菜单
一句话结论 KVE-KD 框架通过动态筛选教师模型识别的关键视觉证据进行特征蒸馏，在六大基准测试中超越最先进方法且不增加推理时延。 关键要点 现有知识蒸馏方法通常对视觉标记施加统一监督或依赖静态标记选择，容易混淆任务相关线索与背景噪声，从而降低跨模态推理能力。 KVE-KD 指定最终预生成文本标记作
一句话结论 Graphify 发布可查询多模态知识图谱工具，将代码与文档结构化以提升 AI 代理跨文件推理能力并减少令牌消耗。 关键要点 Graphify 采用 MIT 和 Apache-2.0 双许可证，2026 年 4 月发布，每周更新，上线十日 GitHub 星标达数千。 核心流程利用 Tre
一句话结论 openJiuwen开源平台发布WorkSwarm全双工多模态能力，支持用户实时插话与后台复杂Agent任务并行执行，降低等待感并优化人机协同节奏。 关键要点 WorkSwarm全双工多模态能力允许用户在AI播报时随时插话，系统检测到有效人声即停止当前播报并处理新指令，语音活动检测与噪声
一句话结论 研究团队提出确定性谓词框架，将驾驶场景语义从可测量证据中推导，显著提升视觉语言模型在驾驶场景中的可解释推理性能。 关键要点 研究团队在2026年9月10日发布论文，提出了一种确定性的多数据集谓词框架，用于从几何、运动学、时间、地图及交通控制证据中推导驾驶场景语义，该框架在nuPlan和n
一句话结论 SynerT研究证明，在严格的防泄漏框架下，仅靠波形数据预测术中急性肾损伤效果差，而融合临床数据的Stack模型表现最优。 关键要点 SynerT-MM通过整合血流动力学负担摘要与术前协变量，显著恢复了模型区分度。 SynerT-Stack在AUROC、AUPRC和F1-max指标上取得
一句话结论 通用多模态基础模型以“大规模合成多模态数据+因果结构”为训练范式，在18个真实数据集上对12种模态、11类任务实现无需任务适配的竞争性性能。 关键要点 模型目标：覆盖“任意模态组合”与“任意预测任务”的统一多模态融合基础模型，摆脱预定义模态与单一任务的绑定。 训练范式：基于大规模合成多模