跳到正文
AI NEWS JOURNAL
AI, IN PERSPECTIVE

搜索 AI 资讯

检索标题、摘要与正文,把分散的信息连起来。

按发布时间排序

从嘈杂检索到决策证据:面向上下文学习的银级证据演示

arXiv:2610.32128v1 发布类型:新 摘要:当与决策相关的证据深埋于冗长且嘈杂的上下文之中时,RAG 以及检索增强型少样本指令微调(ICL)往往难以应对。检索得到的段落和示例可能包含冗余或干扰性信息。尽管由专家标注的开发示例能够识别出支持每项决策的文本,但这些标注通常仅被用作答案侧的理由,而非用于过滤噪声检索的监督信号。我们提出了一种“银色证据”示例方法,即在 ICL 示例中,用生成的、针对目标条件的证据摘要替代原始检索到的段落。对于每个已标注的开发示例,大型语言模型会在无法访问专家标签或黄金证据的情况下生成“银色证据”;随后,这些“银色证据”将与专家标签配对使用。

事件进展与其他报道

迈向NDE 4.0之路:自主检测的算法、技术与策略综述

arXiv:2610.31704v1 发布类型:新 摘要:无损检测(NDI)是现代质量保证的基石,对于在不造成损伤的情况下确保基础设施和制造部件的安全性与可靠性至关重要。本文对当前无损检测领域的现状进行了全面综述,从四个不同视角展开分析,即计算算法、物理技术、工业应用以及研究目标。我们综合了大量学术文献,展示了从人工、模拟式解读向以数据为中心的数字化范式——即所谓的“无损检测4.0”——的快速演进过程。我们的分析凸显了超声波与视觉检测作为主要物理技术的主导地位,同时揭示出一种显著的转变趋向……

The Path to NDE 4.0: A Review of Algorithms, Techniques, and Strategies for Autonomous Inspection
事件进展与其他报道

科利布里:帕累托前沿上的主权欧洲模型

arXiv:2610.31945v1 发布类型:新 摘要:本报告介绍了 Kolibri,一种英德混合的专家级 Transformer 模型,总参数量为 781 亿,每个 token 的活跃参数量为 34.6 亿,并以 Apache 2.0 许可证公开了模型权重。我们构建 Kolibri 的目标是实现主权化与专业化部署,尤其聚焦于德语以及公共管理、工业和航空航天等受监管领域。为支持这些应用场景,我们全程把控模型研发流程,涵盖数据、架构、训练基础设施、后训练阶段及评估环节。我们在预训练、中期训练和长上下文扩展三个阶段累计使用了 24T tokens 进行训练,其中德语数据在字节层面占比超过 20%。为达成这一比例,我们还对德语数据集进行了补充……

事件进展与其他报道

面向金融犯罪分析的对抗鲁棒多图神经网络

arXiv:2610.31718v1 发布类型:新 摘要:金融交易网络通常以多重图的形式进行建模,其中同一账户对之间的重复交易被表示为不同的边。近期提出的多重图神经网络架构明确利用了这一结构,从而在反洗钱(AML)任务上取得了优异的性能。然而,这些模型对于那些通过操纵交易结构以规避检测的攻击者的鲁棒性仍鲜有研究。我们提出了首个可扩展的框架,用于针对多重图神经网络实施结构化攻击并开展对抗训练,该框架基于节点—边关联矩阵,并适配投影梯度下降法与投影随机化块坐标下降法,以优化此类多重图上的结构扰动。

Towards Adversarially Robust Multigraph Neural Networks for Financial Crime Analysis
事件进展与其他报道

X-配音:在时间和视觉约束下的语音到语音翻译

arXiv:2610.32042v1 发布类型:新 提要:跨语言配音旨在将源语言语音转换为目标语言语音,并使其与原视频保持同步。这一任务的关键在于生成忠实且在源语言时序框架内自然可说的译文,而这并不容易,因为不同语言在音长、节奏和发音方式上存在差异。本文提出了一种名为 X-Dubbing 的方法,将该任务建模为一种同时考虑时间约束的语音转文本翻译与视频感知的文本转语音问题。具体而言,我们的方法由一个能够生成具有时间结构脚本的配音翻译器,以及一个能将其与源视频同步呈现的配音演员组成,二者均以一种与语言无关的时间预算为基础。此外,我们还通过 dubbing 对翻译器进行了进一步优化。

事件进展与其他报道

AudioLift:通过多视角视频生成,实现基于音频的单张图像到全头高斯化身的转换

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……

AudioLift: Audio-Driven Single Image to Full-Head Gaussian Avatar via Multi-view Video Generation
事件进展与其他报道

研究提出新指标RCG评估LLM生成的合成调查受访者覆盖度

该论文于2026年10月24日发布在arXiv(编号2610.30900v1),提出“受访者覆盖差距”(RCG)这一新评估指标,用于衡量大语言模型(LLM)生成的合成调查受访者在完整答题画像空间中对真实人类受访者的覆盖程度。

Silicon Samples Match the Answers but Not the Respondents

推荐理由:现有评估方法仅关注单题答案分布或题间相关性,无法识别LLM生成的受访者是否复现了真实人群中实际存在的答案组合;RCG首次从全量答题剖面出发量化覆盖缺口,并在两项美国社会调查数据上实证发现所有测试LLM均存在显著未覆盖人群,且表现劣于简单边际采样基线和高斯copula模型。

事件进展与其他报道

发布尼泊尔语-英语混合语音识别新基准与合成到真实两阶段适配框架

研究者于2026年10月24日在arXiv发布论文(编号2610.30860v1),提出首个面向自发播客场景的尼泊尔语-英语代码切换ASR基准,含13,044条真实语句(15.45小时),并设计合成到真实的两阶段适配方法:先以0.95小时多说话人TTS合成语音监督微调,再引入带脚本奖励的组相对策略优化(GRPO)。

Synthetic-to-Real Code-Switched ASR: A Spontaneous Nepali-English Podcast Benchmark

推荐理由:该工作直面低资源语言代码切换ASR中脚本混淆与切换点错误率高的核心难题,通过严格审计数据杜绝机器翻译泄露和声学循环,并公开全部验证文本、时间戳、剧集元数据及重建脚本;实验结果具统计显著性(p≤0.001),且在单语基准上验证了泛化稳定性。

事件进展与其他报道

Amazon Polly Generative引擎重大升级:新增14种语音、首次支持印地语与芬兰语生成式语音,零代码迁移

Amazon Polly Generative引擎完成重大升级,显著提升语音自然度、准确性与情感表达能力,支持低延迟流式合成;新增14种生成式语音覆盖9个地区,首次实现印地语(Arjun、Kiara)和芬兰语(Suvi)的生成式语音通用可用;全部升级为无缝替换式更新,无需修改API调用或代码。

事件进展与其他报道