AI Daily ·
基礎模型推理潛能解鎖，多模態擴散模型與影像處理技術大突破
Today’s AI Highlights
今天的AI焦點研究展示了多項重要突破：首先，研究發現透過特定的起始詞彙能有效解鎖基礎模型的隱含推理能力；其次，全新框架讓研究人員能即時解構多模態擴散模型的運作狀態；此外，也有學者推出能將點陣流程圖自動轉化為可編輯 draw.io 檔案的智慧代理管線。這些進展不僅提升了模型的表現與透明度，也大幅優化了圖像與文本的處理效率。
- 01arXiv大型語言模型
基礎模型也能推理：啟動關鍵「開頭 token」釋放隱藏實力
本研究發現，基礎語言模型內置了強大的推理能力，只需透過特定的開頭 token 提示（如 ".\n\nOkay" 或 "Alright,"）即可被喚醒。例如，加上開頭提示後，Olmo-3-7B 的數學表現從 42% 飆升至 78%。研究團隊證實，強化學習（RL）本質上是提高了這些高質量開頭 token 的生成機率，而非憑空創造推理能力。此外，團隊透過因果資料干預，成功將「chicken」或「Think duck duck goose」等無厘頭字眼訓練成具備「一步步思考」效果的推理觸發詞。
- 02arXivAI 研究
解讀擴散 Transformer 中的上下文 Token：用 LLM 拷問 AI 繪圖的「內心世界」
在多模態擴散 Transformer（MM-DiT）中，文字與影像 token 會在生成過程中不斷進行雙向注意力互動，形成「上下文 token」。本研究訓練了一個輕量級的瓶頸網路，將這些中間層 token 轉換為凍結大語言模型（LLM）看得懂的輸入。如此一來，LLM 就能用自然語言回答關於「正在生成中」影像的問題。實驗發現，這些 token 在去噪非常早期就已建立全域語意，甚至在空提示詞下也能累積豐富的影像細節。基於此發現，團隊推出「Contextual Alignment」技術，有效提升了生成品質。
- 03arXivAI 代理
點陣圖秒變任意比例流程圖！「One Figure, Every Canvas」以 Agent 協同管線自動排版且支援 draw.io 編輯
在撰寫學術論文、簡報或社群貼文時，同一個流程圖往往需要放進雙欄 PDF、16:9 簡報或 9:16 手機螢幕中。手動調整非常費時，而傳統 AI 工具不是拉伸變形，就是會產生錯誤連線。本研究提出將流程拆解為「解析（Parse）」、「風格（Style）」與「佈局（Layout）」三階段的 Agent 系統。每個階段皆由執行 Agent 與審查 Critic（結合邏輯檢查與視覺 VLM 反饋）共同把關，確保排版完全正確。在 100 個流程圖的測試中，其內容保真度達 68.6%，遠超現有方法的 11.2-41.4%。
- 04arXivAI 研究
BiasFlow：以幾何監控與骨幹正規化解決模型對虛假特徵的依賴
傳統的最差群組準確率（WGA）僅能評估分類器，無法反映凍結骨幹網路在面對新分類任務時的特徵分布表現。為此，本研究開發了 BiasFlow 工具包，透過 IBMI 與 W-IBMI 等幾何指標，監控類別與屬性之質心對齊狀況。研究更提出 BiasFlow 正規化（BFR）懲罰機制，在 UrbanCars 資料集上提升最差群組準確率達 26.0 pp；在 CelebA-Std 的凍結骨幹測試中，將 WGA 從 40.7% 大幅提升至 64.1%，展現出極佳的抗偏見強健性。
- 05arXivAI 研究
「直接中間初始化」技術：突破傾斜擴散採樣器的有限粒子瓶頸
傳統的序列蒙地卡羅（SMC）擴散後驗採樣器（如 MCGDiff）在有限粒子設定下，常因初期採樣流失而難以捕捉稀有模式。本研究發現，中間步驟的高斯傾斜目標分布可被回推（pulled back）至約束較弱的乾淨空間後驗分布。基於此特性，研究者提出了「直接中間初始化（DII）」：先以近似求解器（如 MMPS）對該弱約束後驗進行採樣，再透過高斯橋（Gaussian bridge）解析地將樣本映射回雜訊空間的傾斜目標，最後僅需執行剩餘的 SMC 步驟。此法在結構化高斯混合問題中將切片 Wasserstein 距離降低了約 2 倍，並在稀有模式問題中實現了超過一個數量級的精準度提升。