A Survey of Efficient Reasoning for Large Reasoning Models: Language, Multimodality, and Beyond 
最近的大型推理模型（LRMS），例如DeepSeek-R1和OpenAI O1，通过在推理过程中扩大了思维链（COT）推理的长度来表现出强大的性能提高。但是，越来越多的关注在于他们倾向于产生过长的推理痕迹，这些痕迹通常充满冗余内容（例如 ...
0 0 0 2025/03/30 arXiv:2503.21614v1 muuuchen
LISA++: An Improved Baseline for Reasoning Segmentation with Large Language Model 
虽然lisa有效地弥合了分割和大型语言模型之间的差距以实现推理分割，但它也存在一定的局限性：无法区分目标区域的不同实例，并且受到预定义的文本响应格式的限制。在这项工作中，我们引入了，lisa ++，这是对现有lisa模型的更新 ...
0 0 0 2025/03/30 arXiv:2312.17240v3 Archer
LaSOT: A High-quality Benchmark for Large-scale Single Object Tracking 
在本文中，我们提出了Lasot，这是大规模单一对象跟踪的高质量基准。 LASOT由1,400个序列组成，总计超过350万 ...
0 0 0 2025/03/30 arXiv:1809.07845v2 Eve_Any
HeTGB: A Comprehensive Benchmark for Heterophilic Text-Attributed Graphs 
图神经网络（GNN）在主要在同质性的假设下对关系数据进行建模方面取得了成功。但是，许多现实图表表现出异质性，其中链接的节点属于不同类别或具有多种属性。此外，许多域中的节点与文本描述相关联，形成异性文本属性图（TAG） ...
0 0 0 2025/03/30 arXiv:2503.04822v1 郝冰
GAPO: Learning Preferential Prompt through Generative Adversarial Policy Optimization 
大型语言模型的最新进展强调了通过预定义的约束对模型输出进行精确控制的迫切需要。尽管现有的方法试图通过直接指令 - 响应综合或优先响应优化来实现这一目标，但它们通常在约束理解和适应方面挣扎。当处理细粒度的约束时，这种限制变得尤为明显，从而导致幻觉或脆弱性能 ...
0 0 0 2025/03/30 arXiv:2503.20194v1 liuweitang
Gompertz Linear Units: Leveraging Asymmetry for Enhanced Learning Dynamics 
激活功能是深度学习体系结构的基本要素，因为它们会显着影响训练动态。 Relu虽然广泛使用，但却容易出现垂死的神经元问题，该问题已被诸如LeakyRelu，Prelu和Elu等变体所缓解，可以更好地处理负神经元输出。最近，诸如Gelu和Swish之类的自我门控激活已成为最先进的替代方案，利用它们的平滑度确保稳定的梯度流动并防止神经元不活跃 ...
0 0 0 2025/03/30 arXiv:2502.03654v1 我会不露声色啊
LERENet: Eliminating Intra-class Differences for Metal Surface Defect Few-shot Semantic Segmentation 
由于其快速概括了新类和像素级分段的能力，因此在金属缺陷检测中，很少有分段模型在金属缺陷检测中表现出色，这使它们非常适合解决数据稀缺问题并在工业应用中实现精致的对象描述。现有作品忽略了金属表面缺陷数据固有的\ textIt {intra-class差异}，这阻碍了模型从支持集中学习足够的知识以指导查询集分段。具体而言，它可以分为两种类型：由金属样本中的内部因素和\ textit {失真差异}引起的\ ...
0 0 0 2025/03/30 arXiv:2403.11122v1 长空
Small Object Few-shot Segmentation for Vision-based Industrial Inspection 
基于视觉的工业检查（VII）旨在快速准确地定位缺陷。在近距离设置和工业异常检测中，监督学习，作为VII中的两个常见范式，在实际应用中遇到了不同的问题。前者是难以获得各种和足够的缺陷，而后者是特定的缺陷无法找到 ...
0 0 0 2025/03/30 arXiv:2407.21351v1 长空

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）