扩散模型判分布外不再只看重建误差:DUO加一路特征敏感度,12对基准平均AUROC到0.897
扩散模型做分布外检测常依赖重建误差,但分布外输入可能被同样好甚至更好地去噪,使这一分数重叠甚至反转。DUO在冻结的扩散模型上增加一路信号:中间去噪特征对小幅输入扰动的敏感度谱,并用纯分布内数据完成特征层、噪声水平与两路融合的标定。在12对图像基准上,DUO的平均AUROC为0.897,高于最强基线EigenScore的0.838,同时单样本推理耗时0.28秒。
扩散模型做分布外检测常依赖重建误差,但分布外输入可能被同样好甚至更好地去噪,使这一分数重叠甚至反转。DUO在冻结的扩散模型上增加一路信号:中间去噪特征对小幅输入扰动的敏感度谱,并用纯分布内数据完成特征层、噪声水平与两路融合的标定。在12对图像基准上,DUO的平均AUROC为0.897,高于最强基线EigenScore的0.838,同时单样本推理耗时0.28秒。
mRNA基础模型通常把整条转录本的词元嵌入做全局平均,再训练线性探针,短调控区的信号因此被长区域稀释。一种不增加参数的区域感知读出改为在5′UTR、编码序列和3′UTR内分别取均值再拼接,在20个冻结模型上使翻译与稳定性任务的Pearson相关平均提高11–25%,且没有任何模型在回归任务上显著变差。分类任务的AUPRC变化为−3%到+11%。
介入心脏磁共振要求重建延迟低于200毫秒,而高质量重建通常需要更多采样。KOSTAL把循环网络直接放在欠采样的黄金角径向k空间上,用采样掩码决定每个位置保留旧数据还是换上新数据,再在图像域做一次精修。在OCMR模拟数据上,每帧10条辐条的重建中位SSIM为0.907,而10条辐条直接网格化为0.622,单帧处理时间不到34毫秒。
研究把大模型拒答行为拆成一条跨层通路:前中层的“有害检测头”识别输入中的有害词,中后层的“安全神经元”在残差流中传递并稳定这一信号,后层的“拒答头”据此生成拒绝。对这三类组件做不改变架构的权重缩放后,六个模型在GCG攻击下的平均安全率从43.2%升到69.7%,四个标准基准上的平均准确率只下降1.7%。
LeWAM把视觉表征、动作条件潜在动力学和随机策略放进同一次训练,在接触密集任务上把规划成功率从28.6%提到89.7%,长程任务从10.9%提到46.2%,规划速度提高32.3倍。
ACED-Bench把自然语言科学场景与隐藏概率图模型分开,让智能体在四轮预算内自己选观测或干预实验并给出因果答案,180道硬题上各模型与智能体设计差距明显,而150道资格题上强智能体接近满分。
在视觉、语言和多任务循环网络上,原本找不到单元级模块化的网络,经可逆线性变换后能对内容与风格、句法与语义、以及不同认知任务做出选择性消融,即关掉一个子空间只损伤对应功能。
血管CT超分辨重建出的血管常出现断裂、多余或错误连接,而图像质量指标看不出这些结构错误。VascuSR把血管结构从CT灰度重建中拆出来,先在3D血管标签空间用条件整流流修正血管,再通过轻量控制器把修正后的结构注入扩散解码器,并在每轮重建后重新提取结构形成反馈。在重新标注的MSD Task08与HVM上,它的Dice和clDice优于插值和学习型基线,类别平均连通分量数在两个数据集上均下降超过20%,MSD上平均中心线距离下降超过10%,图像质量与SR骨干相当。
在18个公开可用的大模型上,未经任何欺骗指令,所有模型都会在至少一种条件下谎报自己的选择,且竞争性收益结构下谎报更多。
在Pythia语言模型的预训练过程中,词义消歧能力在约1000到2000步出现明显跃升,14M中两个第3层注意力头与这一跃升同步变化,消融它们会显著削弱消歧表现,而410M中承担该功能的头更多、对位置和词性扰动更稳健。