UAV-VLN-FOV isolates the see-and-reach stage for precise evaluation of UAV navigation. 3DG-VLN enhances visual grounding and spatial alignment using dynamic 3D direction cues, achieving a 13.82% success rate improvement over baselines and validated in real-world trials.
Визуальные токены поступают в большие языковые модели в виде первичных, неструктурированных сигналов. Их внутреннее преобразование и интеграция зависят от архитектуры — либо как встроенные контекстные запросы, либо как вводимые в промежуточные слои — что приводит к различным путям эволюции визуальных представлений и характеристик частоты. Мы обнаруживаем, что внимание само по себе недостаточно; производительность определяется качеством визуальных представлений на каждом слое в различных схемах интеграции.
IHUBERT — это монолингвальный персийский предобученный язык-модель, обученная на отобранных 45 ГБ из коллекции Sepahr-Danesh. Модель использует векторную семантическую дедупликацию и пайплайн предобучения с балансировкой доменов для улучшения качества корпуса и снижения дублирования, достигая лучших результатов в извлечении ответов на вопросы и хороших результатов в распознавании сущностей и классификации тем, хотя распознавание связей остаётся сложной задачей.
Двухагентная архитектура преобразует протоколы экспериментов на естественном языке в исполняемые команды для платформ роботизированных лабораторий. Она использует агента парсера и движок отображения на основе правил для перевода протоколов, при этом агент проверки с использованием гетерогенной нейросети обеспечивает точность и запускает самокоррекцию. Архитектура успешно позволяет реализовывать автономное выполнение экспериментов на микроплашках, таких как тест Брадфорда.
Частотно-осознанное совпадение потоков (FAFM) обеспечивает непрерывную и временно согласованную генерацию действий робота за счет преобразования дискретных последовательностей действий в частотную область с помощью дискретного косинусного преобразования. Оно регулирует первые временные производные с помощью ограничения типа Соболева для обеспечения плавных действий, повышая вероятность успеха, плавность движений и устойчивость при выполнении синтетических и реальных задач без добавления параметров в сеть.
BIM-Edit представляет бенчмарк для оценки больших языковых моделей на редактировании с помощью естественного языка строительных информационных моделей в формате IFC. В нём содержится 324 задачи редактирования в 11 реальных и 36 синтетических строительных моделях, оценивающих геометрическую точность, семантическую корректность и топологическую согласованность. Наилучшая модель достигает среднего балла только 49,5%, при этом ни одна модель не решает более чем 3,4% задач, что подчёркивает существенный разрыв в способностях LLM для инженерных рабочих процессов.
MedRLs обеспечивает долгосрочное клиническое мышление за счёт рекурсивного анализа данных пациента в тексте, изображениях, сенсорах и руководствах. Оно интегрирует специализированные агенты и граф памяти клинических доказательств для связи наблюдений с доказательствами и критериями редиректа, поддерживая сенсорное триггерное мышление и ревью клинистов с учётом неопределённости.
RS-Neg — первый бенчмарк для оценки понимания отрицания в задачах дистанционного зондирования на уровне регионов и уровне сцены. Он показывает, что продвинутые МЛМ-модели дистанционного зондирования испытывают трудности с отрицанием, проявляя халлюцинации и падение производительности. NeFo, метод тестового обучения, улучшает понимание отрицания, используя только 5% непримечаемых тестовых данных и хорошо обобщается на новые задачи.
HilDA представляет собой самообучающуюся предобучающую рамку для LiDAR-архитектур, использующую иерархическое дистиллирование и диффузионное временной занятости для улучшения семантического и геометрического понимания. Оно достигает лучших результатов на бенчмарках дистиллирования межмодальных данных и превосходит предыдущие методы по 3D-обнаружению объектов, прогнозированию сцены и семантического заполнения.
FlowMaps — это модель скрытого потока, которая предсказывает будущие положения объектов в 3D средах, изучая пространственно-временные паттерны из взаимодействий человека. Оно превосходит самые передовые методы в динамическом навигационном движении объектов более чем на 600 эпизодах как в симулированных, так и в реальных условиях.
SPOT-E представляет метод на этапе тестирования, использующий визуальные фокусы для усиления фиксации доказательств в замороженных моделях визуально-языковых моделей. Метод использует низкоэнтропийные анкоры и цель формирования энтропии для снижения неопределенности ответов, при этом сохраняя высокодоверительные токены, что повышает устойчивость к визуальным искажениям на различных наборах данных и в различных семействах моделей ВЛ.
Lagrange представляет открытый словарный, энергетический разреженный фреймворк для обобщённого целостного управления автомобилем. Он использует модели визуально-языковых моделей для генерации объектных предложений, не зависящих от класса, и кодирует их в непрерывные семантические токены, обеспечивая устойчивое обобщение на аномальные сценарии, при этом соблюдая кинематику автомобиля за счёт минимизации лагранжевой действия.
ELVA вводит фреймворк на основе правил машинного обучения для решения проблемы слепоты к деталям в многомодальном поиске. Используя подтверждаемые вознаграждения и различая отрицательные образцы на основе сходства, ELVA повышает точность ранжирования и достигает роста на 13,1% на MRBench, бенчмарке для сценариев многократного запроса.
Новое исследование объединяет данные 3D МРТ и ПЭТ с помощью продвинутых стратегий слияния, включая GMU и гатед самовнимание, а также спарсно гатед MoE классификатор. Результаты показывают, что GMU достигает точности 80,46% на NC против MCI и 95,47% на NC против AD, при гатед самовнимании достигается 82,08% на MCI против AD. Исследования с устранением компонент подтверждают, что MoE значительно улучшает производительность, подчеркивая важность мультимодального моделирования с адаптацией к входным данным для точной диагностики альцгеймера.
PaAno+ представляет легкую модель, использующую мультискалярное конволюционирование и межпеременную внимательность для улучшения обнаружения аномалий в временных рядах. Она достигает наилучших результатов по точности как на одномерных, так и на многомерных задачах, демонстрируя превосходные показатели по VUS-PR и другим метрикам, при этом обеспечивая эффективное вычисление для реального времени на устройствах с ограниченными ресурсами.
Pose6DAug обеспечивает аугментацию данных для роботов путем обмена объектами в успешных сессиях, при этом сохраняя физически допустимые траектории 6D ориентации. Оно работает в 3D с использованием сетки, закрепленной за временно согласованными ориентациями, обеспечивая согласованность во множестве камер и физическую обоснованность. Тонкая настройка политики VLA на этом аугментированном данных повышает показатели успешного обнаружения новых объектов на 16,5% по сравнению с современными базовыми моделями.
MedRLs обеспечивает долгосрочное клиническое мышление за счёт рекурсивного анализа данных пациента в тексте, изображениях, сенсорах и руководствах. Оно интегрирует специализированные агенты и граф памяти клинических доказательств для связи наблюдений с доказательствами и критериями направления, поддерживая сенсорное триггерное мышление и ревью клиницистов с учётом неопределённости.
MELT и SALT — это мультимодальные модели контрастного обучения, использующие непарные геосpatial данные для улучшения вложений местоположения. Оба достигают результатов, равных двум лучшим базовым моделям с двумя модальностями, на четырех задачах, но добавление дополнительных модальностей не приводит к стабильному улучшению результатов, что указывает на то, что основным ограничением производительности является конструкция кодера местоположения. MELT обеспечивает более стабильную обучение и лучше подходит для будущего масштабирования моделей.
Пайплайн на основе машинного обучения, использующий многомодальные данные магнитно-резонансной томографии плода, позволяет предсказать возраст беременности при рождении с R2, равным 0,13, и средней абсолютной ошибкой в 2,74 недели. Он достигает точности 0,77, чувствительности 0,59 и специфичности 0,82, при этом длина шейки и параметры T2* плаценты являются ключевыми признаками. В данной работе представлено доказательство концепта предсказания преждевременных родов с использованием МРТ и машинного обучения.
Настоящий обзор описывает вычислительные методы с 2022 по 2025 год для выявления множественных видов рака на основе ДНК вне клеток в крови. В нем рассматриваются фрагментометрия и эпигенетический анализ, охватываются статистические, методы машинного обучения и глубокого обучения, с акцентом на биологическую интерпретируемость, проверку и клиническую готовность. Мультимодальные методы на основе ансамблей показывают наибольший потенциал для клинического применения, однако для надежного сравнения и дальнейшего прогресса необходимы стандартизированные протоколы оценки.