标签
AraGenre 2026 是一个旨在改进低资源语言标注数据的层次化定义引导阿拉伯语体裁分类共享任务。结果表明，其在宽泛体裁识别方面表现强劲，但在细粒度分类上存在差距。
本文提出Multi-Split边界决策（MSBD），用于降低基于大语言模型的零样本页面流分割中的推理成本，在适当窗口大小下展示效率提升并保持准确性。
这条推文指出，用于搜索的Sentence Transformers模型在Hugging Face上获得了人气，并表达了对具有零样本能力的编码器复兴的希望。
Figure的机器人在零样本家庭测试中达到了56%的成功率，相比没有人类行为预训练的9%有了显著提升，显示出进展但尚未准备好用于消费者使用。
对Figure的Helix 2.5机器人的批评，通过指出试验中的高失败率和演示中有限的实际应用性，挑战其零样本泛化声明。
Figure的Helix 2.5人形机器人通过在30个租赁住宅中执行任务而无需额外训练，展示零样本学习。
Figure 发布了 Helix 2.5，这款AI模型使机器人能够无需额外训练，在30个家庭中零样本泛化家务任务。
本文对时间序列基础模型在不同数据集上的行人流量预测进行了基准测试，发现基础模型在数据丰富、具有季节性的场景中表现优异，而在数据有限的情况下，简单模型也能保持竞争力。
本文提出将输入图具体化为固定词汇表，使标准GNNs能够跨未见过的知识图谱和关系数据库实现零样本链接预测，匹敌像ULTRA这样的专用基础模型。
Astra 是一个能够使用零样本学习从梅尔频谱图识别声音的 AI 模型，具有进一步探索的潜力。
本文提出了一种基于变分自编码器的零样本学习框架，用于多元IoT流量异常检测，通过对抗学习和对比学习实现无需标记数据的域适应，并在多个数据集上展示了优异性能。
UniMate是一个统一的扩散变换器模型，能够从文本和绑定了3D资产为多样骨架生成关节运动，无需针对每个骨架进行重新训练。它利用拓扑感知注意力和一个大型精选数据集。
将视频预训练扩展到12万小时，可将世界行动模型在真实机器人上的零样本成功率从36.1%提升至77.8%，实现更快的动作预测。
本文评估了各种LLMs从图像中识别蘑菇种类的能力，使用大型数据集，强调了在现实应用中的准确性问题和安全隐患。
本文介绍了Sci-ZSEL，这是一个成本高效的零样本科学实体链接框架，它选择性地使用LLMs和一个本体感知过滤器，以提高在低词汇重叠基准测试上的性能。
本文提出了一种零样本呼吸声音分类框架，通过LLM合成的报告将音频编码器与医学术语对齐，在临床诊断任务中优于CLAP和Qwen2-Audio等模型。
ZimaBlue 引入了一个可扩展框架，从大规模自我中心视频中学习可泛化的世界行动模型，通过三阶段课程和慢-快架构，显著提升了零样本机器人操作能力。
本文探讨了使用来自一种语言的功能向量来增强大语言模型中的多语言情感检测，表明这些向量能够捕获与语言无关的任务信号，并减少计算开销。
CaRGo-T 引入了一个基于图的推理框架，用于建模因果关系，以提升视觉-语言模型中的多模态幽默理解，在幽默理解和检测任务上展示了性能提升。
RecPFN引入了一种先验拟合网络，用于序列推荐中的上下文学习，通过在合成点击流数据上预训练，在多个基准测试中实现了先进的零样本性能。