跳到正文
只看论文#多模态
10月24日周六
  1. Google Research60

    Google Research 探讨将基础模型应用于结核病筛查前线

    Google Research 介绍了其将医疗人工智能研究转化为结核病筛查实际应用的成果，涵盖从胸部 X 光人工智能算法验证、通过合作伙伴获得医疗器械认证，到开源 MedGemma 和 MedSigLIP 基础模型以支持全球公共卫生体系的过程。

    发布时间：

    推荐理由：原文梳理了医疗人工智能从算法研究到临床落地及开源模型赋能的完整路径，读者可以据此了解如何通过开放基础模型推进全球公共卫生筛查。

10月23日周五
  1. Amazon Science42

    Audible 团队用可控 TTS 与 BookLLM 改进有声书语音合成

    Audible 技术团队利用可控 TTS 与 BookLLM 改进有声书语音合成，通过自动识别角色对话（准确率达 97%）并为其生成自然语言语音描述，解决了传统 TTS 在长文本长时收听中角色区分度不足的问题。该方法在 MUSHRA 测试中使对话区分度提升了 3.7 点，并在英语和 Spanish 的测试中实现了统计学显著的听觉体验改善。

    发布时间：
  2. Hacker News-首页63

    Fable 5.1 如何在图像中隐藏信息？

    研究人员测试了 Claude Fable 5.1 在生成的 SVG 图像中隐藏简短文本信息的能力，发现模型会自发采用建筑高度、物体倾斜度等视觉元素进行编码。在没有预先约定编码方案的情况下，另一个全新实例通过对截图运行 Python 工具进行分析，成功解码了 78% 的消息。文章还简要对比了 GPT-6 Astra 的编码策略与跨模型解码效果。

    发布时间：
10月22日周四
  2. Google DeepMind48

    Google DeepMind 等机构发布 Forest Typology (ForTy) 2020 全球森林类型地图

    Google DeepMind 联合多方机构发布 Forest Typology (ForTy) 2020 全球地图，以 10 米分辨率将全球土地划分为六种森林和土地利用类型，并提供 2017 至 2025 年的年度变化时间序列。该地图基于 AlphaEarth Foundations 嵌入数据与定制遥感架构训练，经验证其森林类型识别准确率达 90%，非森林识别准确率达 95%。

    发布时间：
  5. Google Research54

    Google Research 探讨利用 AI 辅助超声赋能一线孕产妇保健

    Google Research 团队在 JAMA Network Open 发表研究，评估了一种基于盲扫超声的 AI 孕龄评估模型在多中心临床环境与不同硬件下的泛化表现。结果显示，该 AI 模型在经极少微调后，在芝加哥与内罗毕的队列中实现了与专家标准相当的准确率，平均绝对误差为 4.18 天。该研究表明，AI 结合低成本便携设备有望帮助缺乏专业超声医师的地区扩展孕产妇产前筛查覆盖。

    发布时间：
10月21日周三
  1. Rohan Paul60

    Meta 推出了名为 ProPerMem 的基准测试，用于评估具备长时间记忆的主动式 AI 助手在自主决定何时打断及回答上的表现。研究表明，在包含约 618K token 的一年期个人记忆中，现有基准和前沿模型在自主选择时机时表现较差，准确率最高不超过 15%，而内容与时机兼顾并减少冗余触发可将准确率提升至 42.4%。

    发布时间：
  2. Hacker News-首页64

    Claude 设计出针对蝎子神经毒素的蛋白质结合体

    Anthropic 宣布其内部研究模型通过自主设计成功获得了针对蝎子神经毒素的蛋白质结合体，其中 17 个设计在实验中达到了结合标准。研究团队与第三方实验室合作对 211 个设计进行了实验测试，并已将全部设计及相关数据开源，以支持相关领域的后续研究。

    发布时间：
10月20日周二
10月19日周一
10月18日周日
10月17日周六
  1. 量子位59

    优必选发布具身世界模型 Thinker-WM：多模态统一表征，单模型实现六大能力

    优必选推出统一多模态世界模型 Thinker-WM，在 WorldOlympiad、EWMBench 和 WorldArena1.0 三大具身世界模型基准评测中夺得第一。该模型采用 Unified Dynamic Transformer 架构，将 RGB 视频、深度和机器人动作编码至同一个中间表征空间共享动态演化，支持视频动作联合生成、世界预测、策略推理等六大能力。

    发布时间：
10月16日周五
  1. Apple Machine Learning Research64

    Selection-Based Structured Reasoning: 迈向高效的多模态搜索智能体

    Apple Machine Learning Research 推出了 Selection-based Structured Reasoning (SSR) 框架，将多模态智能体的自由格式推理重新定义为预设候选选择。

    发布时间：

    推荐理由：文章提出了一种将多模态智能体推理转化为候选选择的新框架，读者可以通过该方法评估其在降低推理延迟和提升搜索效率方面的潜力。

10月14日周三
  1. Apple Machine Learning Research61

    三模态掩码扩散模型的设计空间

    Apple Machine Learning Research 推出了首个从头预训练的三模态 Masked Diffusion Models（MDM），支持文本、图文和音文数据，并在 3B 模型规模（6.4T tokens）下取得了文本生成、文本生成图像和文本生成音频任务的强劲结果。

    发布时间：

    推荐理由：论文系统分析了三模态掩码扩散模型的设计空间与缩放规律，并提出了新的随机微分方程重参数化方法，为多模态离散扩散模型研究提供了大规模公开参考。

10月13日周二
  1. AIHot63

    Google AMIE 临床诊断研究发表于 The Lancet

    Google 与 BIDMC 合作的 AMIE 患者对话式诊断研究在 The Lancet 发表，这是该系统首次在真实诊所外进行前瞻性测试。研究显示，AMIE 的鉴别诊断与医生最终诊断的吻合率达 90%，且 75% 的病例中生成的病史摘要有助于医生进行访视准备。

    发布时间：
  2. Apple Machine Learning Research47

    大语言模型在机器翻译质量标注中的表现：人类与模型均面临挑战

    研究评估了 LLM 在多维质量指标（MQM）和错误跨度标注（ESA）任务中的表现，通过对比 70 个语言对及 WMT23 和 WMT25 数据集，发现 LLM 与人类标注者的一致性在不同任务中差异巨大，在多数场景下仍不可靠。研究指出人类在细粒度标注和低资源语言上表现受限，而 LLM 则难以处理细微错误、错误语言变体及错误跨度标注。该结果强调了通过人机协作标注流程提升评估可靠性的潜力。

    发布时间：
10月11日周日
  1. 量子位83

    何恺明团队发布多模态视觉原生 Harness 框架 VISTA

    何恺明团队在论文《VISTA: A Visual Harness for Reasoning in an Interactive World》中提出 VISTA 框架，通过保存原始视觉信息并允许模型在推理时按需回看、放大和检查细节，在无需额外训练的情况下显著提升了多模态模型在交互式任务中的表现。

    发布时间：

    推荐理由：该研究提出的视觉原生框架通过保存原始视觉信息并支持按需回看，为多模态智能体在复杂交互任务中提升推理能力提供了可迁移的工程方法。

10月6日周二
  1. Google Research68

    Google 发布用于全球公共卫生的行星级地理空间基础模型 PDFM

    Google Research 推出人口动态基础模型（PDFM），通过自监督学习将搜索趋势、人类移动、建筑密度及环境因素压缩为位置嵌入向量。该模型作为插件可直接集成至现有流行病学工作流中，在疫苗接种预测、慢性病监测、传染病预警及心理健康风险评估等五项公共卫生挑战中表现出显著的预测增益。

    发布时间：

    推荐理由：Google Research 介绍了 PDFM 这一地理空间基础模型，通过将环境、移动和搜索数据转化为位置嵌入，为公共卫生预测提供了可直接集成的插件式方案。

9月29日周二
  1. Microsoft Research56

    Microsoft Research 发布生物学 AI 研究系统 Quine

    Microsoft Research 推出生物学 AI 研究系统 Quine，旨在通过多模态世界模型与连接科学工具、文献及实验室的交互式框架，加速生物学研究中的假设生成与实验验证。该系统已在胰腺癌细胞状态研究中通过预测化合物有效缩短了实验周期，目前通过 Quine Fellows 项目向部分科研人员开放。

    发布时间：
9月25日周五
  1. Google Research76

    Google 发布用于自动化长视频生成的 AI 视频联合导演框架

    Google Research 推出了一套 AI 视频联合导演框架，通过多智能体协同解决长视频生成中的语义漂移与视觉不一致问题。该方案包含四个核心组件：用于全局策略规划的 AI Video Co-Director、利用视觉记忆保持连贯性的 CANVAS、实现长时序动态生成的 A²RD，以及通过闭环反馈优化提示词的 VQQA，旨在实现分钟级长视频的稳定叙事。

    发布时间：

    推荐理由：该研究提出了一套多智能体框架，通过全局优化和视觉记忆机制解决长视频生成中的一致性难题，为提升长叙事视频的连贯性提供了可借鉴的架构思路。

9月22日周二
  1. Amazon Science58

    亚马逊发布抗体设计与表征 AI 研究成果

    亚马逊 Bio Discovery 团队发表三项研究，旨在通过 AI 提升抗体研发效率。研究提出了 MochiBind 序列亲和力预测模型，通过 TrueSkill 算法实现大规模候选者排序；开发了 CA-MAP 上下文感知模型，解决了实验批次效应导致的预测偏差；并利用智能体驱动的从头设计流程，成功针对罕见癌症靶点筛选出实验验证的抗体候选者。

    发布时间：
6月17日周三