每日论文 2024-10-21 · PolySight

2024-10-21 周一共 7 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 1 · 音频 0 · 多语 2 · 基础模型 2

生成: 文生图 2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 0具身智能 0
理解: VLM 1OCR 0
音频: 音频 0
多语: 多语言与翻译 2
基础模型: LLM 2统一多模态 0

前一天后一天

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 7 篇

多语言与翻译P1 顶会EMNLP 20242024-10-21引用 59

Towards Cross-Cultural Machine Translation with Retrieval-Augmented Generation from Multilingual Knowledge Graphs（在新窗口打开）

提出含文化敏感实体名的翻译基准 XC-Translate 与 KG-MT，用多语言知识图谱检索增强神经机器翻译。

发布首个聚焦文化相关实体名的大规模人工跨文化机器翻译基准 XC-Translate
提出 KG-MT，以稠密检索将多语言知识图谱信息端到端融入神经机器翻译
实验显示 KG-MT 相对 NLLB-200、GPT-4 分别有显著相对提升

VLMP1 顶会ICLR 20252024-10-21引用 21

Fine-Grained Verifiers: Preference Modeling as Next-token Prediction in Vision-Language Alignment（在新窗口打开）

提出 FiSAO，用视觉编码器作 token 级细粒度验证器，在无额外数据下自对齐 VLLM。

提出 FiSAO，利用模型自身视觉编码器提供 token 级反馈实现自对齐
无需额外偏好数据即可改善视觉语言对齐，并优于部分需外部数据的偏好微调
首次在 VLLM 上应用 token 级奖励并给出理论分析与实验验证

文生图P1 顶会ICLR 20252024-10-21引用 33

Dynamic Negative Guidance of Diffusion Models（在新窗口打开）

指出固定尺度负向提示的局限，提出随时间与状态调节的动态负向引导 DNG，可用于 Stable Diffusion。

分析常规 Negative Prompting 在非平稳、状态相关去噪过程中的次优性
推导 Dynamic Negative Guidance，无需额外训练即可近最优地调制负向引导
在 MNIST/CIFAR10 类别移除及 Stable Diffusion 上验证更安全、更精准的引导效果

多语言与翻译P1 顶会NAACL 20252024-10-21引用 2

Towards Robust Knowledge Representations in Multilingual LLMs for Equivalence and Inheritance based Consistent Reasoning（在新窗口打开）

评测多语言 LLM 在等价与继承关系上的跨语言一致性，并提出组合表示以减轻冲突。

引入跨六种语言、基于等价与继承关系的新任务与基准
揭示 SOTA LLM 跨语言答案冲突与继承约束违反的普遍问题
提出 Compositional Representations，通过跨语言等价 token 组合共享表示以降低冲突

LLMP1 顶会NeurIPS 20242024-10-21引用 10

MomentumSMoE: Integrating Momentum into Sparse Mixture of Experts（在新窗口打开）

将动量融入 SMoE 提出 MomentumSMoE，理论并实验证明显更稳定、对数据污染更鲁棒。

建立 SMoE 专家表示动力学与多目标梯度下降的联系
提出 MomentumSMoE 族，证明其较 SMoE 更稳定、更鲁棒
在 ImageNet、WikiText-103 及 V-MoE、GLaM 等架构上验证通用性

LLMP1 顶会ACL 20252024-10-21引用 8

ETF: An Entity Tracing Framework for Hallucination Detection in Code Summaries（在新窗口打开）

发布 CodeSumEval 并提 ETF，结合静态分析与 LLM 将摘要实体回溯到代码以检测幻觉。

构建约 1 万样本的 CodeSumEval，专用于代码摘要幻觉检测
提出 Entity Tracing Framework，静态分析提取实体并由 LLM 映射验证摘要中的实体与意图
实验达到 73% F1，可评估摘要准确性并定位摘要内错误

文生图P1 顶会NeurIPS 20242024-10-21引用 2

FashionR2R: Texture-preserving Rendered-to-Real Image Translation with Diffusion Models（在新窗口打开）

两阶段将渲染穿衣人像转为照片级真实图，用 TAC 保留服装细粒度纹理，并发布 SynFashion 数据集。

提出 DKI 与 RIG 两阶段框架，在预训练 T2I 扩散模型上注入域知识并生成真实图像
设计 Texture-preserving Attention Control，利用 UNet 解耦特征保留服装纹理
构建含多样纹理的高质量数字服装数据集 SynFashion