脑部MRI不必凑齐三个方向:MS-HVED用任意可用层堆重建,尼日利亚队列210次配对中187次获专家首选
MS-HVED把轴位、冠状位、矢状位三个方向的低分辨率脑部MRI层堆分别编码成多尺度高斯后验,再用带视野掩膜的乘积融合,同一个模型无需重训即可接受任意非空方向子集。在30例尼日利亚临床脑部MRI组成的盲法阅片研究中,7位神经放射科专家在210次配对评估中有187次把整体图像质量票投给MS-HVED而非监督基线SegResNet;当轴位或冠状位输入被刻意省略时,这一偏好仍然存在。
MS-HVED把轴位、冠状位、矢状位三个方向的低分辨率脑部MRI层堆分别编码成多尺度高斯后验,再用带视野掩膜的乘积融合,同一个模型无需重训即可接受任意非空方向子集。在30例尼日利亚临床脑部MRI组成的盲法阅片研究中,7位神经放射科专家在210次配对评估中有187次把整体图像质量票投给MS-HVED而非监督基线SegResNet;当轴位或冠状位输入被刻意省略时,这一偏好仍然存在。
Calpha把蛋白质折叠接进通用对话模型:Qwen3.5-9B读取序列与ESM2残基特征,在收到折叠请求时输出<structure>标记,用自身残基隐藏状态驱动冻结的SimpleFold-3B结构头生成全原子坐标。在固定折叠请求下,该配置在FoldBench-334、CASP16域和CAMEO风格PDB集上的平均TM-score分别为0.808、0.635和0.900;但在300–600残基链上,三个集合的平均配对差值分别为−0.044、−0.160和−0.025,均低于直接ESM2→SimpleFold-3B基线。
IBM 团队发布 LLMON(LLM Object Notation),一种用保留特殊 token 标记指令、数据与要求边界的标记语言,并推出基于 Granite 4.1 3B 与 8B 基座训练的两个实验预览模型。其思路是把上下文里语义连贯的组件各自变成可寻址的块,再由一个执行块声明运行哪条指令、作用于哪些数据、输出写到哪里。在 OPI 基准上,LLMON 预览模型比测试中最好的前沿模型多挡住 47% 的攻击、比最好的开源模型多挡住 95%,同时通用基准表现与 Granite 4.1 Instruct 相当。
潜反馈Transformer把每个词元顶层状态送入下一个词元的输入,此前只在固定训练词元数下与普通Transformer比较,没有考虑重复数据。研究在60M到778M参数、12.5到400唯一词元/非嵌入参数、1到4轮的网格上,对两种模型在每个规模和数据量下分别调参,发现唯一数据充足时潜反馈用更少算力达到同样损失,固定轮数时用更少唯一数据达到同样损失,两项节省都随每参数唯一数据和重复轮数增长。拟合的缩放律在留出的778M规模上把损失预测到0.3%以内、把两模型差距预测到0.05%以内。
PixVid把预训练的潜空间视频扩散模型改造成逐帧在像素空间生成的模型:保留扩散Transformer,用卷积细节头替换VAE解码器,并从Wan2.1-14B微调。它在VBench上总分85.09(960p)与84.78(480p),高于Wan2.1的84.05和PixelUMM的83.72;在快速运动片段上保留98%的源运动,而同样微调的潜空间模型为83%。
SilentGuard把“这条工具结果能不能用”的判断从模型移到运行工具调用的执行框架:框架用任何正确API都必须满足的不变量检验结果,对违反精确不变量的返回值直接扣留。在7个开源模型上,目标故障下的错误答案从74.0%降到1.7%,无故障任务准确率保持84.9%;3个前沿模型上从70.2%降到0.5%。它靠弃答而非修复来避免错误,对检查看不见的故障类型,错误率只从61.1%降到24.5%。
MS-HVED把轴位、冠状位、矢状位三个方向的低分辨率脑部MRI层堆分别编码成多尺度高斯后验,再用带视野掩膜的乘积融合,同一个模型无需重训即可接受任意非空方向子集。在30例尼日利亚临床脑部MRI组成的盲法阅片研究中,7位神经放射科专家在210次配对评估中有187次把整体图像质量票投给MS-HVED而非监督基线SegResNet;当轴位或冠状位输入被刻意省略时,这一偏好仍然存在。
Calpha把蛋白质折叠接进通用对话模型:Qwen3.5-9B读取序列与ESM2残基特征,在收到折叠请求时输出<structure>标记,用自身残基隐藏状态驱动冻结的SimpleFold-3B结构头生成全原子坐标。在固定折叠请求下,该配置在FoldBench-334、CASP16域和CAMEO风格PDB集上的平均TM-score分别为0.808、0.635和0.900;但在300–600残基链上,三个集合的平均配对差值分别为−0.044、−0.160和−0.025,均低于直接ESM2→SimpleFold-3B基线。
IBM 团队发布 LLMON(LLM Object Notation),一种用保留特殊 token 标记指令、数据与要求边界的标记语言,并推出基于 Granite 4.1 3B 与 8B 基座训练的两个实验预览模型。其思路是把上下文里语义连贯的组件各自变成可寻址的块,再由一个执行块声明运行哪条指令、作用于哪些数据、输出写到哪里。在 OPI 基准上,LLMON 预览模型比测试中最好的前沿模型多挡住 47% 的攻击、比最好的开源模型多挡住 95%,同时通用基准表现与 Granite 4.1 Instruct 相当。
潜反馈Transformer把每个词元顶层状态送入下一个词元的输入,此前只在固定训练词元数下与普通Transformer比较,没有考虑重复数据。研究在60M到778M参数、12.5到400唯一词元/非嵌入参数、1到4轮的网格上,对两种模型在每个规模和数据量下分别调参,发现唯一数据充足时潜反馈用更少算力达到同样损失,固定轮数时用更少唯一数据达到同样损失,两项节省都随每参数唯一数据和重复轮数增长。拟合的缩放律在留出的778M规模上把损失预测到0.3%以内、把两模型差距预测到0.05%以内。
PixVid把预训练的潜空间视频扩散模型改造成逐帧在像素空间生成的模型:保留扩散Transformer,用卷积细节头替换VAE解码器,并从Wan2.1-14B微调。它在VBench上总分85.09(960p)与84.78(480p),高于Wan2.1的84.05和PixelUMM的83.72;在快速运动片段上保留98%的源运动,而同样微调的潜空间模型为83%。
SilentGuard把“这条工具结果能不能用”的判断从模型移到运行工具调用的执行框架:框架用任何正确API都必须满足的不变量检验结果,对违反精确不变量的返回值直接扣留。在7个开源模型上,目标故障下的错误答案从74.0%降到1.7%,无故障任务准确率保持84.9%;3个前沿模型上从70.2%降到0.5%。它靠弃答而非修复来避免错误,对检查看不见的故障类型,错误率只从61.1%降到24.5%。