阅读笔记
Textual Supervision Enhances Geospatial Representations in Vision-Language Models
作者分析了纯视觉架构、视觉 - 语言模型及多模态基础模型中的地理空间表征，发现文本监督能有效增强地理空间信息的学习，语言作为互补模态有助于编码空间上下文。
内容归档
共 98 篇（43 博客 + 55 阅读笔记）
2026 (58)
阅读笔记
Illusions of the Gold Standard: A Large-scale Analysis of Human Evaluation Protocols for Long-form Text Generation
作者对 2023 至 2025 年间 *CL 会议中涉及长文本生成的论文进行了大规模分析，定义了 20 项人类评估可报告标准，旨在揭示当前评估协议中存在的透明度与可复现性问题。
阅读笔记
IEA: Amateur-Friendly Conversational Image Editing Agent via Three Stages of Multitask Alignment
作者提出 IEA，一个对话式图像编辑代理，通过操作参数化工具在显式动作空间中进行编辑。采用三阶段多任务对齐训练流程：专家编辑蒸馏 SFT、基于 GRPO 的强化学习以及大规模合成微调，以实现可解释的编辑轨迹和用户意图总结。
阅读笔记
Robust-U1: Can MLLMs Self-Recover Corrupted Visual Content for Robust Understanding?
作者提出 Robust-U1 框架，赋予多模态大语言模型显式的视觉自我恢复能力。该方法通过监督微调、双奖励强化学习及多模态推理三阶段，实现受损视觉内容的重建以提升鲁棒理解。
阅读笔记
From Player to Master: Enhancing Test-Time Learning of LLM Agents via Reinforcement Learning over Memory
作者提出 MemoPilot，一个插件式记忆副驾驶，通过将记忆更新形式化为多轮决策问题，利用多轮 GRPO 端到端优化记忆更新过程，以提升冻结 LLM 在序列交互中的测试时学习性能。
阅读笔记
Correct Looks Better: Pairwise Comparisons Reveal Accuracy Rankings
作者通过将五个已知基准测试转化为自由形式生成评估，验证了基于成对比较（如 Elo 排名）的模型排序与基于地面真值的准确率排序高度一致。研究发现即使评估者能力较弱，成对比较排名仍能准确反映模型性能，且风格与偏见对整体排名影响有限。
阅读笔记
The Confident Liar: Diagnosing Multi-Agent Debate with Log-Probabilities and LLM-as-Judge
作者研究了多智能体辩论中 token 级 log-probability 分布、LLM-as-judge 评分与最终任务准确率三者之间的关系。论文采用双智能体（构建者与审计者）辩论架构，结合 LLM 法官对推理过程进行细粒度评分。旨在通过内部置信度信号诊断外部评估的推理质量及任务正确性。
阅读笔记
Early-Token Confidence Predicts Reasoning Quality in Multi-Agent LLM Debate
作者利用多智能体辩论框架，探究解码过程中的 token 级对数概率能否预测推理质量。研究发现生成初期的早期 token 置信度是推理质量的最强预测因子，优于全序列统计。
阅读笔记
PADD: Path-Aligned Decompression Distillation for Non-Router Teacher to Guide MoE Student Learning
作者提出路径对齐解压蒸馏（PADD）框架，旨在将无显式路由的稠密教师模型知识蒸馏至混合专家（MoE）学生模型。该方法通过教师神经元聚类初始化专家功能，并结合在线自适应蒸馏与路径细化策略优化，在固定计算预算下实现高效的知识迁移与路由学习。
阅读笔记
ERAlign: Energy-based Representation Alignment of GNNs and LLMs on Text-attributed Graphs
作者提出 ERAlign 框架，基于能量模型（EBM）将 GNN 编码的图结构与 LLM 衍生的文本嵌入投影到共享潜在空间，通过层间对齐和能量差异优化实现分布一致性。
阅读笔记
UniSVQ: 2-bit Unified Scalar-Vector Quantization
作者提出 UniSVQ 框架，通过参数化码字为整数格点的仿射变换，统一标量量化与向量量化。该方法在保持与优化整数内核兼容的同时，保留了向量量化的灵活性，并引入数据驱动的块级微调策略以最小化重建误差。
阅读笔记
LC-QAT: Data-Efficient 2-Bit QAT for LLMs via Linear-Constrained Vector Quantization
作者提出 LC-QAT 框架，通过线性约束向量量化实现 2 比特权重量化感知训练。该方法利用学习到的仿射映射表示量化权重，避免了显式码本查找，实现了完全可微的端到端优化。
阅读笔记
Small Data, Big Noise: Adversarial Training for Robust Parameter-Efficient Fine-Tuning
作者提出 SDBN 框架，将对抗训练引入参数高效微调（PEFT），利用离散不确定性集增强模型在低资源和噪声环境下的鲁棒性与泛化能力。
阅读笔记
How Does Reasoning Flow? Tracing Attention-Induced Information Flow for Targeted RL in LLMs
作者提出 FlowTracer 框架，通过构建注意力诱导的有向无环图来追踪面向答案的推理流。该方法利用聚合注意力权重作为边容量，并通过流量守恒约束提取信息流骨干，从而基于流量吞吐量对 Token 进行信用分配。
阅读笔记
Dynamic Linear Attention
作者提出动态线性注意力（DLA）框架，通过信息感知动态状态合并和容量受限内存建模，解决现有线性注意力方法中固定状态合并策略无法适应动态 token 重要性的问题。该方法根据 token 级别的信息变化自适应确定状态边界，在语义转换处保留高分辨率表示，同时在稳定区域进行压缩。
阅读笔记
Flexible Kernels for Protein Property Prediction
作者提出了一类利用进化替换矩阵和局部线性性的序列核函数，结合高斯过程构建蛋白质属性预测模型。该方法在稀疏数据下表现出高效性，并能通过结构感知替换矩阵整合基础模型的结构信息。
阅读笔记
Building Social World Models with Large Language Models
作者提出社会世界模型（SWM）框架，利用大语言模型（LLM）作为骨干，通过挖掘社会数据中的时间模式并优化证据下界，学习社会信念的状态转换函数，从而预测重大事件后的信念演变。
阅读笔记
Automated Creativity Evaluation of Language Models Across Open-Ended Tasks
作者提出了一种自动化、领域无关的框架，用于量化大模型在开放任务中的创造力。该框架将测量装置与任务分离，使用语义熵衡量发散性创造力，利用检索式多智能体框架评估收敛性创造力。
阅读笔记
When Does Language Matter? Multilingual Instructions Reveal Step-wise Language Sensitivity in Vision-Language-Action Models
作者首次对 VLA 模型进行了系统的多语言评估，发现非英语指令导致成功率显著下降。研究揭示语言影响在任务执行步骤间高度不均匀，提出基于步骤语言敏感性的推理时间干预方法以对齐表示。
阅读笔记
Beyond Fully Random Masking: Attention-Guided Denoising and Optimization for Diffusion Language Models
作者提出 AGDO 框架，利用注意力结构指导扩散语言模型的去噪顺序，并在微调与强化学习中强调注意力关键 token，以对齐训练与推理动态。
阅读笔记
Smarter Saboteurs, Better Fixers: Scaling & Security in Linear Multi-Agent Workflows
作者探究模型规模对线性多智能体工作流安全性的影响，发现存在合规 - 修正对称性。实验表明大模型更易执行恶意指令，但附加轻量级终端修正阶段可恢复系统韧性。
阅读笔记
Does AI Reviewer See the Full Picture? Attacking and Defending Multimodal Peer Review
作者构建了 PaperGuard 基准，旨在系统评估和防御多模态 AI 同行评审中的对抗攻击。核心在于整合文本与图像攻击手段，并提出基于分块嵌入搜索的防御策略。
阅读笔记
MLUBench: A Benchmark for Lifelong Unlearning Evaluation in MLLMs
作者提出了 MLUBench，这是一个包含 127 个实体和 9 个类别的大规模基准，用于评估多模态大模型（MLLM）的终身遗忘能力。同时提出了 LUMoE 方法，利用混合专家机制缓解连续遗忘导致的性能累积退化。
阅读笔记
Zero-source LLM Hallucination Detection with Human-like Criteria Probing
作者提出人类标准探测幻觉检测（HCPD）范式，模拟人类评估者的多面推理。核心是人类标准探测（HCP）机制，LLM 代理自适应分解判断为加权可解释标准集并聚合分数。采用基于奖励的对齐方案利用语义一致性弱监督，推理时使用多采样聚合确保稳健性。
阅读笔记
TWLA: Achieving Ternary Weights and Low-Bit Activations for LLMs via Post-Training Quantization
作者提出 TWLA 后训练量化框架，旨在实现 1.58 比特权重与 4 比特激活的联合压缩。该框架通过欧氏到流形非对称三元量化器、克罗内克正交三模态重塑及层间感知激活混合精度三个模块协同优化，解决权重分布不匹配与激活长尾问题。
阅读笔记
Functional Cache Grafting: Robust and Rapid Code-Policy Synthesis for Embodied Agents
作者提出 FCGraft 框架，通过维护函数级验证代码骨架及其关联的 Transformer KV 缓存库，利用检索与嫁接机制合成新策略。该方法通过缓存缝合消除冗余预填充计算，并通过缓存修补局部适应任务参数，从而减少生成延迟并提升鲁棒性。
阅读笔记
Authority, Truth, and Citation Bias: A Large-Scale Multi-Domain Benchmark for Studying Epistemic Susceptibility in Large Language Models
作者构建了 AuthorityBench 基准，采用 2x2 因子设计独立操纵主张真实性与引用真实性，旨在隔离引用权威信号对大语言模型认识论行为的影响。
阅读笔记
Reasoning for Mobile User Experience with Multimodal LLMs: Task, Benchmark, and Approach
作者提出了 UXBench 基准和 UI-UX 模型，旨在评估和提升多模态大模型在 UI 截图上的用户体验推理能力。UXBench 包含 2000 个 VQA 样本覆盖 8 个任务，UI-UX 基于 Qwen3-VL 并通过强化学习增强推理过程。
阅读笔记
Cross-Modal Masked Compositional Concept Modeling for Enhancing Visio-Linguistic Compositionality
作者提出 MACCO 框架，通过在一个模态中掩码组合概念并利用另一模态的完整上下文进行重建，以捕捉跨模态组合结构。
阅读笔记
PolyFlow: Safe and Efficient Polytope-Constrained Flow Matching with Constraint Embedding and Projection-free Update
作者提出 PolyFlow 框架，将多面体约束直接嵌入流匹配模型与动力学中。通过离散时间流公式化和无投影架构，消除数值积分误差，无需迭代求解器即可严格满足任意多面体约束。
阅读笔记
Multi-Agent Reinforcement Learning from Delayed Marketplace Feedback for Objective-Weight Adaptation in Three-Sided Dispatch
作者提出一种部署在 DoorDash 的强化学习系统，利用延迟市场反馈自适应调整调度目标权重。不同于替换组合分配优化器，商店级策略选择离散乘数以调整配送质量与批量效率之间的权衡。
阅读笔记
A Benchmark and Framework for Evaluating Next Action Predictions in Spreadsheets
作者提出了一套用于评估电子表格中下一步动作预测的基准测试与框架。通过构建包含 12K 动作的编辑历史数据集，并设计在线评估机制，解决了公共语料库缺乏细粒度操作记录及动作空间复杂的问题。
阅读笔记
Minim: Privacy-Aware Minimal View for Agents via Trusted Local Sanitization
作者提出 MINIM 框架，作为可信本地代理在客户端对 UI 状态进行隐私感知最小化。该方法基于情境完整性理论，学习每个 UI 元素的敏感性分数和任务条件必要性分数，驱动三元披露策略以平衡隐私与效用。
阅读笔记
DRIVE: Distributional and Retrieval-Augmented Bidding with Value Evaluation
作者提出 DRIVE 框架，通过分布动作建模、检索增强候选生成和基于价值的评价，解耦动作生成与决策，以优化离线自动出价策略。
阅读笔记
From Prompts to Responses: Dual-Sided Data Leakage and Defense in Split Large Language Models
论文揭示了 Split-LLM 中双向数据泄露风险，提出了 PIDI 攻击方法同时重构输入提示与输出响应，并设计了 ADMI 防御机制结合 Adapter 预热与互信息正则化以保护隐私。
阅读笔记
One Layer's Trash is Another Layer's Treasure: Adaptive Layer-wise Visual Token Selection in LVLMs
作者提出自适应层级视觉 Token 选择（ALVTS）框架，利用轻量级选择器动态识别重要 Token 参与计算，次要 Token 跳过当前层并在后续层重新整合。该方法基于重要性一致性约束的低秩近似，无需模型重新训练即可模拟全注意力机制。
阅读笔记
Riemannian Metric Matching for Scalable Geometric Modeling of Distributions
作者提出黎曼度量匹配框架，利用神经网络学习数据的黎曼几何结构。核心是通过去噪概率框架估计 carré du champ 算子，将其表述为数据随机扰动的条件期望。该方法实现了无需显式核构建的样本级训练和恒定成本的摊销推理。
阅读笔记
ForceForget: Reinforcement Concept Removal for Enhancing Safety in Text-to-Image Models
作者提出 ForceForget 框架，利用强化学习优化概念擦除奖励（CER），在消除不安全内容的同时保持模型对安全语义的解释能力。通过引入 Safe Adapter 模块投影部分文本嵌入，在交叉注意力层实现高效的概念调节，避免过度擦除良性概念。
阅读笔记
Persona-Pruner: Sculpting Lightweight Models for Role-Playing
作者提出 Persona-Pruner 框架，通过角色驱动的数据合成与基于学习的子网络发现，从通用大模型中隔离出角色特定的子网络，实现轻量化部署。
阅读笔记
CSPO: Constraint-Sensitive Policy Optimization for Safe Reinforcement Learning
作者提出约束敏感策略优化（CSPO），这是一种一阶原对偶方法，将局部约束敏感性纳入策略更新。该方法在原始目标中增加基于到安全边界最短有向距离的修正项，利用约束梯度范数自适应调整修正力度。
阅读笔记
The Way to my Heart is through Contrastive Learning: Remote Photoplethysmography from Unlabelled Video
全自监督训练方法，无需昂贵生理真值数据。
阅读笔记
Non-Contrastive Unsupervised Learning of Physiological Signals from Video
突破标签数据限制，首个非对比无监督生理信号回归框架。
阅读笔记
RhythmMamba: Fast, Lightweight, and Accurate Remote Physiological Measurement
基于状态空间模型，兼顾长上下文与线性复杂度。
阅读笔记
SiNC+: Adaptive Camera-Based Vitals with Unsupervised Learning of Periodic Signals
首个非对比无监督学习框架，无需标签数据即可发现脉搏。
阅读笔记
PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement
基于纳维 - 斯托克斯方程的物理驱动模型，提升可解释性。
阅读笔记
VitalLens 2.0: High-Fidelity rPPG for Heart Rate Variability Estimation from Face Video
高精度 rPPG 模型，支持心率变异性 (HRV) 稳健估计。
阅读笔记
KDPhys: An Attention Guided 3D to 2D Knowledge Distillation for Real-time Video-Based Physiological Measurement
3D 到 2D 知识蒸馏，实现实时视频生理测量。
阅读笔记
Non-Contact Physiological Monitoring in Pediatric Intensive Care Units via Adaptive Masking and Self-Supervised Learning
儿科重症监护室非接触监测，自适应掩码自监督预训练。
阅读笔记
HOT: Harmonic-Constrained Optimal Transport for Remote Photoplethysmography Domain Adaptation
谐波约束最优传输，解决跨域外观变化问题。
阅读笔记
BTS-rPPG: Orthogonal Butterfly Temporal Shifting for Remote Photoplethysmography
正交蝴蝶时序移位，扩展时序感受野。
阅读笔记
LQ-rPPG: A Label-Quantized Coarse-to-Fine Learning Framework for Remote Physiological Measurement
提出标签量化框架，解决接触式 PPG 标签噪声问题。
博客
PaddleOCR 上手实录：Conda 独立环境 + GPU 推理一条龙
从零搭建 PaddleOCR 开发环境的完整记录：Conda 隔离、PaddlePaddle GPU 安装、命令行验证到 Python API 集成。
2025 (17)
博客
arXiv 论文速递：对比学习最新进展、研究趋势与前沿方向
本期速递汇总了近期在对比学习、医学图像分割、图神经网络及生成模型领域的重磅论文，深入解析了从跨模态知识迁移到鲁棒性无监督学习的最新研究趋势。
博客
arXiv 论文速递：视觉语言模型与具身智能最新研究趋势 (2025年5月)
本文深入盘点 2025 年 5 月视觉语言模型（VLM）与具身智能（Embodied AI）领域的最新研究成果，涵盖 3D 场景生成、多智能体协作、机器人控制及安全防御等核心方向。
博客
arXiv AI 论文精选：2025 年末扩散模型（Diffusion Models）研究前沿与趋势总结
本文盘点了 2025 年末关于扩散模型的关键研究进展，涵盖了视频超分辨率、3D 生成、机器人控制、物理仿真及模型安全等多个领域，展示了该技术向高效、实用及跨学科方向的演进。
博客
远程光电容积脉搏波（rPPG）研究前沿综述：2025年最新进展
本文盘点了2025年前后在远程光电容积脉搏波（rPPG）领域的数十项关键研究，涵盖多模态融合、轻量化模型、动态场景鲁棒性及临床应用等前沿方向。
博客
解决 TensorFlow I/O 版本不兼容导致的报错
在 Kaggle 环境中运行 TensorFlow I/O 时遇到 undefined symbol 错误？本文将教你如何通过匹配正确的版本号来快速解决这一兼容性问题。
博客
拉普拉斯妖的消亡：量子力学如何粉碎了“全知预测者”的神话？
拉普拉斯妖曾是科学决定论的巅峰象征，但量子力学的崛起彻底打破了这一幻想。本文探讨了海森堡测不准原理、量子随机性与纠缠如何证明“全知预测者”在物理上是不可能的。
2023 (3)
博客
解决 OpenVINO 代码库 Clone 失败问题：RPC failed; curl 56
在使用 Git 从 Gitee 克隆 OpenVINO 代码库时，如果遇到 `curl 56` 网络错误，可以通过调整 Git 配置缓冲区大小来解决。
博客
如何配置 Docker 以免 sudo 权限运行
新安装的 Docker 默认需要 sudo 权限才能执行命令，本文介绍了如何通过将用户加入 docker 用户组来简化操作，并解决了常见的权限报错问题。
博客
如何为 face_recognition 开启 CUDA GPU 加速支持
face_recognition 默认仅支持 CPU 计算，本文介绍了如何通过重新编译支持 CUDA 的 dlib，实现人脸识别的 GPU 加速。
2022 (11)
博客
使用 Docker 部署 GPU 与 Web 相机应用程序
本文介绍了如何利用 Docker 容器化技术部署带有 GPU 加速和外接相机功能的 Python 应用程序，并探讨了如何配置私有镜像仓库及清理磁盘空间。
博客
在 OpenCV 4.5 中使用 CvxText 绘制中文的适配指南
本文介绍了如何通过简单修改 CvxText 代码，使其在 OpenCV 4.5 环境下正常运行，解决头文件引用及数据类型转换等兼容性问题。
博客
NumPy 到 OpenCV Mat 的转换技巧
本文介绍了如何将常见的 NumPy 数组操作（如 Sigmoid 函数、通道切片及条件过滤）迁移到 C++ OpenCV 的 `cv::Mat` 实现中。
博客
使用 PySide6 在 Python 中实现 OpenCV 视频流显示的最简指南
本文介绍如何使用官方 PySide6 库结合 OpenCV，将摄像头视频流实时显示在 Qt 界面中，提供简洁易懂的实现方案。
博客
在 Ubuntu 16.04 局域网环境下搭建 GitLab 服务
本文介绍了如何在没有域名的情况下，在 Ubuntu 16.04 局域网服务器中快速搭建并配置 GitLab，旨在避开复杂冗长的官方文档流程。
2021 (8)
博客
利用 OpenCV 中的 & 运算符优雅地处理 ROI 边界裁剪
本文介绍了如何使用 OpenCV 的 `&` 运算符对 `cv::Rect` 进行求交集操作，从而优雅地实现图像 ROI 裁剪与边界检查，避免繁琐的条件判断。
博客
OpenCV DNN 批量推理：图像分类实战指南
本文介绍了如何使用 OpenCV DNN 模块进行图像分类，重点讲解了单图与批量推理的流程、核心 API 的使用以及 HWC 与 NCHW 格式的区别。
博客
Qt HTTP 服务器示例：客户端 POST 请求与服务端实现
本文介绍如何使用 Qt 实现 HTTP POST 客户端请求，并配合 QtHttpServer 模块快速搭建一个能够接收并处理 JSON 数据的本地服务器。
博客
使用 CMake 管理 C/C++ 项目：从基础到第三方库集成
本文介绍了如何使用 CMake 高效管理 C/C++ 项目，并详细说明了如何集成 OpenCV、Boost、Qt 和 CUDA 等主流第三方库。
博客
编译 QtHttpServer 并封装为 C 接口动态库：解决 QCoreApplication 依赖问题
本文介绍如何编译 QtHttpServer 模块，并探讨在非 Qt 环境下调用 Qt 动态库时，如何正确处理 QCoreApplication 初始化与事件循环。
博客
Windows 10 环境下使用 CMake 和 VS2019 编译带 CUDA 支持的 OpenCV
本文详细介绍了在 Windows 10 环境下，如何使用 CMake 和 Visual Studio 2019 从源码编译带 CUDA 加速支持的 OpenCV 库，并集成 opencv_contrib 模块。
2012 (1)
博客
在 Visual Studio 2010 中配置 FFTW 3.3.2 快速傅里叶变换库
本文详细介绍了如何在 VS2010 开发环境下安装和配置 FFTW 3.3.2 库，包括生成 .lib 文件、解决 lib 命令失效问题以及项目属性设置，并附带完整的测试代码。