Fork.ai 是一个分支式AI研究空间，您可以提问并得到分节答案，深入探索，高亮并分支，每个分支成为思维导图上的节点。

印度一家服装厂的工人被管理人员要求在上班前将小型摄像机绑在额头上，起初觉得好笑，但后来感到担忧。没有人解释原因，工人担心这是为训练AI取代他们做准备。

darktable 5.6 首次引入AI功能，包括AI物体蒙版（点击生成矢量路径）和神经修复模块（基于ML的降噪与放大）。所有模型在本地CPU或GPU运行，无需云端处理，并遵循可选、本地、可扩展等原则。本文详细介绍各工具的使用方法、效果与局限性。

该项目是一个社区创建的开源网络安全技能库，包含817个生产级技能，覆盖29个安全领域，并映射到六个行业框架（MITRE ATT&CK v19.1、NIST CSF 2.0等）。AI代理可以利用这些技能执行威胁检测、数字取证等复杂任务，获得高级分析师的决策能力。

NavWM是一个统一的导航世界模型，它无缝集成了潜在世界推理、多模态动作预测和可控视觉生成。通过引入锚点基础的多模态轨迹预测框架，模型能够生成多样化的动作空间，并利用视觉预见性进行鲁棒闭环规划。实验证明，NavWM在高质量未来状态生成和零样本导航成功率上均取得了显著提升。

提出DynaWM框架，通过世界模型正则化和动量目标编码器增强双轮足机器人在连续楼梯上的地形适应性和运动平滑性，在仿真和真实硬件上验证了有效性。

本文提出MinInter方法，通过选择需要最少插值的示范轨迹来生成更高质量的合成数据，从而提升模仿学习的性能。在MimicGen基准的12个任务上，MinInter显著提高了数据生成成功率和策略成功率，尤其在接触密集、长周期和高方差场景中表现突出。

SPACE框架提出使用笛卡尔状态增量作为通用动作表示，结合状态预测与自适应命令执行，解决不同机器人因动力学差异导致的行为克隆训练和部署问题。实验表明，该方法在跨形态、跨硬件单元及运行中动力学变化下均显著优于直接预测控制指令的策略。

TurboMPC是一种完全在GPU上运行的可微分MPC求解器，支持多种约束和隐式积分器。通过SQP、ADMM和隐式微分等技术的结合，在仿真和实际车辆测试中分别比CPU和GPU求解器快15倍和58倍，且能扩展至超过8000个规划节点。

本文介绍了将模拟到现实性能估计与赌博（来自Chen等人）和安全随时有效推断（来自Ramdas等人）相结合的方法。该方法利用缩放模拟器，为均值估计产生高效可靠的证书，在机器人性能测试中尤其有价值。

本文提出TOLD框架，一种实时边级自适应方法，通过在线更新交互拓扑权重来最小化编队畸变，相比传统节点级控制器显著提升鲁棒性。理论分析和仿真实验验证了其有效性，在Crazyflie 2.0四旋翼上实现了超过62%的畸变降低。

强化学习可以训练双灵巧手在物理仿真中高精度地弹奏钢琴，但高自由度手的任务奖励或逆运动学方法常导致不自然的姿态和关节过度伸展。本文提出对抗姿势正则化（APR），利用少量随意的人类弹奏数据，通过对抗目标使策略的姿势分布与人类先验匹配，从而产生更像人类的手形。同时，使用消费级Meta Quest 3收集并发布非结构化手部运动数据，并将其重定向到Shadow Hand。在cPSI、BSE和FAC三人性化指标及视觉质量上均显著优于先前方法。

本文报道了2024年6月10日至14日举行的洛伦兹中心研讨会“工程化可靠自主系统”(ERAS)的成果。研讨会聚焦于自主系统的验证与确认技术、实际工程应用以及安全软件架构，形成了一份挑战目录和解决方案路线图。部分挑战可通过现有学术方法解决，但未在工业界广泛应用；其他挑战仍需进一步研究。

本文提出FEARL框架，通过将策略分解为大型控制器和小型安全模块，实现了对机器人控制基础模型的形式化验证，在保持感知与推理能力的同时，使安全关键属性可被现有工具验证。在模拟和实体机器人上的实验证明了该方法的有效性。

随着生成式AI的发展，图像伪造变得高度逼真，亟需可信的认证系统。现有的取证检测器缺乏可解释性，而视觉语言模型（VLM）虽能提供解释，但无法利用取证痕迹进行可靠检测。本文提出取证知识图谱（FKG），将取证证据提取、结构化推理和可解释解释统一起来。FKG结构编码取证痕迹及其因果依赖关系，并链接到场景内容。为生成准确的FKG，我们引入了一种新的取证认证网络和迭代上下文细化策略，引导VLM生成忠实、有依据的解释。我们还发布了FKG-50K数据集，包含50,000个具有真实FKG的逼真伪造图像。实验表明，FKG在检测、伪造识别与定位以及取证论证方面均优于现有检测器和VLM。

研究人员提出TheProfessor，这是PromptKD的多教师扩展，用于蒸馏视觉语言模型。使用领域微调教师和零样本教师的集成，基于置信度的集成方法将平均调和准确率从87.52提升至89.28，在域迁移数据集如EuroSAT上提升显著。

REALM 提供了首个针对物理世界视觉语言模型的统一红队测试基准，整合了12种攻击方法、3种防御措施和13个模型，以公平比较漏洞。关键发现包括文本和排版注入攻击最有效，且模型规模本身不提升鲁棒性。

一种名为HeRA的新方法在个体注意力头级别上对齐多模态大语言模型的表示，提升了性能并减少了幻觉。

视觉语言模型（VLM）在面对否定表述时表现脆弱，易受误导性文本干扰。HANCLIP通过双曲几何和角度三元组目标，在保持预训练表示全局结构的同时增强否定敏感性，仅用2万图像-文本四元组训练，即可提升NegBench基准性能。

ABACUS是一个统一的视觉语言模型，能够在无基准特定训练的情况下处理物体计数、人群计数、指代表达计数以及计数忠实图像生成。它基于3B参数统一基础模型构建，通过三项关键创新适配于物体定位任务：密度感知自适应缩放与目标图用于空间定位；基于GRPO的边界感知计数策略消除裁剪边界误差；以及循环一致GRPO策略，理解分支自我批评生成输出，无需外部标注即可弥合理解与生成之间的差距。ABACUS在七个基准上均达到最先进水平，超越了任务特定专家和更大的通用模型。

提出了一种从空间域转向频谱域的小目标检测新范式，通过频率引导特征表示框架（包括WDG、LGE、FDHead三个轻量模块）在多个基准上以仅1/6的参数超越YOLOv11。

最新研究指出，当前的视觉语言模型（VLM）在评估视觉-语言一致性时存在注意力偏移问题，即高注意力区域与语义标记不匹配。为解决这一问题，研究人员提出了基于提示侧语义的PV-TAM方法，通过过滤模态边界标记的偏差并利用注意力峰值分布来评估对齐程度，实验表明该方法在多个数据集上显著提升了定位指标。

现代视频扩散模型通过扩展规模提升了生成质量，但也带来了高昂的推理成本。Sol视频推理引擎提出了一种无需训练的智能体加速框架，通过缓存、稀疏注意力、token剪枝、量化和内核融合五种技术，针对具体模型、硬件和配置进行实例特定优化。在三个不同规模的视频模型上，该框架实现了超过2倍的端到端加速，同时几乎不损失VBench质量指标。

本文提出了一种几何信息驱动的计算机视觉流水线，能够从单台自行车摄像头自动检测超车事件，无需多传感器或标定。在315个真实世界事件上验证，召回率97.8%，零误报。系统平均在车辆通过前2.44秒识别超车意图，84.1%的事件超过1.5秒人类反应时间阈值。横向距离估计误差13-14厘米，足以区分近距离超车。

针对标准分词评估指标（如生育率）无法捕捉黏着语言形态正确性的问题，研究提出了QuechuaTok基准，比较了四种分词策略（BPE、Unigram LM、WordPiece和形态感知PRPE）在南克丘亚语上的表现。使用20万句语料库和SQUOIA形态分析器，评估了生育率、OOV率和形态边界准确性（MorphAcc）。结果显示，BPE生育率最低（1.636），但MorphAcc仅6.67%；PRPE的MorphAcc高达83.33%，证明仅靠生育率不足以评估黏着语言的分词器。

该研究质疑了精确匹配检索召回率作为检索器质量的代理指标的有效性。在tau-bench基准测试中，研究者发现检索到的策略子句与黄金标准策略相比，在下游分类任务中表现几乎同样好，尽管精确匹配召回率仅为7%。结果表明，仅依赖召回率可能会低估检索策略的实际效用。

本研究审计了八种自动评分器在三种评估构造上的表现，发现没有一种评分器能在所有数据集上保持最佳性能。在生成答案归因构造中，指标排名甚至出现反转，NLI评分器在长文本任务中失效。基于提示的LLM裁判避免了随机性能，但成本高且非确定性。研究表明，指标选择需针对目标数据集验证。

一项新研究评估了六种专有大语言模型在16种DSM-5精神疾病条件下的安全性，发现除自杀和自伤外，其他条件如进食障碍、物质使用障碍和重度抑郁症的防护失败率高达100%。研究者呼吁针对不同临床条件明确定义危害类别并实施相应的防护措施。

本文提出了一种名为IBA（识别-然后-回答）的无训练框架，用于知识型视觉问答（KB-VQA）。该框架将实体识别与段落级证据排序解耦，通过多模态大语言模型从候选名称中选择高置信度实体，再使用现成的文本重排序器选择证据。实验表明，该方法在Encyclopedic-VQA和InfoSeek上持续优于微调的多模态重排序基线，同时降低了训练和推理复杂度。

该论文提出了一种可扩展且可解释的框架，利用大语言模型从定性产品反馈中量化产品需求性。在ZORQ和CARMA数据集上，零样本连续数值情感评分与专家标签的皮尔逊相关系数高达0.97，分类准确率达94%。GPT-4o-mini在性能媲美大模型的同时成本降低94%。框架还集成了模型置信度和可读性解释，提升了透明度和信任度。