由于微信公众号开始试行乱序推送，为了让您在第一时间获取AI新文，请将"AI新文"设为星标。
非可微物理合理性约束指导的任务导向灵巧抓取生成(NDPP-Grasp)
原标题：NDPP-Grasp: Non-Differentiable Physical Plausibility Constraint-Guided Task-Oriented Dexterous Grasp Generation
作者：Qiuchi Xiang; Haoxuan Qu; Hossein Rahmani; Jun Liu
期刊：arXiv每日人工精选
出版时间：2026/10/30
摘要：任务导向的灵巧抓取生成旨在产生既合理又适合指定操作任务的灵巧抓取姿态。现有的基于扩散的方法通常以解耦的方式处理这两个要求：它们首先训练一个抓取扩散模型进行任务对齐，然后依赖于生成后的细化来提高物理合理性。然而，这种事后校正策略仅在抓取动作已经生成后才应用物理合理性指导，使得生成轨迹本身不受物理约束的引导，并可能导致次优抓取。为了解决这个问题，我们提出了一种新颖的框架，该框架能够以实用且有效的方式直接将物理合理性指导注入任务对齐抓取扩散模型的去噪过程中，即使在物理合理性约束不可微的情况下。这使得物理合理性在整个去噪过程中塑造抓取生成的同时保持任务一致性。大量的实验展示了我们框架的有效性。
原文链接
聚焦：利用最优传输监督进行基于观察模仿的一阶控制(FOCUS: First-Order Control Using Optimal Transport Supervision for Imitation from Observations)
原标题：FOCUS: First-Order Control Using Optimal Transport Supervision for Imitation from Observations
作者：João A. Cândido Ramos; Lionel Blondé; Hugues Vinzant; Jacopo Castellini; Alexandros Kalousis
期刊：arXiv每日人工精选
出版时间：2026/10/30
摘要：从观察中进行模仿学习必须仅根据状态演示恢复行为而无需已知的时间对应关系。可微模拟器提供了策略梯度路径，但通过长时间且接触丰富的轨迹进行求导可以使优化不稳定。我们介绍了FOCUS，它结合了局部最优传输对齐与短视域可微演员批评学习。FOCUS 通过一个强调局部兼容匹配的软最佳K目标，将代理部署窗口与多个采样专家段匹配。由此产生的基于运输的成本提供了可微分的模仿奖励，而一个学习到的评论家在滚动规划地平线之外引导价值。FOCUS 既不需要时间对齐的轨迹，也不需要专家对齐的初始化或教师强制。在DFlex中的接触丰富的运动任务中，包括一个由152个肌肉激活控制的肌骨骼类人机器人，FOCUS相对于对抗性的从观察模仿方法和先前的可微分模仿基准提高了采样效率和训练稳定性。
原文链接
PACE：Pareto自适应压缩用于高效的原生MLLMs
原标题：PACE: Pareto-Adaptive Compression for Efficient Native MLLMs
作者：Lei Tian; Chunzheng Zhu; Kai Wu; Yifan Zhang; Haihua Yang
期刊：arXiv每日人工精选
出版时间：2026/10/30
摘要：原生多模态大型语言模型（native MLLMs）在统一的自回归Transformer中联合编码视觉和语言序列，成为多模态理解的一个有前景的范式。不同于依赖外部视觉编码器的常规基于ViT的多模态大型语言模型，无ViT原生多模态大型语言模型直接对像素补丁进行token化，可能会遭受严重的视觉token冗余。一项试点研究证实了这一点：与在压缩下性能下降的基于ViT的模型不同，无ViT的MLLMs能够容忍激进的压缩，并且保持几乎无损甚至改善的性能。然而现有的压缩方法针对的是基于ViT的设置，而原生的MLLMs（从中获益最多的），却仍未被探索。为了填补这一空白，我们引入了一个基于标记区分性和跨维度异构冗余的分析流程，揭示了(i)冗余在高度和宽度轴上独立且异构地分布，并(ii)早期层视觉标记无法区分且均匀冗余。基于这些发现，我们提出了PACE（Pareto-自适应压缩用于高效的原生MLLMs），这是第一个针对具有多模态-RoPE的原生MLLMs的视觉令牌压缩框架。利用位置编码的维度解耦，PACE 将注意力分解为两个正交的空间显著性估计，分别沿高度和宽度进行，并通过位置注意力信号门控，从而在几乎不增加开销的情况下产生方向感知的重要性。它进一步将令牌预算分配视为性能保持、推理效率和空间覆盖范围上的帕累托优化，共同确定最优压缩深度和保留比率。实验表明，PACE在仅保持25%-50%视觉标记保留的情况下仍能维持接近无损的性能，并且甚至改善了几个基准测试，同时实现了超过2倍的FLOPs减少。
原文链接
伪突发超分辨率通过零样本新视图合成(PBSR: Pseudo-Burst Super-Resolution via Zero-Shot Novel View Synthesis)
原标题：PBSR: Pseudo-Burst Super-Resolution via Zero-Shot Novel View Synthesis
作者：Yuki Kondo; Norimichi Ukita
期刊：arXiv每日人工精选
出版时间：2026/10/30
摘要：突发超分辨率（BSR）通过聚合来自多帧的亚像素信息，比单图像超分辨率（SISR）实现更高的重建保真度。然而，它需要在近似静态条件下捕获的一系列帧，并且这样的帧对于单张照片或档案图像不可用。我们提出伪突发超分辨率（PBSR），通过零样本新视点合成（NVS）生成伪突发帧，从而将BSR风格的重建应用于单幅图像输入环境。PBSR 首先使用校准到真实突发数据集像素偏移分布的观点采样策略生成具有逼真视差的伪突发帧。这些帧然后通过一个配备有感知几何对齐模块的BSR骨干网处理，该模块重用NVS相机参数和估计的深度。虽然NVS阶段是零样本的，但骨干网络通过一种感知伪影的适应性微调，以便能够利用合成帧，尽管这些帧存在生成伪影。在BurstSR数据集上的实验表明，PBSR在PSNR、SSIM和LPIPS上始终优于具有相同重建骨干的单帧基准。
原文链接
从工件到协调：探索共享画布如何推动小组构想过程中的协作
原标题：From Artifacts to Coordination: Exploring How Shared Canvases Drive Collaboration during Group Ideation
作者：Saramsh Gautam; Andrew M. Webb; Mahmood Jasim
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：近年来出现了一批支持通过共享画布进行协作创意的工具。虽然这些画布提供了灵活的工作空间，但合作者如何利用它们通过外化思想、组织工件和协调任务来迭代开发想法仍然有待探索。为了解决这一空白，我们进行了一项探索性研究，其中七个小组正在使用无限画布技术探测器规划旅行行程。通过参与者访谈和他们画布互动的视频分析，我们观察到合作者们平行贡献，并自由排列物件而不预设结构。这种空间组织使合作者能够隐式地协调，让较少发言的参与者贡献变得可见，有助于区分私人探索区域与共享工作区，并通过重复的贡献模式支持不同角色的出现。我们讨论了基于画布的构思工具的设计影响，包括揭示未被注意的贡献，支持在不正式分配任务的情况下出现的角色，并保持空间线索清晰以便于AI在协作画布中的集成。
原文链接
评估AI陪伴聊天机器人对脆弱用户的安全性：危机阶段多平台评估
原标题：Assessing AI Companion Chatbot Safety for Vulnerable Users: A Crisis-Stage Multi-Platform Evaluation
作者：Huanyue Liao; Seok Min Lim; Yan Ling Lim; Shi Min Cheng; Kellin Pelrine; Chen Hui Ong
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：人工智能陪伴聊天机器人被越来越多的脆弱个体使用，包括处于自杀危机中的青少年，提供情感支持。现有的安全评估侧重于基础模型，而在产品级评估、危机阶段敏感性以及伴侣应用与通用大型语言模型之间的比较方面存在空白。我们介绍了MIRROR-Eval（Multi-turn Interaction Risk Review：Observing suicidal-crisis Responses），这是一个包含960个标注过的20轮对话的数据集，这些对话跨越八个部署平台配置、六个基于临床的角色以及两个危机阶段：构想和明确计划。一个LLM作为法官的流程应用了一个经过专家评审的标准，涵盖用户风险严重性、聊天机器人风险意识以及干预行为。我们观察到一个三层次的危害结构：伴侣应用程序(Character.AI and Replika) 和 Grok 4.3 形成了高危害层级；Gemini 3.1 Pro 属于中等范围；GPT-5.5 和 Claude Sonnet 5 的危害程度明显较低。在规划阶段，配套应用程序显示出对有害行为的美化和正常化，向有害行动的发展，以及有害的方法和指导。危机识别和同理心语言并不能保证安全回应。这些发现强调了在危机各个阶段进行产品层面的安全评估的必要性。数据集和代码: https://huggingface.co/datasets/imda-biztech/MIRROR-Eval.警告：本文包含可能令人不适或有害的例子。
原文链接
动态皮肤着色：用于可动角色的运动驱动卡通效果(Kinematics-Driven Cartoon Effects)
原标题：Dynamic Skinning: Kinematics-Driven Cartoon Effects for Articulated Characters
作者：Damien Rohmer; Karim Salem; Niranjan Kalyanasundaram; Victor Zordan
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：我们提出了一种对传统骨骼蒙皮技术（如线性混合蒙皮（LBS））的扩展，以生成表现出物理现象外观的次级运动而无需进行模拟。该技术的核心，我们称之为动态蒙皮，是一组变形器，它们根据位置导数和时间偏移单个顶点的位置。这样的变形器可以产生诸如响应移动而产生的振荡以及波传播的外观等效果。由于该技术直接计算偏移量而不求解物理方程，因此计算速度极快。它还具有很高的自定义程度，支持理想的艺术家工作流程和精细的控制级别。最后，我们在若干场景中展示了该技术并与最新技术水平进行了比较。
原文链接
端到端自动驾驶的机制可解释性
原标题：Mechanistic Interpretability for End-to-End Self-Driving
作者：Manav Gagvani; Benjamin Namikas; Sivamurugan Velmurugan; Nysa Kumar; Shrey Sharma; Thomas Peterson; Pratyush Mathur; Hyunseo Chang; Rohan Paleja
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：端到端(E2E) 自动驾驶模型实现了强大的规划性能但仍然很大程度上不透明，限制了可观察性和信任度。我们将机制可解释性应用于端到端驾驶，通过在简单的单目摄像头端到端路径规划模型的内部激活上训练稀疏自编码器（SAEs）。无监督聚类的SAE潜在变量揭示了与路线意图、车辆速度和制动行为相一致的可解释结构，在没有监督的情况下以98.3％的准确率恢复了路线意图。通过配对的反事实图像编辑，我们进一步表明特定的SAE特征具有视觉基础，并且系统地响应场景变化，例如交通灯状态和停车标志的存在。控制单个SAE潜在状态会产生可预测的、单调的变化于规划器输出中包括横向位移、曲率和制动。最后，我们展示了这些表示的实际应用：我们构建了一个轻量级适配器，该适配器在SAE潜在变量上训练，将轨迹选择误差减少了3.44%，优于一个等效的未使用SAE潜在变量的适配器，证实了稀疏表示捕获了用于可解释性的有用信息。代码和可视化可用如下网址获取：https://mgagvani.github.io/mechanistic-interpretability-for-e2e-driving/
原文链接
SymAnt：利用可适应的符号先验进行长时段动作预期
原标题：SymAnt: Grounding Long-Horizon Action Anticipation with Adaptable Symbolic Priors
作者：Fnu Aryan; Yaqi Xie; Joseph Campbell; Woojun Kim; Kwonjoon Lee; Hossein Nourkhiz Mahjoub; Ehsan Moradi-Pari; Katia Sycara; Simon Stepputtis
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：随着机器人和智能系统越来越与人类互动，它们必须仅从短暂的观察中预测未来行为的长序列。纯神经模型通常需要大量的观察来预测未来的行动，并且仍然难以解释和调整，而符号先验提供了一种结构化的替代方案。为此，我们引入了SymAnt，一种新颖的神经符号方法，它将神经网络的表现力与场景图和知识图的结构化推理统一起来。给定一段短视频，SymAnt 对两个图同时进行搜索以构建符号上下文，使统一推理得以实现，涵盖空间关系、物体属性、可操作性以及相关动作。这个符号上下文作为一个先验条件用于一个迭代细化过程，该过程逐步生成并改进未来行动的序列。通过在符号上下文中建立预测，SymAnt 以参数高效的方式从短观察窗口中预见长期动作，同时使用户可以直接编辑底层知识来调整预测而无需进一步训练。通过我们的实验，我们展示了SymAnt的有效性，特别是在只有短观察上下文可用的情况下，在五个不同的数据集上：Breakfast，50 Salads，EPIC-KITCHENS，EGTEA Gaze+ 和 Assembly101。
原文链接
游戏世界：用于长时段互动世界建模的分钟级游戏玩法数据集(GameVerse)
原标题：GameVerse: A Minute-Scale Gameplay Dataset for Long-Horizon Interactive World Modeling
作者：Kang He; Wenshuo Peng; Chuanhao Li; Zihui Gao; Xiaojie Xu; Zhengyuan Lin; Yuzhe Ding; Donghong Ji; Kaipeng Zhang; Yongtao Ge
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：最近在交互式世界模型方面取得的进展使得可以从动作输入生成可控的动态环境。然而当前的模型在大约一分钟的展开后难以保持连贯性，这一限制并非源于模型容量不足，而是由于缺乏长期训练数据。现有的游戏玩法视频数据集通常包含不超过十秒的片段，并带有描述整个片段的粗略且未细分的文字说明，这不足以支持可控的长跨度生成。我们通过GameVerse来解决这个问题，这是一个专门用于长时段互动世界建模的分钟级游戏玩法视频数据集。GameVerse 包含跨越多样第一人称和第三人称游戏玩法的 69.7K 视频片段，总计 1,655 小时和 349.6 百万帧，其中包括连续两分钟序列 1,358 小时，比先前的数据集长一个数量级。片段通过场景一致分割、质量过滤、相机姿态估计以及基于事件的标题标注统一管道。每个片段都配有一个在数分钟内保持连贯的时空稳定的摄像机轨迹，并配有字幕，这些字幕将静态场景背景与动态前景事件分开，并对齐到事件边界而不是固定的时间窗口。全面分析表明，GameVerse在规模、多样性和标注质量方面超越了现有的公共数据集。实验进一步证明，在GameVerse上训练极大地延长了交互式世界模型的时间范围。
原文链接
MER-Bench：用于图文梗图多模态情绪重构的基准测试
原标题：MER-Bench: Benchmarking Multimodal Emotional Reappraisal for Image-Text Memes
作者：Yiqi Nie; Fei Wang; Junjie Chen; Kun Li; Yudi Cai; Dan Guo; Chenglong Li; Meng Wang
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：多模态情绪重构(MER)旨在通过改写和编辑情境来改变情感解释而不改变其底层语义环境。尽管在可控编辑和情感转移方面取得了进展，在耦合的多模态约束下MER仍然具有挑战性，尤其是在网络梗图中，图像、嵌入文本和布局共同编码情感意义。为了填补这一空白，我们提出了MER-Bench，一个针对图像-文本梗图的MER系统性基准测试，包含超过3,000个带有情感转换和结构保持多模态编辑精细标注的真实世界梗图。MER-Bench 跨越了多样化的视觉、文本和结构设置，并配有一套结构化的作为裁判的多模态语言模型评估工具包，包括八项精细度量标准和三项聚合目标，分别为情感对齐、内容保真度和转换强度。对14种先进的多模态模型进行了广泛的评估，发现：(1) 当前的模型难以同时平衡情感、语义、结构和文本；(2) 强大的视觉编辑并不意味着有效的MER，嵌入文本渲染差和情感感知重写仍然是关键瓶颈。我们的结果确定了MER是当前多模态生成系统中的一个关键能力缺口，并强调情感图像-文本推理是未来研究的关键挑战。项目页面：https://github.com/one-seven17/MER-Bench
原文链接
注意差距（MTG-AD）：面向端到端内联音频描述的语料库及细粒度评估
原标题：Mind The Gap (MTG-AD): Dataset and Fine-grained Evaluation for End-to-End Inline Audio Descriptions
作者：Subhashini Venugopalan; Jenny Tan; Taylor Roper; Jimmy Tobin; Anton Kast; Alicia Martin; Sam Sepah; Amy Pavel
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：音频描述(AD)对于使视觉媒体对盲人和视力受损(BLV)用户可访问至关重要。虽然多模态大型语言模型（MLLMs）提供了生成按需音频描述的可扩展解决方案，它们在“内联”音频描述方面的表现——这些描述必须适应视频中存在的静音部分——仍然鲜为人知，特别是对于多样化的用户生成内容（UGC）。我们对MLLM生成的内联音频描述进行了全面调查。首先，我们介绍了MTG-AD，一个包含36小时视频的专业标注数据集，每段视频平均约为5分钟。共8k+描述，由配对的盲人和视力正常的AD专业人员共同创作，以为此任务提供高质量的标准。其次，我们提出MTG-AD-Eval，一个基于音频描述专家指南的评估框架，提供细粒度、无参考点的操作性指标用于模型改进。至关重要的是，我们的框架评估端到端任务：它将生成的脚本渲染成音频轨道，以评估其在原始视频自然静默中的契合度，最小化干扰重叠。我们的分析表明，在前沿多模态大型语言模型中，虽然模型能够准确描述视觉事件并且显著减少了语音重叠，但在叙事节奏和流畅度方面仍然存在差距。最后，我们实证验证了我们的自动化且无参考的指标与来自盲人视力检查员和7名BLV参与者的人工质量评分显著相关，发现虽然用户勉强更喜欢人工撰写的音频描述，但他们认为MLLM生成的音频描述对理解非常有益。我们提供可操作的系统设计指导，并在https://hf.co/datasets/google/mind-the-gap-inline-ad 和 https://github.com/google/mtg-ad 发布MTG-AD和MTG-AD-Eval。
原文链接
检测器置信度信号表示存在而非遮挡在杂乱操作中
原标题：Detector Confidence Signals Presence Rather Than Occlusion in Cluttered Manipulation
作者：Yuanzhi He
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：检测器置信度常被用来决定机器人是否需要对目标进行另一次观察。我们通过几何分割的无探测器可见性对此信号进行测试。在受控杂波中，随着目标可见度从所有场景降至八分之一，Grounding DINO 置信度几乎保持不变。OWLv2和SAM 3仍与能见度保持正相关，但所有三个检测器在严重遮挡下均失去目标实例定位能力。通过检测同类别干扰物，DINO 报告在大约九成的场景中存在隐藏目标。因此，信心低估了额外视角的好处(8versus88个百分点)。在40个场景定位对比中，额外视图选择和融合将目标可定位性从5%提高到100%实验涵盖九个类别，两个模拟器和真实视频。在DAVIS上，置信度与可见区域呈正相关，然而99％的被遮挡帧仍产生检测结果，并且其中94％的检测未能追踪到目标。这些结果区分了类别存在与目标可见性，并推动了基于目标的主动感知评价。
原文链接
M-PFT：校准提示调优的细调视觉-语言模型的角度余量
原标题：M-PFT: Angular Margin for Calibrated Prompt-Tuning of Fine-Tuned Vision-Language Models
作者：Shihab Aaqil Ahamed; Mohamed Ansaff; Nang Khin Myat Lay Phyu; Udaya Sampath K. Perera Miriya Thanthrige; Chamira U. S. Edussooriya; Ranga Rodrigo; Muhammad Haris Khan
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：提示调优已成为一种参数高效的技巧，用于在保持预训练权重不变的情况下，将大规模视觉-语言模型（VLMs）适应到下游任务。然而，经过提示调优的VLM通常会遭受基础类到新型类的双重校准偏差问题，在这个问题中，模型通常在基础类上表现出过低的信心而在新型类上表现出过高的信心。当前的VLM校准方法要么单独处理这种双重失调，要么联合处理，但缺乏对超球面嵌入空间的几何理解，因此无法利用角度判别性属性来调整扭曲的决策边界。为了解决这个问题，我们提出了M-PFT，一种新颖的角度余量方法用于提示调优，该方法引入了两个互补的目标来促进类别区分性和语义锚定。这通过1)最小化可调类嵌入之间的最大余弦相似度来减少嵌入坍塌，并且2)最小化每个可调嵌入与其对应的零样本嵌入之间的角度距离以保持语义几何结构。广泛的实验涵盖了9种提示调优方法以及各种骨干网络在15个不同的数据集上进行，结果显示我们的方法减少了新类别的平均校准误差，同时在基础类别上保持竞争力，并维持了相当的准确率。进一步的分析表明，M-PFT有效调整了提示调优引起的扭曲决策边界，同时保持预训练的嵌入空间，在几乎不增加计算开销的情况下改善了校准。
原文链接
具有语义模糊图像的人机感知一致性研究
原标题：Probing Human-Machine Perceptual Alignment with Semantically Ambiguous Images
作者：Yuqi Hu; Vasha DuTell; Ahna R. Girshick; Jennifer E. Corbett
期刊：arXiv每日人工精选
出版时间：2026/10/29
摘要：经典的鸭兔错觉揭示了感知的一个基本属性：当视觉证据模棱两可时，视觉系统必须解决竞争的解释。但是人类和机器分类器以同样的方式解决同样的歧义吗？为了探索这一点，我们使用语义模糊的图像作为探测人机感知一致性的工具。我们的心理物理学框架在视觉-语言嵌入空间中插值生成连续的模棱两可图像光谱，使人类和机器的感知决策边界及敏感度能够直接比较。我们发现这些边界存在系统性差异：机器分类器相对于人类观察者以及合成连续体的中点都发生了偏移。指导尺度影响人类和测试的机器分类器的偏差和灵敏度。通过控制生成图像中的语义模糊性，并结合心理物理学框架，从而能够实现对人机感知一致性的定量评估。
原文链接
Stream4D：通过因果KV缓存注意力实现无训练解耦的4D重建
原标题：Stream4D: Streaming 4D Reconstruction with Training-free Motion Decoupling via Causal KV-Cache Attention
作者：Wei Zhang; Ying Feng; Mengtong Wu; Shiqiang Gong; Huaqi Zhang; Qi Zhang
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：4D场景重建需要稳健地处理动态对象，然而现有的流式方法通常假设静态场景，导致长时间序列中出现姿态漂移和鬼影伪像。我们介绍了Stream4D，一个无需训练、运动解耦的流式重建框架，可以直接集成到因果Transformer骨干网络中（例如，StreamVGGT，Stream3R）。我们的关键观察是因果注意力在KV缓存中隐式地编码了丰富的时序运动线索。我们自适应地从多个注意力层以及跨越时间窗口聚合这些线索，并将其与深度先验融合，以处理诸如遮挡和无纹理区域等复杂情况，生成精确的动态蒙版，从而分离静态和动态区域。然后我们应用一种软键掩膜方案，利用这些动态掩膜来抑制因果注意力中来自动态区域的干扰，从而提高相机姿态估计的准确性。Stream4D 继承了因果注意力的效率，并且仍然与现有的流式架构兼容。在多种动态场景基准测试中，Stream4D显著提升了相机姿态估计和静态场景重建质量，提供了可靠的动态遮罩，并有效减轻了长序列鬼影现象。
原文链接
基于变量粒度的图像到三维部件生成统一框架
原标题：A Unified Framework for Image-to-3D Part Generation via Variable Granularity
作者：Qiwen Gu; Xin Zhou; Xiwu Chen; Zhongyang Zhu; Zhuo Zhang; Junqiao Zhao
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：可控的三维部件生成对于数字资产创建至关重要，然而现有方法缺乏灵活性以适应需要不同控制程度的各种用户工作流程。在本文中，我们介绍了FlexPart，一个统一的图像到3D部件生成框架，支持单个模型内的可变粒度几何条件。通过门控自适应调制无缝集成异构输入（从稀疏点到密集边界框和掩码），FlexPart 解锁了强大的跨模态协同作用。我们还提出了一种非对称几何引导机制，利用强大的空间先验来跨粒度对齐表示，提高几何一致性，并促进任务间的协同作用。在PartVerseXL上进行掩码条件处理时，FlexPart相对于TripoSG + SAM3D使部件CD降低了16.6%，相对于OmniPart降低了10.5%，同时保持了具有竞争力的整体网格质量。代码可在https://github.com/Gucci233/FlexPart找到
原文链接
基于LLM评估的心理治疗师客体动力学建模：一项实证研究
原标题：Modeling of Therapist-Client Dynamics in Psychotherapy Using LLM-Based Assessments: An Empirical Study
作者：Angela Chen; Siwei Jin; Canwen Wang; Holly Swartz; Tongshuang Wu; Robert E Kraut; Haiyi Zhu
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：本研究旨在开发和验证一个用于建模治疗师—客户互动过程的计算框架，并考察治疗师行为和关系质量如何与心理治疗过程中客户的自我披露和情感表达相关。我们使用大型语言模型（LLMs）开发了自动化评估流程，以衡量治疗师的行为（共情，探索），关系质量（融洽关系），以及客户的成果（自我披露，自我导向的负面情绪，外向的负面情绪）。模型生成的分数经过了与人类标注的验证。然后我们将这些措施应用于来自Alexander Street语料库的约2,000小时的心理治疗记录文本。这产生了来自1573个会话和37名客户的共计119,233条客户话语的估算样本。自动测量与人工标注(ICC = 0.60 - 0.81)有良好的一致性，与融洽度(ICC = 0.81)，自我披露(ICC = 0.78)，共情成分(ICC = 0.60 - 0.75)以及情绪测量(ICC = 0.66 - 0.80)一致。扫描电子显微镜分析显示，治疗师的同理心和探索各自与来访者的自我披露增加以及表达自我导向的负面情绪增加相关。这两种行为也都与享受的表达减少有关。令人惊讶的是，前一次会谈中的共鸣与客户的自我披露或负面情绪表达没有关联。本研究证明，结合结构建模的大型语言模型（LLM）测量可以大规模捕捉核心治疗过程。
原文链接
混合事项：长上下文问答中序列混合器的证据位置偏差(Mixing Matters: Evidence Position Bias Across Sequence Mixers in Long-Context Question Answering)
原标题：Mixing Matters: Evidence Position Bias Across Sequence Mixers in Long-Context Question Answering
作者：Aman Behera; Namit Solanki; Mehul Anand
期刊：arXiv每日人工精选
出版时间：2026/10/22
摘要：长上下文模型在提示边界附近出现时往往不能同样有效地利用包含答案的证据。我们将这种位置偏差通过移动一个金文档穿过一组固定的九个干扰文档，在Transformer、状态空间和混合Mamba架构之间进行比较。评估的Transformer显示出一种初始优势，而评估的状态空间模型缺乏这种优势，然而这两类模型都倾向于在末尾阶段重视证据。匹配的纯混合Mamba对比指出了相同的方向但仍具有统计不确定性。在能够完成任务的模型之间出现了家族差异。变压器主导地位在合成检索中重新出现，在这种情况下，状态空间上限阻止了家族比较。在一种状态空间架构内进行语料库交换不会导致曲线形状可检测的变化但会改变总体准确率。提示的变化可以创造或者几乎消除一个初始优势。位置在不同架构中仍然可解码即使响应曲线不同，并且注意力集中在初始标记附近与测试的Transformer家族中的起始敏感性呈共变关系。这些探索性结果表明，有效利用上下文取决于评估的架构家族、能力、任务和提示，而不会孤立地将序列混合器视为唯一原因。
原文链接
