本期汇总了十五篇最新的AI研究论文，涵盖了多个前沿领域。其中包括提升移动GUI代理安全性的OS-Sentinel、探索多模态思维链涌现特性的ThinkMorph、对比分析低比特量化格式的INT v.s. FP、面向流式视觉-语言-动作模型的在线强化学习微调π_RL，以及连续自回归语言模型等。此外，还有关于增强空间理解的Spatial-SSRL、提升GUI定位可靠性的HyperClick、解决训练-推理失配的FP16、实现少步分布匹配蒸馏的分阶段DMD、再探视觉-语言模型多模态位置编码、高阶线性注意力机制、助力世界模型增强视觉-语言-动作模型的双流扩散、面向科学发现的深度知识AI智能体Denario项目、针对具身决策多模态大模型的视觉后门攻击，以及基于YOLOv11的卫星图像建筑实例分割与高度分类Mask-to-Height等研究。

🛡️ OS-Sentinel旨在提升移动GUI代理在实际工作流程中的安全性，通过混合验证方法实现。

🧠 ThinkMorph研究了多模态交错思维链推理中展现出的新兴特性。

⚔️ INT v.s. FP对细粒度的低比特量化格式进行了全面的对比分析。

🤖 $π_ exttt{RL}$ 提出了一种针对流式视觉-语言-动作模型的在线强化学习微调方法。

🚀 连续自回归语言模型探索了自回归语言模型的新范式。

🧭 Spatial-SSRL利用自监督强化学习来增强模型的空间理解能力。

🎯 HyperClick通过不确定性校准的方法，提高了GUI定位的可靠性。

🎯 FP16被提出用于解决训练和推理阶段模型性能不一致的问题。

🪜 Phased DMD是一种通过在子区间内进行分数匹配来实现少步分布匹配蒸馏的技术。

🌐 Revisiting Multimodal Positional Encoding in Vision-Language Models重新审视并探讨了视觉-语言模型中的多模态位置编码。

⚡ Higher-order Linear Attention引入了更高阶的线性注意力机制。

🔬 Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model利用双流扩散模型来增强具备世界模型的视觉-语言-动作模型。

🔬 The Denario project致力于开发用于科学发现的深度知识AI智能体。

🏙️ Mask-to-Height 是一种基于YOLOv11的架构，用于从卫星图像中联合进行建筑实例分割和高度分类。

🛡️ Visual Backdoor Attacks on MLLM Embodied Decision Making via Contrastive Trigger Learning 揭示了通过对比触发学习对多模态大模型具身决策进行视觉后门攻击的可能性。

本期的 15 篇论文如下：

00:21 🛡 OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows（OS-Sentinel：在真实工作流中通过混合验证提升移动GUI代理安全性）

01:13 🧠 ThinkMorph: Emergent Properties in Multimodal Interleaved Chain-of-Thought Reasoning（ThinkMorph：多模态交错思维链中的涌现特性）

01:49 ⚔ INT v.s. FP: A Comprehensive Study of Fine-Grained Low-bit Quantization Formats（INT对决FP：细粒度低比特量化格式的综合研究）

02:38 🤖 $π_\texttt{RL}$: Online RL Fine-tuning for Flow-based Vision-Language-Action Models（π_RL：面向流式视觉-语言-动作模型的在线强化学习微调）

03:26 🚀 Continuous Autoregressive Language Models（连续自回归语言模型）

03:54 🧭 Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning（Spatial-SSRL：通过自监督强化学习增强空间理解）

04:37 🎯 HyperClick: Advancing Reliable GUI Grounding via Uncertainty Calibration（HyperClick：通过不确定性校准推动可靠GUI定位）

05:15 🎯 Defeating the Training-Inference Mismatch via FP16（用FP16打败训练-推理失配）

05:52 🪜 Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals（分阶段DMD：在子区间内做分数匹配实现少步分布匹配蒸馏）

06:28 🧭 Revisiting Multimodal Positional Encoding in Vision-Language Models（再探视觉-语言模型中的多模态位置编码）

07:09 ⚡ Higher-order Linear Attention（高阶线性注意力机制）

07:55 🌐 Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model（双流扩散助力世界模型增强视觉-语言-动作模型）

08:36 🔬 The Denario project: Deep knowledge AI agents for scientific discovery（Denario项目：面向科学发现的深度知识AI智能体）

09:14 🎯 Visual Backdoor Attacks on MLLM Embodied Decision Making via Contrastive Trigger Learning（面向具身决策的多模态大模型视觉后门攻击：对比触发学习方法）

09:51 🏙 Mask-to-Height: A YOLOv11-Based Architecture for Joint Building Instance Segmentation and Height Classification from Satellite Imagery（Mask-to-Height：基于YOLOv11的联合建筑实例分割与高度分类架构）

【关注我们】

您还可以在以下平台找到我们，获得播客内容以外更多信息

小红书: AI速递