跳到主要内容
检索

Shanghai Artificial Intelligence Laboratory

7 篇关联报道

订阅更新
  1. arXiv

    振动光谱预测不再逐点算DFT:HARMONY以谐波谱为锚,单分子2.12秒给出实验红外与拉曼谱

    从分子结构直接预测实验振动光谱长期受困于理论计算与实测之间的差距:量子化学算得准但慢,端到端神经网络快却绕开了振动信息。HARMONY把等变神经网络直接预测的力与光谱张量组装成谐波谱,再用HarmoNet结合分子拓扑与测量元数据把它映射为实验红外和拉曼谱。在HarmoSpec测试集上,完整流程对红外和拉曼的平均余弦相似度分别为0.912和0.907,单分子平均耗时2.12秒,约为所评估DFT流程的600倍加速。

  2. arXiv

    智能体自己改模型也改脚手架:RSI-Env让被接受的版本接手下一轮,无基准反馈也能涨分

    RSI-Env把模型训练与脚手架修改放进同一个可持久化的沙箱,由独立的Host Controller负责服务、校验、版本与能力评测,Self模式下被接受的模型–脚手架版本接手下一轮改进。以Qwen3.8-27B配最小脚手架起步,无基准反馈的Open-General Self把GPQA Diamond准确率从65.2%提到73.2%、AIME 2026从53.3%提到56.7%;Knowledge Self让SimpleQA从82.0%升到85.0%再到88.0%,但同一批运行在其他基准上出现回落。

  3. aclanthology.org

    失败的证明不再被丢弃:7B模型把Isabelle证明成功率推到73.8%

    HybridProver把整段证明生成与逐步策略生成接在同一条流水线上:整段模型先给出候选证明,未通过Isabelle检查的候选被抽成保留高层结构的证明骨架,再由策略模型与Sledgehammer逐个子目标补全。在Isabelle版miniF2F的244道测试题上,该流程取得73.8%的成功率,高于此前Isabelle系统的最好成绩61.9%。两个7B规模模型经监督微调与以Isabelle验证为奖励的强化学习训练,说明轻量模型也能生成Isabelle/HOL证明。

  4. arXiv

    机器人动作不再需要专门的动作模块:把工具坐标系画进腕部相机,预训练VLM直接输出可执行动作

    预训练视觉语言模型不必先学机器人动作,把以工具中心点为中心的动作坐标系投影进腕部相机画面并用文本接口输出动作后,27B模型零样本在简单操作任务上平均成功率79.4%,接近用约30条演示微调过的VLA模型。

  5. arXiv

    HIDE 基准与 SEEK 记忆框架:15 项隐藏状态任务上平均成功率 62.9%,比最强基线高 11.7 个百分点

    作者提出 HIDE——一个基于 RLBench、包含 15 项任务(重复计数、历史状态回忆、执行进度跟踪)的部分可观测操作记忆基准,并给出 SEEK 框架,用窗口上下文记忆、持久锚点记忆和阶段计数器记忆三种机制保留历史证据与执行状态;评测显示现有策略在 HIDE 上存在明显局限,SEEK 在仿真中取得 62.9% 平均成功率、超过最强基线 SAM2Act+ 11.7 个百分点,并在真实机器人四项任务上达到 89% 平均成功率。

  6. arXiv

    BiasRecon 用不到 100 个可调参数在跨解剖、跨中心、跨模态 MRI 重建中取得最优 PSNR

    该工作提出 BiasRecon,一个基于“最小干预”原则的偏置校准自适应框架,通过交替优化频率引导的先验校准(在 U-Net 各跳跃连接层用可学习标量 α、β 调制低/高频分量,仅引入 2L 个参数)、基于分数的去噪以及用 Stein 无偏风险估计(SURE)自适应调节正则化参数 γ,在 FastMRI 膝(训练集,973 个体积)上训练后直接迁移到 FastMRI-Brain(跨解剖)、Stanford Knee(跨中心)和 CMRxRecon(组合偏移)三个开放世界测试集,在 8× 高斯一维欠采样下分别比 DDS 提升 +1.19 dB、+2.06 dB、+1.60 dB PSNR,并在 12 项采样/加速设置中 10 项最优。

  7. arXiv

    MedQ-Engine 用 10K 标注把 8B 医学图像质量评估模型提升到超过 GPT-4o 逾 13%,与人类专家差距缩至 4.34%

    该工作提出 MedQ-Engine 闭环数据引擎,通过“评估—探索—进化”三阶段迭代:在开发集上把模型失败案例聚类为失败原型,用原型视觉分量在约百万张、覆盖五种模态的医学图像池中检索候选样本,配合熵引导路由的渐进式人在回路标注与质量保障微调,仅用 10K 标注即让 8B 参数模型在医学图像质量评估上超过 GPT-4o 逾 13%、与人类专家差距缩小到 4.34%,样本效率比随机采样高 4 倍以上。

已读完全部报道