SaiVLA-0: Cerebrum--Pons--Cerebellum Tripartite Architecture for Compute-Aware Vision-Language-Action
SaiVLA-0 提出了一种受神经科学启发的“大脑 - 脑桥 - 小脑”三分架构，通过冻结的高层多模态先验、实时意图整合适配器及并行快速控制解码器，实现了计算感知、模块化且高效的视觉 - 语言 - 动作系统，并在 LIBERO 基准测试中显著提升了训练效率与任务成功率。
🤖 Category
cs.AI
11868 篇论文
Foley-Flow: Coordinated Video-to-Audio Generation with Masked Audio-Visual Alignment and Dynamic Conditional Flows
本文提出了 FoleyFlow，一种通过掩码建模训练实现音视频语义与节奏对齐，并利用动态条件流框架基于视频特征生成协调音频的新方法，其在基准测试中显著超越了现有成果。
DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding
本文提出了无需重新训练的推理时方法 DARC，通过将响应选择建模为分布鲁棒且风险敏感的决策过程，利用 KL 鲁棒满意度目标在存在异质偏好分歧的情况下有效降低尾部风险并维持平均质量。
Gradually Excavating External Knowledge for Implicit Complex Question Answering
该论文提出了一种渐进式外部知识挖掘框架，使大语言模型能够通过迭代选择查询外部知识或执行逻辑推理等动作来动态解决开放域隐式复杂问答问题，并在 StrategyQA 数据集上以极少的参数量实现了 78.17% 的准确率，刷新了约 100 亿参数规模模型的最优性能。
An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation
本文提出了一种基于混合 1D-CNN-GRU 模型并结合多种可解释性 AI 技术的智能故障检测与诊断方法，旨在解决汽车软件系统验证中黑盒模型缺乏可解释性的问题，从而提升故障根因分析能力并增强实时安全关键应用中的模型置信度。
Evidence-Driven Reasoning for Industrial Maintenance Using Heterogeneous Data
本文介绍了“条件洞察代理”（Condition Insight Agent），这是一个已部署的决策支持框架，它通过整合异构数据（如文本工单、传感器数据和结构化故障知识）并采用确定性证据构建与规则验证机制，实现了在工业维护中基于证据的可解释推理与受控决策。
Evolution Strategy-Based Calibration for Low-Bit Quantization of Speech Models
该论文针对语音模型量化中因激活值范围大而导致的信息丢失问题，提出了一种基于进化策略的校准方法（ESC），实现了在多个语音任务中全 INT8 无损及全 INT4 近无损的量化性能。
Is continuous CoT better suited for multi-lingual reasoning?
该论文研究表明，在连续潜在空间中进行推理（Continuous Chain-of-Thought）相比传统的显式思维链，在低资源语言的零样本场景下具有更强的鲁棒性和语言不变性，同时能将推理过程压缩 29 至 50 倍，为跨语言推理提供了可扩展的高效解决方案。
Privacy-Preserving End-to-End Full-Duplex Speech Dialogue Models
本文揭示了全双工端到端语音模型（如 SALM-Duplex 和 Moshi）的隐藏状态存在严重的说话人隐私泄露问题，并提出基于 Stream-Voice-Anon 的两种流式匿名化方案，其中特征域替换方案（Anon-W2F）将等错误率提升了 3.5 倍以上，而波形级方案（Anon-W2W）则在保持亚秒级延迟的同时保留了 78-93% 的语义相似度。
TildeOpen LLM: Leveraging Curriculum Learning to Achieve Equitable Language Representation
本文介绍了 TildeOpen LLM，这是一个通过结合数据过采样与课程学习策略，在有限计算资源下实现了 34 种欧洲语言（特别是波罗的海、芬兰 - 乌戈尔及斯拉夫语族）公平且高质量表示的 300 亿参数开源基础模型。
MM-TS: Multi-Modal Temperature and Margin Schedules for Contrastive Learning with Long-Tail Data
该论文提出了多模态温度与间隔调度（MM-TS）方法，通过根据长尾数据分布动态调整对比学习中的温度参数，并将温度调度与最大间隔框架相结合，在多个图像 - 语言和视频 - 语言数据集上实现了新的最先进性能。
Distributional Regression with Tabular Foundation Models: Evaluating Probabilistic Predictions via Proper Scoring Rules
本文指出当前表格基础模型（如 TabPFN）的回归基准过度依赖均方误差等点估计指标，忽略了概率预测的评估，因此主张引入连续 ranked 概率分数（CRPS）等严格评分规则来评估分布回归，并强调需通过微调或提示技术来适配不同的评分规则以优化模型的归纳偏置。
Alignment-Aware and Reliability-Gated Multimodal Fusion for Unmanned Aerial Vehicle Detection Across Heterogeneous Thermal-Visual Sensors
该研究针对异构热成像与可见光传感器在无人机检测中的融合难题，提出了注册感知引导图像融合（RGIF）与可靠性门控模态注意力融合（RGMAF）两种策略，通过在 MMFW-UAV 数据集上的实验验证，显著提升了多模态环境下的检测精度与召回率。
Revisiting Gradient Staleness: Evaluating Distance Metrics for Asynchronous Federated Learning Aggregation
本文通过探索替代欧氏距离的多种度量指标来量化异步联邦学习中的梯度陈旧性，并将其集成到聚合过程中，实验结果表明特定指标能在异构客户端和非独立同分布数据设置下显著提升模型的收敛速度、性能及训练稳定性。
SplitAgent: A Privacy-Preserving Distributed Architecture for Enterprise-Cloud Agent Collaboration
本文提出了 SplitAgent，一种通过上下文感知的动态脱敏、差分隐私和零知识验证等机制，在保障企业敏感数据隐私的同时实现与云端 AI 代理高效协作的新型分布式架构。
Disentangling Reasoning in Large Audio-Language Models for Ambiguous Emotion Prediction
该论文针对现有语音情感识别方法过度简化情感模糊性的问题，提出了一种将模糊情感识别重构为分布推理任务的框架，通过引入对齐人类感知分布的目标和结构化思维链监督，显著提升了大型音频语言模型在 IEMOCAP 和 CREMA-D 数据集上的情感预测能力。
The Struggle Between Continuation and Refusal: A Mechanistic Analysis of the Continuation-Triggered Jailbreak in LLMs
该论文通过注意力头层面的机制可解释性分析，揭示了续写触发型越狱攻击的本质是模型内在续写倾向与安全对齐防御之间的竞争，并阐明了不同架构中安全关键注意力头的功能差异，为理解及提升大语言模型安全性提供了新的理论视角。
Exploring Deep Learning and Ultra-Widefield Imaging for Diabetic Retinopathy and Macular Edema
该研究利用 MICCAI 2024 发布的 UWF4DR 数据集，通过基准测试多种深度学习模型（包括 CNN、ViT 和基础模型）在频域与空域的表现，并结合特征级融合与 Grad-CAM 可解释性分析，验证了超广角成像结合先进深度学习技术在糖尿病视网膜病变及黄斑水肿检测中的卓越性能。
Fibration Policy Optimization
本文提出了“纤维化策略优化”（FiberPO）框架，通过推导聚合策略截断目标（APC-Obj）和构建纤维束门控（FBG）代数结构，首次将信任区域理论与可组合的代数层级相结合，实现了从词元到轨迹乃至多领域层级的统一多尺度稳定性控制。
FinToolBench: Evaluating LLM Agents for Real-World Financial Tool Use
本文介绍了 FinToolBench，这是首个面向真实世界的可执行基准，旨在通过耦合 760 个金融工具与 295 个复杂查询，并引入涵盖时效性、意图类型及监管对齐的多维评估框架，填补现有金融大模型智能体在工具使用评估方面的空白。