本周顶会 AI 论文精选：视觉统一框架 / 打破遗忘 / 表格 AI 逆袭
精选 3 篇顶会 AI 论文：Google DeepMind 视觉统一框架 Vision Banana、UC Berkeley 快慢双权重解决大模型遗忘问题、Prior Labs 表格基础模型 TabPFN-3 以 93% 胜率碾压树模型。
本期精选 3 篇来自 Google DeepMind、UC Berkeley、Prior Labs 的顶会论文，用 3Blue1Brown 风格可视化动画，按「问题 → 方法 → 结果 → 意义」四段式拆解每篇核心贡献。
第一篇：Vision Banana — 让图像生成器成为通用视觉学习器
来源：Google DeepMind｜领域：Computer Vision / Generative Models
问题：计算机视觉任务长期碎片化——分割用 SAM，深度估计用 Depth Anything，每个任务一套专用模型，工程成本极高。
方法：基于 Nano Banana Pro 生成式预训练模型做指令微调，将分割、深度估计、视觉理解等任务统一映射为图像生成任务，无需独立专用头。
结果：分割性能超越 SAM 3，深度估计性能超越 Depth Anything V3，同时不牺牲原有生成能力。两项任务同时超越最强专用模型。
意义：生成式预训练有望成为视觉基础模型的核心，实现视觉领域范式转变，类比 LLM 预训练对语言的作用。
Takeaway：图像生成器，正在成为通用视觉学习器。
第二篇：Fast-Slow Training（FST）— 快慢分离，打破大模型「学新忘旧」
来源：UC Berkeley｜arXiv：2605.12484｜领域：LLM Continual Learning / RL Fine-tuning
问题：LLM 持续学习中的灾难性遗忘——学会新任务后旧能力大幅下降，纯 RL 微调样本效率低。
方法：双权重架构——慢权重保留长期稳定基础能力（RLVR 更新），快权重用 GEPA 算法优化提示词池快速吸收新任务知识。两套循环并行运转，分工明确互不干扰。
结果（对比 baseline）：
- 样本效率比纯 RL 高 3×
- KL 散度比纯 RL 低 70%
- CodeIO 和 HoVer-hard 两个数据集上多任务持续学习每轮均达性能峰值
意义：快慢分离架构为解决持续学习遗忘问题提供了新的工程范式。
Takeaway：快慢分离，是打破「学新忘旧」的关键思路。
第三篇：TabPFN-3 — 不调参也能赢的表格基础模型
来源：Prior Labs（Nature 论文续作）｜领域：Tabular ML / In-Context Learning
GitHub：⭐ 7,000+｜开源权重可用
问题：表格数据领域长期被梯度提升树（XGBoost / LightGBM）垄断，需要大量特征工程和超参调优。
方法：将训练集直接作为模型上下文（in-context learning），单次前向传播即可输出预测，无需梯度更新、无需超参搜索。额外支持 Thinking Mode，推理时对测试数据额外拟合，相当于表格版 test-time compute。
结果（对比 baseline）：
- TabArena 基准测试对传统 ML 方法胜率达 93%
- Thinking Mode 领先其他模型 200 Elo
- 单张 H100 可推理百万行数据，速度比前一代快 1000×
意义：表格基础模型正在动摇梯度提升树在表格数据领域的护城河，不调参也能超越传统方法。
Takeaway：表格基础模型正在改写行业规则，不调参也能赢。
围绕这条内容继续补充观点或上下文。