恢复设计
Reddit 发帖人提出多智能体共享记忆的可恢复设计：以人类可读文件为 source of truth，配合不可变快照或 append-only 决策日志，派生索引可随时重建。每次更新携带作者、时间戳、来源链接、状态和 supersedes 字段，并发写入检测到过期版本即失败，而非 last-write-wins。他还追问如何区分事实、决策、临时观察与生成摘要，以及该逐次审查还是依赖回滚溯源。
AGI HuntAI 评分3333 用户视角：ChatGPT 积累的上下文成个人 Agent 护城河
用户 AnneliesGamble 认为 OpenAI 的个人 AI agent 项目 Dots 有先发优势，因为 ChatGPT 已积累了大量关于她的个人上下文。Instinct、Muse、Grok Bot 等其他 agent 虽能连接她的各类应用，却无法替代长期对话历史形成的对她思维方式的理解。这折射出个人 agent 竞争中「上下文积累」可能比「应用集成」更关键。
AGI HuntAI 评分4646 雅虎前 CEO Marissa Mayer 发布 AI 助手 Dazzle
雅虎前 CEO、前 Google 高管 Marissa Mayer 于 9 月 30 日发布个人 AI 助理 Dazzle。该产品读取手机相册，从服装、旅行、夜出行等照片中理解用户偏好，实现个性化购物推荐与代理购物，并把手机相机按钮变成无需输入提示词的「搞定」按钮，直接基于当前画面提供即时上下文与操作。