MagicMotion: Controllable Video Generation with Dense-to-Sparse Trajectory Guidance（在新窗口打开）
图生视频框架支持掩码到稀疏框三级轨迹条件，并配套 MagicData 与 MagicBench。
- MagicMotion 以密集到稀疏三级条件实现多物体轨迹可控图生视频
- 发布 MagicData 大规模轨迹控制视频集及自动标注筛选流程
- 提出 MagicBench，综合评估画质与不同物体数下的轨迹控制精度
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2025-03-21 周五共 10 篇：生成 2 · 代码生成 0 · 智能体 1 · 世界模型与具身 2 · 理解 3 · 音频 0 · 多语 0 · 基础模型 2
- 生成
- 文生图 0图编辑 0视频生成 13D 生成 1
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 1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 2
- 理解
- VLM 3OCR 0
- 音频
- 音频 0
- 多语
- 多语言与翻译 0
- 基础模型
- LLM 2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 10 篇
UI-Vision: A Desktop-centric GUI Benchmark for Visual Perception and Interaction（在新窗口打开）
首个许可友好的离线桌面 GUI 智能体评测基准，含 83 款应用标注与三类 grounding/动作任务。
- 发布离线桌面环境下细粒度人机演示与动作轨迹标注数据
- 定义元素定位、布局定位与动作预测三类任务及评测指标
- 评测显示 SOTA 在专业软件、空间推理与拖拽等操作上仍明显不足
JARVIS-VLA: Post-Training Large-Scale Vision Language Models to Play Visual Games with Keyboards and Mouse（在新窗口打开）
用视觉语言后训练增强 VLM 再构建 VLA，在 Minecraft 千余种原子任务上较最佳基线提升约 40%。
- 提出 Act from Visual Language Post-Training，自监督强化世界知识、视觉识别与空间 grounding
- 得到可在 Minecraft 跟随指令完成超 1k 原子任务的 VLA 模型
- 实验显示非轨迹后训练显著优于模仿学习与传统 agent 基线
MASH-VLM: Mitigating Action-Scene Hallucination in Video-LLMs through Disentangled Spatial-Temporal Representations（在新窗口打开）
DST-attention 与 Harmonic-RoPE 解耦时空 token，并发布 UNSCENE 专门评测动作-场景幻觉。
- 提出 DST-attention，限制空间与时间 token 的直接交互
- Harmonic-RoPE 扩展位置维以平衡时空 token 与文本
- 发布 UNSCENE 基准并在多项视频理解任务上表现领先
GraspCoT: Integrating Physical Property Reasoning for 6-DoF Grasping under Flexible Language Instructions（在新窗口打开）
物理属性导向 CoT 与多视角 3D 视觉 token 联合预测 6-DoF 抓取，并发布 IntentGrasp 基准。
- 三阶段 QA 模板：目标解析、物理属性分析、抓取动作选择
- 统一多模态 LLM 编码 3D 场景并输出抓取位姿
- 发布 IntentGrasp 填补间接语言指令多物体抓取数据空白
Zero-1-to-A: Zero-Shot One Image to Animatable Head Avatars Using Video Diffusion（在新窗口打开）
借视频扩散迭代构建时空一致数据，两阶段渐进学习从零样本单图得到 4D 头部化身。
- 用视频扩散合成数据集以缓解直接蒸馏导致的过平滑
- 空间一致性与时间一致性分阶段由简到繁优化化身
- 相对现有扩散法提升保真度、动画质量与渲染速度
MathFusion: Enhancing Mathematical Problem-solving of LLM through Instruction Fusion（在新窗口打开）
跨题顺序/并行/条件指令融合构建 MathFusionQA，少量合成数据显著提升数学推理。
- 三种跨题指令融合策略建模题间结构与概念关联
- 构建 MathFusionQA 并微调多款开源数学/通用 LLM
- 摘要用 45K 额外指令与跨基准约 18 分精度提升（相对传统单指令增广）
OSLoPrompt: Bridging Low-Supervision Challenges and Open-Set Domain Generalization in CLIP（在新窗口打开）
提出 LSOSDG 与 OSLOPROMPT，在 CLIP 上同时应对低样本域泛化与细粒度开放集拒识。
- 统一低样本学习与开放集域泛化为 LSOSDG 范式
- 域无关提示学习与跨注意力融合域线索与视觉语义
- 合成伪开放样本训练以提升未知类检测粒度
Generalized Few-shot 3D Point Cloud Segmentation with Vision-Language Model（在新窗口打开）
GFS-VL 融合 3D VLM 稠密伪标签与少样本原型，并扩展两类更具挑战的 GFS-PCS 基准。
- 原型引导伪标签筛选与自适应填充结合 VLM 与少样本
- novel-base mix 将支持样本嵌入训练场景保留上下文
- 新增多样新类基准以更全面评估广义少样本 3D 分割
Entropy-based Exploration Conduction for Multi-step Reasoning（在新窗口打开）
监控 LLM 输出熵与方差熵，动态决定加深、扩展或停止多步推理探索。
- 提出 Entro-duction，用熵信号动态调节推理探索深度
- 在推理准确率与探索成本之间做概率化权衡
- 在四个推理基准上验证方法有效
没有符合条件的论文。