本评估还在附录 E 中给出了模型在强化学习前后的响应示例，从中可以看出，对于同一个问题，在基于内源性奖励进行优化之前，模型无法解决问题，并且随着响应的进行开始胡言乱语，甚至输出 Python 代码。这篇论文提出了解决 LLM 的对齐问题，通过利用模型内部的奖励机制，而不是依赖外部的人类反馈，这可能会改变未来 LLMs 的开发和应用方式。表 1 中的结果显示，EndoRM 不仅显著优于所有使用相同基

为此，本研究对1,000名来自不同社会经济地位背景的参与者进行了调查，并分析了他们与大语言模型交互时使用的6,482条真实提示词，进而揭示其在使用频率、语言风格和所涉主题上存在的系统性差异。该系统能够识别并高亮显示模型生成的文本片段与训练数据文档之间的逐字匹配部分，其核心是一个扩展的infini-gram索引，可在数秒内返回结果。所提出的稀疏注意力NSA模型的算法，从一般任务到严苛的长下文任务，特

其团队开发的LightRAG、RAG-Anything、DeepCode、AutoAgent、AI-Researcher、AI-Trader、MiniRAG、VideoRAG等开源项目累计获得超过70,000 GitHub星标，50次登上GitHub Trending（趋势榜）。香港大学黄超团队开源的DeepCode在「论文复现代码」方面，首次在PaperBench测试中超过来自剑桥、伯克利等8所

然后利用深度估计将左视角视频投影到目标视角下（右视角），并通过视频填充的方案来获取右视角下的完整视频。相较于图2的单视角视频填充，图像矩阵同时进行时间和空间维度的填充可以生成更加合理的结果，如图5所示。如图2所示，利用估计的视频深度信息，左视角视频被投影到目标视角下，从而产生带有未知区域的右视角视频。针对这一问题，该研究提出一种边界特征重注入的方案，如图6所示：通过在图像空间中将未知区域替换为预测

具体来说，如果将损失看作计算量的函数，GPT-3 遵循 L ∝ C^−0.048，而该团队的模型遵循 L ∝ C^−0.049，这表明 NMM 的性能遵循与 LLM 类似的 scaling 规律。这一趋势在图 3 中显而易见，在较小的模型规模下，早融合的表现优于后融合，而在较大的模型规模下，两种架构的性能收敛到相似的水平。然而，随着密集模型规模变得足够大，两种架构之间的差距会逐渐缩小。此外，对于多

为了计算包含多个目标预测的奖励，Vision-R1 首先对文本序列化的预测结果进行反序列化，提取出每个目标的预测框及其标签，并将预测结果与真实标注进行匹配，以确保奖励机制能够全面衡量多目标场景下的定位质量。为全面评估 Vision-R1 的效果，研究团队选择了近期定位能力大幅提升的 Qwen2.5-VL-7B 模型和定位能力突出的 Griffon-G-7B 模型，在更有挑战的经典目标检测数据集 C

使用视频作为输入，覆盖桌面、室内、室外三大真实场景。包含8大类挑战性任务，强制模型进行精确定量的估计和预测，例如：物体的尺寸/距离测量、空间关系判断、3D定位、位移/路径长度计算、速度/加速度分析、自身朝向变化、轨迹描述、姿态估计。通过对包括GPT-4o、Gemini系列、Claude 3.7、Qwen2.5-VL等在内的顶尖MLLM进行广泛测试，发现它们在STI-Bench上的表现普遍不佳，尤其

为了进行公平的比较，我们在与最先进的 CLIP 模型相同的数十亿规模的网络数据（特别是 MetaCLIP 数据集）上训练 SSL 模型。总的来说，上图 3 和图 4 的结果表明，随着模型大小和样本的增加，视觉 SSL 学习到的特征对于 VQA 越来越有效，尤其是在 OCR & Chart 类别。关于特定类别的性能，随着模型大小的增加，DINO 在 Vision-Centric VQA 上的表现越来

用基于深度可分离卷积（DSConv、DS-Bottleneck、DS-C3k、DS-C3k2）构建的块取代大核卷积，在保留感受野的同时，大幅减少参数和计算量。利用线性复杂度的消息传递模块，在高阶相关性的指导下有效地聚合多尺度特征，从而实现对复杂场景的有效视觉感知。YOLOv13 将超图计算与端到端信息协同无缝结合，提供更准确、更稳健、更高效的实时检测解决方案。使用 HyperACE 聚合主干网络的

、低秩适应（LoRA）等主流的PEFT范式，还深入剖析了各类论文如何将这些技术与遥感图像的独特特性相结合，从而有效提升模型在分类、检测、分割等典型任务中的性能表现。面对土地调查、农业监测、天气预报、海洋导航等关键应用领域所面临的“小样本、长尾目标、算力受限”的现实挑战，微调技术以其独特的优势，在更低。该综述以微调技术类型为线索，系统性地梳理了从早期的全微调方法到近年来兴起的参数高效微调方法在遥感领