「少样本泛化」共找到 803 篇相关文章
CJA|西工大林海涛、张伟伟等：关联函数学习：适用飞行器外形泛化的稀疏气动数据重构方法
本文提出关联函数学习（SFL）方法，通过符号回归挖掘气动力系数复合函数表达式，实现非线性气动数据稀疏重构与状态外推。用少量样本构建数据库，误差 1%-5%，比 Kriging 法样本量减超 90%。
ICML26 | 浙江理工大学马啸讲师和南京大学李武军教授课题组联合提出EMCES：为强化学习合成更有价值的样本
强化学习获取高质量样本成本高、风险大，现有基于扩散模型的样本增强方法有局限。浙江理工大学马啸讲师和南京大学李武军教授课题组提出 EMCES，将情景记忆机制引入可控扩散模型，提升下游强化学习算法表现，论文已被 ICML2026 录用。
YOLO12改进引入DINOv3少样本目标检测精度飙升，分享训练自定义数据集代码
Meta 人工智能研究院的 DINOv3 是基于自监督学习的视觉大模型，解决诸多问题且无需微调，在多任务表现出色。将其引入 YOLO12 后，在不同规模数据集上检测性能显著提升，还分享训练自定义数据集代码。
从一步生图到流式视频：清华团队探索「样本分布训练」
本文介绍清华大学联合多校团队提出样本分布训练新生成方法，发布MGFlow、Elastic Forcing两项成果，分别实现一步生图SOTA、14B流式视频模型单8卡后训练，为实时多模态交互开辟新路径。
强化学习新发现：无需数学样本，仅游戏训练AI推理大增
莱斯大学、约翰斯・霍普金斯大学和英伟达研究团队有颠覆性发现，让多模态大语言模型玩简单游戏，无需数学样本，就能显著提升其多模态推理能力。提出的ViGaL方法在多个基准测试中表现出色。
当SFT遇上RL：基于样本学习阶段的动态策略优化机制
在大模型推理能力增强研究中，SFT和RL两种后训练范式难有效融合。研究团队提出DYPO动态策略优化方法，先判断样本学习阶段再匹配优化路径，在多场景实验中表现出色，不过有实验边界。
对话贝陪科技：好的 AI 陪伴产品，应该让 AI 少说话
贝陪科技创始人黄缨宁分享打造儿童AI陪伴产品「可豆陪陪」的经验。产品让AI少说话，激发孩子表达欲，上线150天后留存率达51%。黄缨宁认为AI陪伴要营造成长环境，还介绍产品定位、使用场景、设计思路等。
VLA别再「走神」：即插即用提升视觉泛化，相对Pi0.5提升18%
至简动力、北大、港中文团队发现VLA模型深层动作预测对关键视觉区域依赖下降，提出DeepVision - VLA框架，在仿真和真实任务中效果显著，能有效提升视觉泛化能力。
零样本 Sim-to-Real ！实现五指灵巧手力控抓取与手内操作
ByteDance Seed团队研究论文针对训练真实硬件控制策略难的问题，提出实用强化学习框架。该框架有完整Sim - to - Real方案，结合触觉反馈和关节力矩感知，在纯仿真环境训练策略，可零样本部署在真实五指灵巧手。
GPT-5数字母依然翻车！马库斯：泛化问题仍未解决，Scaling无法实现AGI
杜克大学教授让GPT - 5数blueberry里的b，结果GPT - 5多次答错。著名学者马库斯整理其各种bug，指出大模型泛化问题严重，认为Scaling无法实现AGI，转向神经符号AI才是途径。