水印实现bit级溯源，扩散VLM进GUI定位

重点关注

01 Agent 扩散模型首次挑战自回归在GUI定位上的默认地位

GUI grounding（界面元素定位）一直默认归自回归VLM处理，但从没人认真验证过这是不是最优选择。这篇CVPR工作把离散扩散视觉语言模型适配到GUI定位任务上，核心假设是：扩散模型的双向注意力机制在空间定位上可能比自回归的单向生成更有结构性优势。他们提出了一种混合掩码策略，结合线性和确定性掩码来更好地捕捉bounding box的层次结构，在定位成功率上比纯线性掩码提升了最多6.1个点。在Web、桌面和移动端四个数据集上的评测显示，扩散模型虽然预训练数据有限，但已经能和自回归模型打得有来有回。扩大训练数据覆盖更多GUI领域后，延迟降低约1.3秒，定位精度平均提升20个点——数据多样性对扩散模型的GUI泛化至关重要。消融实验也揭示了一个实际限制：增加扩散步数和生成长度能提升精度，但延迟随之增加，且精度在一定步数后饱和。这是一个扎实的起点，但扩散模型在复杂多步GUI操作中的泛化能力还需要更多场景验证。

原文：Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding

02 训练优化 零空间压缩程度，能预测LoRA合并效果？

LoRA微调过程中，下投影矩阵A的零空间（null space）会被系统性压缩。NSC发现这个几何信号和任务性能正相关，可以直接用来确定合并权重——不需要标签，也不需要推理。这解决了一个实际问题：现有LoRA合并方法大多依赖基于熵的代理信号，只适用于分类任务；碰到回归或序列生成任务就失效。NSC只看适配器几何结构，天然跨任务类型通用，在20个异构视觉任务上达到SOTA，NLI和VQA上同样超过基线，已被CVPR接收。

原文：Label-Free Cross-Task LoRA Merging with Null-Space Compression

03 推理加速 效率研究都在追并行度，CPU推理怎么办？

工控设备、边缘网关、低成本服务器——大量实际部署场景没有AI加速器，推理最终都落在CPU上。但视觉骨干几乎没有为这类硬件做过专门设计，连手机和嵌入式AI模块都算高并行设备了。CPUBone针对这个问题做了系统研究：用分组卷积和小卷积核降低MACs（乘加运算量），同时确保MACpS（每秒实际吞吐）不掉——因为在CPU上，减少计算量不等于减少延迟，硬件利用率才是关键。在多种CPU设备上达到了当前最优的速度-精度权衡，效果也能迁移到检测和分割任务。

原文：CPUBone: Efficient Vision Backbone Design for Devices with Low Parallelization Capabilities

04 安全对齐 从「检测」到「通信」：AI水印的范式可能要变了

把AI水印从阈值检测升级为通信信道——这个视角转换相当漂亮。现有水印方案本质上是模糊匹配：给图片打个分，超过阈值就判「有水印」，但没法告诉你更多。Gaussian Shannon换了个思路，把扩散模型的生成过程直接建模为Shannon经典框架下的噪声信道，在初始高斯噪声里嵌入结构化信息，再用纠错码加多数投票在接收端精确恢复每一个bit。关键区别：不只是回答「这张图有没有水印」，而是能无损还原完整元数据——谁生成的、什么时候、用什么prompt。不需要微调模型，不损失生成质量，在三个Stable Diffusion变体和七种扰动下都保持了bit级精度，已被CVPR接收。

原文：Gaussian Shannon: High-Precision Diffusion Model Watermarking Based on Communication