Generalizing Verifiable Instruction Following（在新窗口打开）
发布 IFBench 评测未见约束泛化，并用 RLVR 显著提升精确指令遵循。
- 发现模型在少量可验证约束上过拟合、泛化不足
- 提出含 58 项 OOD 约束的 IFBench 基准
- 设计约束验证模块并证明 RLVR 可显著改善泛化
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2025-07-04 周五共 9 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 3 · 音频 2 · 多语 0 · 基础模型 3
- 生成
- 文生图 0图编辑 0视频生成 13D 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 3OCR 0
- 音频
- 音频 2
- 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
MemAgent: Reshaping Long-Context LLM with Multi-Conv RL-based Memory Agent（在新窗口打开）
提出分段阅读与覆写式记忆更新的 MemAgent，端到端优化超长文本任务。
- 提出 MemAgent 工作流，分段读文并以覆写策略更新记忆
- 扩展 DAPO 以支持独立上下文的多轮生成训练
- 在 RULER 等评测上展现强长上下文外推能力
De-AntiFake: Rethinking the Protective Perturbations Against Voice Cloning Attacks（在新窗口打开）
系统评估可净化扰动下的 VC 防护局限，并提出两阶段净化反制方法。
- 首次在含扰动净化的威胁模型下系统评估 VC 保护扰动
- 提出净化后音素引导精炼的两阶段反制流程
- 实验显示该方法优于现有净化手段并揭示防护方案局限
A Cookbook for Community-driven Data Collection of Impaired Speech in LowResource Languages（在新窗口打开）
发布社区采集受损语音 ASR 的 cookbook，并开源 Akan 语首例数据集。
- 总结社区驱动受损语音采集与 ASR 构建最佳实践
- curated 并开源 Akan 语受损语音数据集与工具
- 展示开源 ASR 模型微调以识别受损语音的初步结果
OmniDraft: A Cross-vocabulary, Online Adaptive Drafter for On-device Speculative Decoding（在新窗口打开）
单一 draft 可配对任意目标 LLM，在线适配用户数据并加速解码。
- 提出跨词表 draft 与目标模型协同的 OmniDraft 框架
- 结合在线 n-gram 缓存与混合蒸馏微调缓解词表不匹配
- 在数学、代码与文本生成上实现约 1.5–2× 加速
AIGI-Holmes: Towards Explainable and Generalizable AI-Generated Image Detection via Multimodal Large Language Models（在新窗口打开）
构建 Holmes 数据集与三阶段训练管线，使 MLLM 检测 AIGI 并给出可验证解释。
- 发布 Holmes-Set 及 Multi-Expert Jury 标注流程
- 提出视觉专家预训练—SFT—DPO 的 Holmes Pipeline
- 推理阶段协同解码融合视觉专家与 MLLM 语义推理
From Long Videos to Engaging Clips: A Human-Inspired Video Editing Framework with Multimodal Narrative Understanding（在新窗口打开）
HIVE 用 MLLM 理解叙事并分解高光与剪枝子任务，缩小与人剪差距。
- 提出含角色、对话与叙事摘要的多模态剪辑框架 HIVE
- 将剪辑分解为高光检测、片头片尾选择与无关内容剪枝
- 发布 DramaAD 基准并在一般与广告向任务上优于基线
Visual Contextual Attack: Jailbreaking MLLMs with Image-Driven Context Injection（在新窗口打开）
提出 VisCo 视觉中心越狱，以图像构建完整对话上下文，在 GPT-4o 上 MM-SafetyBench 攻击成功率 85%。
- 定义视觉中心越狱：视觉为构造完整、 realistic 越狱上下文的必要部分
- VisCo 含四种视觉策略、动态辅助图像及毒性混淆与语义 refinement
- 黑盒 MLLM 上毒性分 4.78、ASR 85%，显著高于基线 2.48 与 22.2%
Prompt Disentanglement via Language Guidance and Representation Alignment for Domain Generalization（在新窗口打开）
用 LLM 解耦文本提示并引导视觉 prompt，配合 WERA 提升 VFM 域泛化。
- 提出文本特征引导的视觉 prompt 解耦框架
- 引入 WERA，用抽象 prompt 与增强对齐视觉表示
- 在 PACS、DomainNet 等主流 DG 数据集上优于 SOTA
没有符合条件的论文。