CADENA逐步验形，MoE失衡超5倍

重点关注

01 AI for Science CAD自动化走向工程可用，开始边建模边检查

CAD逆向工程真正有意思的一步，不是让模型一次性吐出更长的程序，而是让它在每次操作后检查中间几何。CADENA逐步生成参数化CAD操作，并持续比较目标网格与当前结果，判断还有哪些结构没有建出来，再把差异带入后续步骤。这样得到的不只是外形相似的3D模型，而是一套可以继续编辑的工程构造过程。

从机制上看，这种检查并非建模结束后的验收，而是会改变下一步操作的反馈信号。局部几何差异可以在构造过程中被发现，避免误差一直累积到最终模型才暴露；对工程集成而言，评测对象也由最终外形扩展到每一步操作是否有效、偏差何时出现以及失败能否定位。这使团队更容易判断问题来自操作选择、参数估计还是已有几何状态，而不是只能面对一个不符合目标却难以追溯原因的结果。

摘要称它在CADENA-Bench、DeepCAD、Fusion 360和MCB数据集上均优于已有方法，不过具体提升幅度和复杂零件上的稳定性仍需看全文确认。逐步几何反馈也不等于自动满足制造、公差、建模历史质量或装配约束；若缺少相应领域规则，产出的参数化模型仍可能可编辑却不够实用。更值得兴奋的是，这套「生成—检查—继续生成」的闭环可能适用于更多工业任务：当结构必须可编辑、可审查时，过程正确往往比一次性结果漂亮更重要。

原文：CADENA: Stepwise CAD Reverse Engineering

02 模型架构 总账平了，为什么路由器还会失衡五倍？

视觉语言MoE通常把所有token混在一起计算负载均衡，但图像侧过载、文本侧欠载时，两笔偏差可能在总账上互相抵消。结果很反直觉：同一个训练好的路由器，仅改变图像分辨率，负载失衡程度就会相差五倍以上。ReBA不再只盯着混合统计，而是分别约束图像与文本负载，并将每张图像视为一个等权路由实例，避免大图或多图样本主导优化。摘要报告称，它在四种骨干网络上都降低了各测试输入的负载，同时保持与标准辅助损失相近的平均任务准确率。对部署视觉语言MoE的团队来说，真正值得监控的不是批次总账是否漂亮，而是路由策略能否经受分辨率、图像数量和切片方式变化。

原文：Relax Within, Balance Across: Geometry-Guided Load Balancing for Vision-Language Mixture-of-Experts

03 图像生成 会画一张好人像，为什么还做不出好数据集？

生成一张逼真人像靠模型能力，批量生成可训练数据则更像一项数据工程：既要覆盖不同人物与场景，也要避免违背常识的属性组合。Poplar把这件事拆成Specify、Render、Inspect三步，分别负责受约束的规格采样、适配构图比例的批量渲染，以及统一的视觉语言模型审核。最终，流水线从11,765个候选中保留9,401组图文数据，接受率为79.9%，同时记录原始提示词、配置与审核结果。它真正值得关注的不是又多了一个人像数据集，而是把覆盖范围、失败重试和拒绝理由都变成可复现、可审计的工程对象。不过，摘要尚不足以证明这套审核能识别系统性偏差，更不能说明合成数据可以替代真实数据；对需要定制训练集的团队而言，它首先是一套值得参考和验证的生产方法。

原文：Poplar: A Scalable Pipeline for Human-Centric Image Dataset Synthesis

04 机器人 机器人预测动作，可能根本不必先「看见」视频

DreamTraj跳过了完整视频生成和事后视觉解析，直接从尚未渲染的视频扩散潜变量中预测物体的六自由度轨迹。这个切入点真正有意思的地方，不是「扩散模型也能做机器人」，而是把生成过程中的内部状态变成了动作预测接口：模型还没画出画面，轨迹信息可能已经形成。对机器人系统而言，这意味着视频生成模型不必只充当世界模拟器，其潜变量也可能直接连接规划与控制模块。摘要没有提供不同场景下的精度、泛化与实时性数据，实际价值仍需结合全文确认，但这种接口变化值得机器人团队持续关注。

原文：DreamTraj