标签
BridgeVLA++ 是一个用于三维机器人操作的记忆增强视觉-语言-动作框架，它在 BridgeVLA 的基础上增加了时空记忆，在记忆依赖的操作基准上取得了最先进的成果，同时保持了数据效率和泛化能力。
介绍了一种数据高效方法——注意力头重加权（AHR），通过为每个注意力头学习单个标量来适配大语言模型至文本分类任务，大幅减少可训练参数，同时在有限数据场景下优于LoRA。
本文宣布了将在NLPCC 2026上举办的首届ChineseBabyLM挑战赛。该挑战赛要求研究人员使用1亿中文词元从头训练语言模型，并在自然语言理解、认知对齐和汉字知识三个任务轨道上进行评估，旨在推动面向中文的高数据效率与认知合理的建模。
介绍了一种具有可验证奖励的强化学习方案，用于将音频语言模型数据高效地适应到代码切换ASR，在10个语言对上以最少数据实现了显著提升。
提出GenDa，一个统一的无监督强化学习框架，通过技能重新标记和互补信息瓶颈解决了非平稳技能语义和脆弱泛化问题，显著提高了数据效率和泛化能力。
本文介绍了OPDLM，一种通过在线策略蒸馏将自回归语言模型转换为扩散语言模型的方法，所需训练令牌数量减少15倍到7000倍，同时保留原始模型的知识。
本文提出了一个在ACDC MRI数据集上进行心脏病理预测的数据高效解剖感知基准，表明在有限标签下，解剖表示比模型复杂性更重要。
本文介绍了BrainSimSiam，一种轻量级自监督框架，利用孪生网络从仅正样本对中学习鲁棒的fMRI表征，即使在有限数据下也能在下游任务上取得强劲表现。
本文提出了一种基于检索的多标签法律标注方法，使用冻结的嵌入模型通过k近邻检索标签，实现了有竞争力的准确性、高数据效率，并从根本上消除了标签幻觉。
FrameSkip是一种数据层的帧选择方法，通过基于动作变化和视觉一致性指标优先选择高重要性的帧，来改进视觉-语言-动作(VLA)策略训练。该方法在三个基准测试中实现了76.15%的宏观平均成功率，同时仅使用了20%的独特帧。
本文提出了一种名为“提示微调”（Hint Tuning）的数据高效方法，该方法根据问题难度校准推理深度，从而减少推理模型中的标记使用量。在仅需1K个自标注样本的情况下，该方法在 Qwen3-Thinking 和 DeepSeek-R1-Distill 等模型上实现了显著的标记减少（24%-66%）。