IRASim: A Fine-Grained World Model for Robot Manipulation（在新窗口打开）
扩散 Transformer 世界模型在动作轨迹条件下生成细粒度人机交互视频，用于规划与策略评估。
- 块级动作条件模块强化动作与帧的对齐
- 生成质量优于基线且与真模拟器策略评估高度相关
- 基于模型的测试时规划在 Push-T 上显著提升 IoU
前沿论文
17 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-20 18:44
返回聚合视图2024-06-21 周五共 9 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 2 · 音频 1 · 多语 0 · 基础模型 3
- 生成
- 文生图 1图编辑 0视频生成 03D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0代码 Agent 0工具调用 0
- 世界模型与具身
- 世界模型 1具身智能 1
- 理解
- VLM 2OCR 0
- 音频
- 音频 1
- 多语
- 多语言与翻译 0
- 基础模型
- LLM 3统一多模态 0
这一天为历史补采：作者单位只来自 OpenAlex，入选论文比每日更新少；要点由 AI 根据论文摘要生成，以原文为准。
共 9 篇
VLBiasBench: A Comprehensive Benchmark for Evaluating Bias in Large Vision-Language Model（在新窗口打开）
构建覆盖九类社会偏见与交叉维度的 VLBiasBench，系统评测开源与闭源 LVLM 偏见。
- 九类社会偏见及 race×gender 等交叉类别的大规模评测集
- Stable Diffusion XL 生成图像并结合开放式/封闭式问题
- 对 15 个开源与 2 个闭源模型开展广泛偏见评测
MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding（在新窗口打开）
面向 LVLM 的长 YouTube 视频、自由问答与能力 taxonomy，用于严格评估时序推理。
- 长视频、多镜头与自由问答题型的定量视频理解基准
- 人工标注问题并构建时序推理能力分类体系
- 采用 GPT-4 自动评测并计划接入 VLMEvalKit
Mitigating the Human-Robot Domain Discrepancy in Visual Pre-training for Robotic Manipulation（在新窗口打开）
利用人机配对视频与对比对齐损失，参数高效地将人类活动预训练视觉模型适配到机器人操作。
- 提出基于人机配对视频的人-机对比语义对齐范式
- 在两类仿真基准共 20 任务与五项真实任务上验证
- 相对既有预训练模型平均成功率提升超过 7%
Joint vs Sequential Speaker-Role Detection and Automatic Speech Recognition for Air-traffic Control（在新窗口打开）
提出基于 Transformer 的空管 ASR 与说话人角色检测联合系统，并在多数据集上与级联方案对比。
- 在标准 ASR 架构上联合完成转写与 pilot/ATCO 角色划分
- 多空管数据集上分析联合与级联架构各自适用场景
- 分析声学/词法差异影响并给出联合架构应对方案
Stylebreeder: Exploring and Democratizing Artistic Styles through Text-to-Image Models（在新窗口打开）
基于 Artbreeder 构建大规模用户艺术风格数据集，支持风格识别、个性化生成与推荐，并公开 LoRA 风格资源。
- 发布 STYLEBREEDER 数据集（约680万图、180万 prompt、9.5万用户）
- 定义风格识别、个性化生成与风格推荐任务并评测 personalization 方法
- 提供风格 atlas 与 LoRA 模型等公开资源（CC0）
Connecting the Dots: LLMs can Infer and Verbalize Latent Structure from Disparate Training Data（在新窗口打开）
研究归纳式上下文外推理（OOCR）：模型能否无 ICL/CoT 从分散证据推断隐信息并用于下游。
- 形式化并评测五类任务上的 inductive OOCR 能力
- 展示仅距离、抛硬币等碎片化监督仍可诱导隐结构表述
- 指出 OOCR 不可靠性及其对知识审查与监控的含义
On the Representational Capacity of Neural Language Models with Chain-of-Thought Reasoning（在新窗口打开）
在概率形式化下分析带 CoT 的 RNN/Transformer 与概率图灵机可表示的字符串分布族。
- 将 CoT 推理置于概率设定以衔接 LM 与图灵机讨论
- 给出带 CoT 的循环与 Transformer LM 表示能力结果
- 说明其与概率图灵机可表示同一类字符串分布
Investigating Mysteries of CoT-Augmented Distillation（在新窗口打开）
通过消融揭示 CoT 蒸馏增益：标签后放置 rationale 更优，且无需完整连贯推理链。
- 发现 CoT 置于标签之后通常优于置于之前
- 表明 rationale token 打乱后蒸馏增益仍较稳健
- 少量关键 token 即可接近完整 rationale 的蒸馏效果
没有符合条件的论文。