AI 大模型
跨文本、图像、视频、音频等模态的大模型与学习方法。
孙悟空爆炸：一个统一的科学多模态基础模型
机构 * Shanghai Academy of AI for Science（上海人工智能研究院）
专题命中 多模态生成 ：multimodal(title,abstract)；multimodal foundation model(title)；分类 cs.AI
AI总结 研究针对科学多领域推理需求，引入统一科学多模态模型MKB，围绕共享Transformer主干及定制组件构建，涵盖多科学分支。通过两阶段训练，在多方面实验表现出色，证明该范式可行，为跨领域科学多模态探索提供基础。
用指南引导的多模态语言模型增强可解释的心脏诊断
机构 * Business AI Lab, College of Technology, National Economics University（商业人工智能实验室，技术学院，越南国家经济大学） ； A2I Lab, Phenikaa School of Computing, Phenikaa University（A2I实验室，费尼卡计算机学院，费尼卡大学） ； VNPT AI, VNPT Group（VNPT人工智能，VNPT集团） ； FPT University（FPT大学） ； Department of Pediatrics, Hospital of University Medicine and Pharmacy, Vietnam National University Hanoi（越南河内国家大学医学与药学院儿科学系）
专题命中 多模态生成 ：multimodal(title,abstract)；MLLM(abstract)；分类 cs.AI
AI总结 研究针对深度学习模型在心脏诊断中可解释性有限等问题，提出指南引导的多模态框架，通过卷积神经网络、Grad-CAM及结构化解释指南生成诊断报告，实验证明该方法能提升报告质量，增强临床合理性。
Comments 12 pages, 3 figures, accepted at CITA 2026
M$^3$-Gen：利用临床和影像数据对基因表达谱进行可解释的多模态生成
机构 * DEIB - Dipartimento Elettronica, Informazione e Bioingegneria, Politecnico di Milano（米兰理工大学电子、信息与生物工程系）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 研究旨在解决基因表达数据获取受限问题，提出M$^3$-Gen框架，通过对比学习从临床变量和图像中学习潜在表示，以生成生物学连贯的基因表达谱，在TCGA数据集上验证有效性，且具有内在可解释性。
Comments 15 pages, 6 figures
接触网-受电弓系统中弧光检测的多模态学习
机构 * Chair of Structural Mechanics & Monitoring, ETH Zürich（苏黎世联邦理工学院结构力学与监测教授职位） ； Intelligent Maintenance and Operations Systems Lab, EPFL（洛桑联邦理工学院智能维护与运营系统实验室）
专题命中 多模态生成 ：multimodal(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出多模态学习框架，结合图像与力数据，有效检测接触网-受电弓系统中的弧光事件，提升检测鲁棒性和准确性。
三重态工程多模态晶体管在二维双层半导体横向异质结中的应用
专题命中 多模态生成 ：multimodal(title,abstract)
AI总结 本研究通过二维双层半导体横向异质结实现多模态晶体管，利用内在能级分离调控三重态生成与传输，为光电和量子技术发展提供新路径。
Journal ref Adv. Funct. Mater. 36, no. 26 (2026): e17486
Axolotl3D：用于精确3D形状完成的统一框架
机构 * NVIDIA（英伟达）
专题命中 多模态生成 ：multi-modal(abstract)；cross-modal(abstract)；分类 cs.CV
AI总结 针对3D生成模型在多场景适用性有限及缺乏统一框架的问题，提出Axolotl3D模型，它基于多种模态条件设定，利用点云和相机参数，通过统一训练策略实现精确3D形状完成，实验验证其在多方面性能出色。
Comments Accepted to ECCV 2026
OmniCustom: 通过联合音视频生成模型实现同步音视频定制
机构 * The University of Hong Kong（香港大学） ； Shanda AI Research Tokyo（Shanda AI东京研究所） ； XIntelligence Technology Co., Limited（XIntelligence技术有限公司）
专题命中 多模态生成 ：audio-visual(abstract)；分类 cs.AI、cs.MM、eess.AS
AI总结 提出一种基于DiT的零样本音视频定制框架OmniCustom，通过参考图像和音频同步生成保持身份和音色一致性的视频，支持文本指定语音内容。
Comments code: https://github.com/OmniCustom-project/OmniCustom
GroupVideo：多身份定制文本到视频生成
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Ant Group（蚂蚁集团）
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV
AI总结 研究多身份定制文本到视频生成问题，提出GroupVideo框架，融合多模态身份对齐及相关模块，构建高质量数据集，在生成多角色视频时能保持身份一致且动作自然，优于现有方法。
MagicMakeup：用于高保真妆容转移的区域可控扩散Transformer
机构 * Zhejiang University（浙江大学） ； State Key Lab of CAD&CG（计算机辅助设计与图形学国家重点实验室） ； vivo Mobile Communication Co., Ltd.（维沃移动通信有限公司） ； vivo BlueImage Lab（vivo蓝图像实验室）
专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV
AI总结 研究妆容转移中区域可控性等难题，提出MagicMakeup框架，基于空间约束和概念解缠结，用令牌对齐区域门控和跨模态感知指导实现精确编辑与概念澄清，设计数据生成管道并建立基准，提升了多方面性能和鲁棒性。
超越基于结构的药物设计：多药理学和多靶点药物设计中的几何深度学习
专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI
AI总结 研究针对多因素疾病治疗中传统药物设计的不足，将几何深度学习作为有力方法，综述其架构、应用于三个核心维度的情况，强调新兴算法，评估相关要素作用，阐明药物发现从偶然探索到理性、结构驱动的多药理学分子工程的范式转变。
作为最优控制的随机量子化
专题命中 多模态生成 ：multimodal(abstract)
AI总结 研究将随机量子化表述为有限时间随机最优控制问题，利用可处理参考过程及参考校正终端成本，通过神经网络学习残余控制实现最优随机量子化，在多峰势和二维晶格标量\(\phi^4\)理论中取得成果，将量子化表述为控制。
Comments 7 pages, 4 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈