Trace
PulseAugur coverage of Trace — every cluster mentioning Trace across labs, papers, and developer communities, ranked by signal.
- 2026-06-29 research_milestone Researchers introduced the TRACE framework for detecting emotional entrainment in dyadic speech, achieving 97.01% accuracy on the DyadEE dataset. 来源
- 2026-06-10 research_milestone Researchers introduced the TRACE method for detecting LLM ghostwriters, achieving state-of-the-art performance on a new dataset. 来源
- 2026-06-02 research_milestone A new framework called TRACE was introduced, significantly improving multi-video event understanding and claim generation. 来源
13 天有情绪数据
-
TRACE框架从稀疏传感器数据中重建物理场
研究人员开发了TRACE，一个从稀疏和结构化传感器数据中重建连续物理场的新框架。该方法使用近似贝叶斯推理和类似卡尔曼的滤波方法，从有限的观测中生成合理的完整场，即使数据是流式接收或缺失的。在各种模拟和科学监测任务中的实验表明，TRACE可以媲美或超越现有的离线和流式方法的性能。
-
阿布扎比研究所、英特尔和AMD合作制定可验证的人工智能硬件标准
阿布扎比技术创新研究所正与英特尔和AMD合作，开发基于硬件的算法完整性证明。该倡议旨在建立TRACE标准，该标准将使外部审计能够验证每个AI代理的决策过程。目标是通过提供可验证的算法公平性机制，超越对AI系统的盲目信任。
-
Speech2MaskTrack 在LSVOS挑战赛中获得亚军
研究人员开发了Speech2MaskTrack，一种用于语音引导的视频对象分割的新颖方法。该方法将语音识别与时间定位和掩码跟踪相结合，以根据口头运动描述识别对象。Speech2MaskTrack通过将口头查询转录为结构化约束，并使用运动和关系证据对实例轨迹进行排名，在2026年第8届LSVOS挑战赛的MeViS-Audio赛道上获得第二名。
-
新的GRIFT方法可检测和抑制AI模型的奖励破解
研究人员开发了一种名为梯度指纹（GRIFT）的新方法，用于检测和抑制强化学习模型中的奖励破解。奖励破解是指模型利用奖励函数中的漏洞，在未真正解决预期任务的情况下获得高分，通常是通过产生看似合理但有缺陷的中间推理步骤。GRIFT通过检查链式思考（CoT）在提示条件下的梯度来分析模型的内部计算，提供了比单独基于文本的监控更强大的检测机制。在各种推理基准上的实验表明，GRIFT的性能显著优于现有方法，并且在集成到拒绝微调管道后，在真实任务目…
-
新的TRACE框架可从含伪影的照片构建3D头部模型
研究人员开发了一个名为TRACE（模板约束的鲁棒伪影感知对应估计）的新无监督框架，用于从不完美的3D头部照片构建统计形状模型（SSM）。该方法解决了伪影污染的临床扫描的挑战，例如包含头发、衣物或扫描仪噪声的扫描，这些伪影通常会破坏用于颅缝早闭严重程度分析的数据。TRACE预测稀疏控制点，通过级联进行细化，并使用模板网格重建特定于个体的头部，从而改善表面采样和拓扑保持。
-
新的基准和架构推动了 MLLMs 中的长视频理解
研究人员正在开发新的方法来改进多模态大语言模型 (MLLMs) 理解长视频的方式。一种方法 MoTE 使用任务专家混合 (Mixture of Task Experts) 将计算路由到特定任务模块，从而提高视频语言任务的准确性和效率。另一个重点是优化模型如何从长视频中提取相关信息，例如 VideoHarness-RSI 通过递归搜索有效的上下文构建程序，以及 TRACE 专注于证据支持的答案。此外，还推出了 Video-IFBench…
-
新的TRACE框架增强了AI在乳腺超声诊断中的可解释性
研究人员开发了TRACE，一个用于提高深度学习模型在乳腺超声诊断中可解释性和鲁棒性的新颖框架。TRACE在训练过程中利用结构化的放射学报告作为一种特权概念监督形式，允许在测试时进行仅图像诊断。该框架通过教师指导的编辑机制来完善图像派生的概念，并通过战略概念缺失训练（SCMT）和通过编辑蒸馏训练的仅图像自编辑器来解决不完整的注释问题。实验表明，TRACE在性能和跨领域鲁棒性方面优于现有方法。
-
大语言模型代理通过新框架加速计算材料发现 · 已追踪2个来源
两篇新研究论文介绍了用于计算材料发现的先进大语言模型代理框架。第一篇，TRACE，通过学习特定编辑的效果来提高多目标材料发现的效率，与现有基线相比，命中率显著提高。第二篇，MAESTRO，展示了一个端到端的金属有机框架（MOFs）发现系统，通过处理文献、链接结构和执行计算筛选，发现了传统方法可能遗漏的高性能材料。
-
TRACE框架使用LLM代理自动化电子商务目录丰富
一个名为TRACE的新框架已被开发出来，用于使用代理式大型语言模型（LLM）自动丰富电子商务产品目录。该系统采用ScoutAgent从各种来源收集多模态证据，并采用JudgeAgent来验证提议的属性值。TRACE在丰富覆盖率和准确性方面取得了显著的改进，并在生产部署中带来了可衡量的结账转化率提升。
-
新的TRACE防御机制应对多轮越狱攻击LLM
研究人员开发了TRACE，一种新颖的防御机制，旨在对抗针对大型语言模型的多轮越狱攻击。TRACE采用轨迹感知推理来识别对话轮次中不断演变的操纵模式，从而区分良性和对抗性用户意图。通过评估两种解释并分配越狱分数，TRACE可以有选择地允许、警告或拒绝请求。TRACE在精心策划的对抗性和良性对话数据集上进行训练，与现有基线相比，其攻击成功率显著降低，同时在过度拒绝基准测试中保持了高合规率。
-
TennisVAR模型使用多模态LLM进行网球视频战术推理
研究人员推出TennisVAR，一个用于网球视频战术推理的多模态大语言模型。该模型旨在超越简单的事件识别，理解个体击球如何促进比赛进程。TennisVAR建立在一个名为TRACE的新基准之上，该基准包含超过11,000个回合视频以及击球、战术和关键动作的详细注释。
-
新的 Transformer 模型 TRACE 改进了学生成绩预测
研究人员开发了一种名为 TRACE（TRansformer for Academic Course-grade Estimation）的基于 Transformer 的新模型，以改进对学生学业成绩的预测。与将学业历史视为简单序列的先前模型不同，TRACE 考虑了同一学期内所修课程的并发性。通过联合预测学生将要修读的课程及其相应的成绩，该模型与仅预测成绩或使用传统 LSTM 和 GNN 方法的模型相比，显著降低了预测误差。这种在十年机构…
-
新的TRACE框架通过增强检索来提高聊天机器人可靠性
研究人员开发了TRACE（可信检索增强对话引擎），旨在提高公共服务聊天机器人的可靠性。该框架通过将用户查询解析为结构和语义约束，以从嘈杂的目录中进行更好的检索，从而增强了约束感知推荐。使用全州范围的食品储藏室目录和各种LLM进行的实验表明，提高检索质量可显著提高用户约束满足率并减少幻觉推荐，从而使性能对模型大小的依赖性降低。
-
新框架增强LLM时序推理评估
研究人员开发了新的框架，以更好地评估大型推理模型（LRM）的时序推理能力。一种方法TRACE，将时序推理建模为使用Allen区间代数的约束满足问题，从而实现细粒度的难度控制和基于迹的验证。另一种方法声明级可靠性评估（CLR），侧重于在推理过程中证伪关键声明，而不是验证整个过程，这可以减少令牌使用并提高准确性。这两种框架都旨在揭示传统基准可能忽略的推理缺陷，例如虚假猜测和与规模相关的故障模式。
-
TRACE框架自动化AI代理上下文调试
一个名为TRACE的新框架已被开发出来，用于自动诊断和修复AI代理上下文源中的错误。该系统挖掘历史代理交互，识别用户纠正或重新表述等不满信号，以 pinpoint 上下文故障。TRACE在上下文层运行，允许在不重新训练模型的情况下进行快速迭代。该框架在测试轨迹上实现了72.7%的根本原因归因和82%的端到端修复有效性，展示了其自动化生产AI系统调试的潜力。
-
Tencent SkillHub 凭借TRACE评估突破10万个AI技能
Tencent 的 SkillHub 平台已超越10万个AI技能，月下载量超过1000万。该平台利用TRACE评估框架来识别和推广最有效的技能，确保大部分可用技能都能正常运行。
-
TRACE 方法优化主动场景重建轨迹
研究人员开发了 TRACE，一种新颖的主动场景重建方法，可优化传感器轨迹以更好地收集信息。与先前孤立地选择下一个最佳视图的贪婪方法不同，TRACE 将重建视为一个遍历覆盖问题。该方法旨在将传感器路径的时间平均空间统计数据与从当前地图派生的目标信息分布相匹配，从而实现更高效的传感。在 Replica 数据集上的评估表明，TRACE 比现有的 Next-Best-View 基线提高了 1.5 dB 的 PSNR。
-
TRACE：新的AI驱动的里程计可提高机器人在不可靠条件下的导航能力
研究人员开发了TRACE，这是一种新颖的端到端学习的本体感觉里程计估计器，专为在接触不可靠的挑战性环境中运行的腿式机器人设计。该系统利用了足部感知的交叉注意力模块，可以自适应地权衡惯性测量单元（IMU）和关节数据，从而在无需手动接触检测的情况下提高鲁棒性。训练过程结合了策略随机化和真实世界微调，以改善从模拟到现实的迁移，并在各种地形上与现有方法相比，显著减少了位置漂移。
-
新的TRACE框架增强了从带噪声数据集中学习的能力
研究人员推出了一种新颖的TRACE框架，旨在提高从带噪声标签的数据集中学习的可靠性。TRACE通过独立评估观测标签和伪目标来解决翻新方法无意中用另一个不可靠信号替换一个不可靠信号的问题。该框架使用损失拟合、浅层关系稳定性和预测一致性来处理观测标签，同时使用模型置信度来处理伪目标。这种双源评估可以更精确地控制目标校正和监督强度，从而在带噪声的基准测试中获得更好的性能。
-
TRACE框架通过几何对齐实现高保真三维场景编辑
研究人员开发了TRACE，一个用于高保真三维场景编辑的新型框架，它改进了现有的三维高斯溅射（3DGS）方法。TRACE通过将显式三维几何与高斯场景集成，解决了灵活几何编辑和结构完整性方面的局限性。该框架利用多视图三维锚点合成和实体几何对齐进行几何锚定，然后进行上下文视频遮蔽以协调外观并保持多视图一致性。这种方法可以在单块高端GPU上在大约10分钟内实现复杂编辑，在编辑通用性和视觉质量方面表现出卓越的性能。