Masked是人工智能领域中一种关键技术，指通过隐藏部分输入数据来训练模型处理不完整信息的能力。这种方法在自然语言处理和计算机视觉中被广泛应用，帮助模型学习更鲁棒的特征表示。
Masked技术近期进展
Maskability Index研究于2026年7月发布，提出了一种评估预训练模型提示策略对齐的新方法。该研究通过系统化评估不同掩码策略对模型性能的影响，为提示工程提供了新的理论框架。Maskability Index：预测预训练模型提示策略对齐
MIT CSAIL团队开发的Masked ILL技术于近期公布，使大语言模型能够帮助机器人理解模糊指令。这项研究通过掩码部分指令信息，迫使模型更专注于关键语义，提高了机器人在复杂环境中的指令理解准确率。Masked IRL：LLM助机器人理解模糊指令
蚂蚁集团Robbyant团队开源了LingBot-Vision模型，这是一个1B参数的边界中心视觉模型，采用了创新的掩码处理技术。该模型在密集空间感知任务中表现出色，特别是在处理部分可见场景时展现出优势。蚂蚁集团Robbyant开源LingBot-Vision：1B边界中心视觉模型
当前焦点与观察点
Masked技术正从简单的数据预处理工具发展为复杂的模型训练范式。2026年7月发布的DiMOS框架展示了免训练多目标科学设计搜索的新方法，通过Doob引导的掩码技术实现了更高效的优化过程。DiMOS：基于Doob引导的免训练多目标科学设计搜索框架
在视觉领域，Masked技术正与多模态模型深度融合。Zyphra发布的ZUNA1.1模型支持0.5-30秒可变长度输入，通过创新的掩码处理方式提升了EEG信号分析的灵活性。Zyphra发布ZUNA1.1：Apache 2.0 EEG基础模型支持0.5-30秒可变输入
当前研究焦点集中在如何平衡信息掩码与模型性能之间的关系。AeBAD研究通过视觉提示和双教师监督提升了异常检测性能3.5%，展示了掩码技术在提高模型鲁棒性方面的潜力。视觉提示+双教师监督提升异常检测鲁棒性，AeBAD提升3.5%