稳定性，正在成为大模型落地的关键命题。 作者丨郑佳美 编辑丨马晓宁 当 AI 模型从“单次完成任务”走向真实世界部署时，真正的挑战不再只是参数规模和单点性能，而是模型能否在变化中保持稳定。 它要在持续出现的新类别中不遗忘旧知识，要从大规模真实数据中获得更强的泛化能力，要在多客户端、数据分布不断变化的环境下继续学习，也要把图像、视频和 3D 等不同视觉经验组织成统一理解。 这种变化也体现在 C...

作者丨郑佳美 编辑丨马晓宁 当 AI 模型从“单次完成任务”走向真实世界部署时，真正的挑战不再只是参数规模和单点性能，而是模型能否在变化中保持稳定。 它要在持续出现的新类别中不遗忘旧知识，要从大规模真实数据中获得更强的泛化能力，要在多客户端、数据分布不断变化的环境下继续学习，也要把图像、视频和 3D 等不同视觉经验组织成统一理解。 这种变化也体现在 CVPR 2026 的相关研究趋势中。越来...

来源：公众号“我爱计算机视觉 原文链接：https://mp.weixin.qq.com/s/UVeafUYkjy11SS1tYGjyEg 这是一篇入围CVPR 2026 最佳论文评选决赛圈的论文。 在深度学习参数量动辄百万、千万甚至亿万级通胀的今天，如何高效训练模型并抑制过拟合，成了摆在所有研究者面前的一道难题。为了打破这一瓶颈，来自‌印度国家理工学院鲁尔克拉分校（NIT Rourkela...

来源：公众号“机器之心” 原文链接：https://mp.weixin.qq.com/s/yJDuMj9gY6JLQtjng2p_FQ?scene=1&click_id=35 本文第一作者为清华大学博士生韩东辰，主要研究方向包括基础模型架构、持续学习等。通讯作者为黄高副教授。该论文已入选 CVPR 2026 Best Paper Candidates。 序列建模是大语言模型、计算机视...

来源：公众号“计算机视觉Daily”原文链接：https://mp.weixin.qq.com/s/_F7Tuh2NF_sZfGGFwp58IA?scene=1&click_id=39 南京大学硕士生刘尚格为本文第一作者；澳大利亚 University of Wollongong (UOW) Lei Wang 教授、新加坡 Nanyang Technological Universi...

作者丨马晓宁 编辑丨岑 峰 这里有一幢大楼，叫做深度学习。 过去几年，人们不停地给它加盖、扩建，越盖越高，越盖越复杂。这幢大楼叫 Transformer。盖楼时用了一大批标准件，浮点精度是它的钢筋，层归一化和残差连接是它的混凝土，因果掩码是它的承重隔断。旁边还有两栋附楼：一栋是扩散模型；另一栋归一化流。在漫长的施工期里，人们不断加装更粗的钢筋、更复杂的控制系统，以为这样做就能让这几栋楼更稳固...

来源：公众号“机工智能AI科研” 原文链接：https://mp.weixin.qq.com/s/6Nw8B_EDJCjfIikW_lseXA 论文链接：https://arxiv.org/abs/2605.14808 项目开源地址：https://github.com/LukasRoom/SuperADD 作者：Lukas Roming, Felix Lehnerer, Jonas V. ...

一、研究背景3D 高斯泼溅（3DGS）凭借其高质量实时渲染能力，已成为新视角合成领域的主流方法。然而随着各类变体涌现，学术界面临一个困境：这些工作往往混杂了实现层面的工程优化与算法层面的创新，导致难以公平评估哪些改进真正有价值，学术比较缺乏统一基准。与此同时，3DGS 的训练耗时（通常30分钟以上）成为快速迭代实验的瓶颈，显存占用（12GB+）也限制了其在低资源环境下的应用。社区急需一个集成...

你可能遇到过这样一种情况，一个模型原本只做一件事的时候表现很好，但一旦不断往里面加新任务，它反而开始变差了。不是彻底失效，而是变得不稳定，有些能力开始下降，有些结果开始波动。问题不在于模型不会，而在于它原本会的东西，被后来加入的任务“挤掉了一部分”。 这背后其实有一个很少被说清楚的问题。模型的能力并不是一块一块独立放进去的，而是共享同一套内部表示空间。简单理解，就是所有任务都在“用同一块地方...

随着深度学习技术在计算机视觉领域的快速发展，神经网络模型已经在自动驾驶、智能安防、医疗影像分析以及智能终端等关键场景中得到广泛应用。 例如，在自动驾驶系统中，视觉模型需要识别道路标志和行人；在智能安防系统中，人脸识别模型被用于身份验证；在医疗影像分析中，深度学习模型可以辅助医生识别疾病特征。 然而，近年来的研究不断表明，这些高性能模型在安全性方面仍然存在明显隐患。其中，对抗样本问题被认为是深...