NearID：基于近身份干扰项的身份表示学习
深度2026年4月2日36 分钟阅读
最有趣的发现是：现有视觉编码器在身份相关任务中会将对象身份与背景上下文纠缠，导致不可靠表示，而通过近身份干扰项消除上下文捷径后，模型性能大幅下降。计算机视觉研究者、生成模型开发者和身份识别领域从业者应该阅读本文，了解如何构建更鲁棒的身份表示评估体系。
觉得有用？分享给更多人
相关文章
Google 正在研发新AI芯片“Frozen v2”，预计2028年发布，能效比现有芯片提升6-10倍，旨在优化Gemini模型运行效率。此消息推动Google股价上涨约3%。
深度·7月20日·3 分钟
Kimi K3 在三个编码任务上（bug 修复、重构、功能开发）产出了与 Fable 5 相同的结果，总成本 $2.13 vs $5.98，但总耗时 28 分钟 vs 6 分 49 秒。Kimi K3 在重构中展现了更严谨的工程实践，但速度是其当前主要短板。
深度The New Stack·7月20日·7 分钟