生成式 AI 的兴起使得在医疗、金融和公共政策等领域能够生成高保真度的合成表格数据，这不仅提升了数据可用性，还带来了诸多挑战和机遇。随着合成数据质量的不断提升，研究人员和从业者开始探索其在数据共享、隐私保护以及模型训练等方面的潜在应用。然而，合成数据的真实性、偏差以及对下游任务的影响仍是亟待解决的问题。本文综述了当前生成式 AI 在合成表格数据生成中的最新进展，重点讨论了模型架构、评估指标以及实际应用场景，并提出了未来研究的可能方向。
Large language models (LLMs) achieve state-of-the-art results across many natural language tasks, but their internal mechanisms remain difficult to interpret. I...
视频扩散模型在帧级保真度方面表现出色，但仍在运动连贯性、动态性和真实感方面存在困难，常常会产生抖动、重影或 …
大型语言模型（LLMs）在许多基准测试中取得了令人印象深刻的结果，但它们在规划和有状态推理方面的能力仍不明确。我们研究了……
端到端（E2E）自动驾驶模型在开放环评估中表现出强大的性能，但往往会出现级联错误和泛化能力差的问题……
Latent reasoning 代表了 Transformer 语言模型的一个新发展，与 chain-of-thought 相比，它在压缩推理长度方面显示出潜力。
对抗性攻击对基于学习的 3D 点云模型构成了重大威胁，严重削弱了它们在安全敏感应用中的可靠性。
如果语言模型在专业情境中无法可靠地披露其 AI 身份，用户就无法信任其能力边界。本研究考察了自我透明…
大型语言模型（LLMs）在回答改写后的问题时常表现出不一致的行为，这表明它们更依赖于表层模式而不是…
Illumination inconsistency 是多视角 3D 重建中的一个根本性挑战。阳光方向、云层覆盖以及阴影的变化会破坏一致性……
本研究提出了一种基于多尺度时间对齐网络（MSTAN）的风险预测方法，以应对时间不规则性、采样...
Vision Language Action 模型通过利用大规模预训练的视觉和语言表征，显著推动了通用机器人操作的进步。
