AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 3 条来源 · 引用可点击溯源

现有资料不足以回答该问题。用户所问的「论文1与既有自主恢复方法在实验场景（理想化 vs 真实动力学）上的对比结果」，在资料1中并无对应内容。资料1的主题是 DK-VLM：用 3D 几何位置增强视觉语言模型的空间推理，其摘要只提到双核注意力机制、参考系组合监督，以及在六个空间基准上的表现（VSI-Bench 达 74.33）1，完全没有涉及「自主恢复方法」「理想化场景 vs 真实动力学场景」的实验对比。资料2讨论垂直切片 Wasserstein 距离（VSW）用于元测度比较2，资料3讨论 Verus/Rust 形式化验证中正确性反馈对规范完整性审计的影响3，两者同样与自主恢复或动力学场景对比无关。因此无法给出任何对比结论或数字。

继续追问

资料[1]中 DK-VLM 的六个空间基准具体是哪些，VSI-Bench 74.33 相对基线提升多少？是否存在讨论「理想化 vs 真实动力学」场景差异的自主恢复或机器人策略学习论文可补充检索？资料[1]的双核注意力机制与参考系组合监督具体如何实现，是否有开源代码？

参考来源

3 条

1站内DK-VLM用几何位置增强视觉语言模型空间推理DK-VLM提出双核注意力机制，将3D几何位置而非重建特征直接注入注意力计算，并引入参考系组合监督训练模型跨视角更新空间判断。在六个空间基准上取得最高平均分，VSI-Bench达74.33，同时保持通用视频理解能力。Hugging Face Papershttps://huggingface.co/papers/2610.22356 2站内Vertical Sliced Wasserstein Distances for Meta-Measures论文提出垂直切片 Wasserstein 距离（VSW），用于比较观测本身即为概率测度的元测度（P(P(Ω))）。它用连续测试函数投影内层测度，再用一维 Wasserstein 距离比较，避免高维最优传输的高昂开销，并证明其为有效度量、可度量弱收敛且具维度无关的统计收敛性，还给出粒子梯度用于元测度的梯度传输。arXiv cs.LGhttps://arxiv.org/abs/2610.20743 3站内When Correctness Feedback Erases Evidence: Phase-Separated Completeness Auditing in Verus论文发现：在 Verus/Rust 形式化验证中，正确性反馈会抑制规范完整性审计所需的证据。无反馈独立发现产生的认证见证率（59.0%）远超纠正反馈循环（27.1%），且该优势跨模型家族成立。保留这些见证可显著提升规范修复成功率（81.3% vs 62.5%），提示审计与修复目标相悖，应先保留并认证失败证据再修复。arXiv cs.AIhttps://arxiv.org/abs/2610.20676

AI 答案正在检索与综合…

站内相关条目

3 条 · 点击可看原文全文与中文译文

返回信息流

大模

DK-VLM用几何位置增强视觉语言模型空间推理

DK-VLM提出双核注意力机制，将3D几何位置而非重建特征直接注入注意力计算，并引入参考系组合监督训练模型跨视角更新空间判断。在六个空间基准上取得最高平均分，VSI-Bench达74.33，同时保持通用视频理解能力。

大模型·Hugging Face Papers·5 天前

#vlm

其他

Vertical Sliced Wasserstein Distances for Meta-Measures

论文提出垂直切片 Wasserstein 距离（VSW），用于比较观测本身即为概率测度的元测度（P(P(Ω))）。它用连续测试函数投影内层测度，再用一维 Wasserstein 距离比较，避免高维最优传输的高昂开销，并证明其为有效度量、可度量弱收敛且具维度无关的统计收敛性，还给出粒子梯度用于元测度的梯度传输。

其他·arXiv cs.LG·5 天前

#optimal-transport

大模

When Correctness Feedback Erases Evidence: Phase-Separated Completeness Auditing in Verus

论文发现：在 Verus/Rust 形式化验证中，正确性反馈会抑制规范完整性审计所需的证据。无反馈独立发现产生的认证见证率（59.0%）远超纠正反馈循环（27.1%），且该优势跨模型家族成立。保留这些见证可显著提升规范修复成功率（81.3% vs 62.5%），提示审计与修复目标相悖，应先保留并认证失败证据再修复。

大模型·arXiv cs.AI·5 天前

#formal-verification