检索标题、摘要与正文，把分散的信息连起来。
arXiv：2610.33062v1 发布类型：新 摘要：统一的大型多模态模型（ULMMs）能够通过交错进行的文本-图像生成来执行视觉推理，但生成显式的中间图像会带来显著的计算开销。尽管视觉潜在推理可以解决这一问题，但现有方法大多依赖于无法进行视觉生成的视觉-语言模型（VLMs）。我们提出了一种名为Oddin的新框架，能够在ULMMs中实现潜在的视觉推理。Oddin用紧凑的潜在标记取代中间图像，这些标记完全由理解分支处理，而生成分支则专门用于生成最终输出图像。我们通过离线自蒸馏训练该模型，包含三项优化目标：最终图像生成损失、文本蒸馏损失以及交叉熵损失，用于
arXiv：2610.32045v1 发布类型：新 摘要：面向科学的人工智能代理正越来越多地被用于提出科学假设、开展自主实验以及解读证据。这些代理通过将大型语言模型（LLM）集成到特定领域的代理框架中构建而成，而该框架又能提升LLM的科学能力，并使其能够协调运用各类科学工具。在本研究中，我们探讨了当大型语言模型被整合进面向科学的人工智能代理框架时，模型的安全性是否仍能得到有效保障。我们针对50个有害的化学相关请求，对五种代理框架进行了评估。具体而言，我们考察了在直接提示、两种简单的对抗性提示策略以及一种自适应攻击情境下，模型的安全行为如何发生变化。基于四种近期发布的GPT变体，我们的研究结果表明
arXiv：2610.31747v1 发布类型：新 摘要：现有的3D会说话的虚拟形象方法主要依赖于参数化人脸模型，包括3DMM或FLAME，而这些模型紧凑的运动表示限制了其生成极端表情以及建模头饰等配件的能力。我们提出了一种名为AudioLift的两阶段框架，该框架以生成的多视角视频作为音频驱动虚拟形象生成的中间表示，无需使用参数化人脸模型或针对每个实例进行优化。我们的框架将同步的多视角视频生成阶段与一种抗不一致性高斯重建阶段相结合，从而仅凭一张肖像图像即可恢复出连贯的全头几何结构。大量实验表明，AudioLift能够生成捕捉更多表情变化的3D会说话虚拟形象……
