MP1: MeanFlow Tames Policy Learning in 1-step for Robotic Manipulation（在新窗口打开）
点云输入的 MeanFlow 策略 1-NFE 生成操作轨迹，基准与真机验证成功率与速度优于对比方法。
- MeanFlow 身份学习区间平均速度，1-NFE 推理且无额外一致性约束
- CFG 提升轨迹可控性并保持单步推理
- Dispersive Loss 增强训练泛化，推理仍保持低延迟
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2025-07-15 周二共 12 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 6 · 音频 4 · 多语 0 · 基础模型 0
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 1
- 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 1
- 理解
- VLM 6OCR 0
- 音频
- 音频 4
- 多语
- 多语言与翻译 0
- 基础模型
- LLM 0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 12 篇
Advancing Text-to-3D Generation with Linearized Lookahead Variational Score Distillation（在新窗口打开）
针对 VSD 中 LoRA 与 3D 分布不匹配，提出 L²-VSD：前瞻优化顺序与线性化分数蒸馏，优于既有 score distillation 文生 3D 方法。
- 分析 VSD 实践中 score 模型与 3D 模型的分布不匹配问题
- 提出 Linearized Lookahead VSD，缓解不稳定训练并高效实现
- 可无缝接入其他基于 VSD 的 text-to-3D 框架
Aligning Generative Speech Enhancement with Perceptual Feedback（在新窗口打开）
用 DPO 与 UTMOS 代理人类评分，对齐 LM 语音增强的听感质量，在 DNS 2020 上相对提升最高约 56%。
- 提出以 UTMOS 为感知代理的 DPO 对齐 LM 语音增强方法
- 首次将感知反馈与 DPO 引入 LM-based SE 领域
- 在 Deep Noise Suppression Challenge 2020 上稳定提升语音质量指标
Generative Audio Language Modeling with Continuous-valued Tokens and Masked Next-Token Prediction（在新窗口打开）
不用离散 token，以 token 级 diffusion 建模连续下一 token，并提 masked next-token prediction，AudioCaps 上相对 AudioGen 显著降 FAD/KL。
- 因果 LM 框架下用连续值 token 与 token-wise diffusion 做音频生成
- 提出将掩码预测融入因果 LM 的 masked next-token prediction
- 更少参数下 FAD/KL 优于离散 AudioGen，FAD 可与 SOTA 扩散模型相当
PRISM: Reducing Spurious Implicit Biases in Vision-Language Models with LLM-Guided Embedding Projection（在新窗口打开）
无数据、任务无关的 PRISM 通过 LLM 生成虚假关联场景并学习投影去偏，在 Waterbirds 与 CelebA 上优于现有去偏方法。
- 提出无需预定义偏见类别与额外数据的去偏框架 PRISM
- 用 LLM 类提示生成含虚假关联的场景描述，并以对比式去偏损失学习投影
- 在保持图文对齐的同时削弱嵌入中的虚假相关
FIX-CLIP: Dual-Branch Hierarchical Contrastive Learning via Synthetic Captions for Better Understanding of Long Text（在新窗口打开）
扩展 CLIP 支持长文本：双分支对比、区域 prompt 与层次对齐，长短文本检索达 SOTA。
- 短/长文本分别与 masked/raw 图像对齐的双分支训练
- 可学习区域 prompt 与中间层层次特征对齐模块
- 30M 图像并用 MLLM 合成长 caption 用于训练
Mind the Gap: Preserving and Compensating for the Modality Gap in CLIP-Based Continual Learning（在新窗口打开）
分析 CLIP 微调中模态间隙变化，提出 MG-CLIP，用保留与补偿模态差缓解遗忘并适应新类，无需回放数据。
- 揭示模态间隙可反映预训练知识保留程度
- 提出 MG-CLIP：模态间隙保留减遗忘、补偿增强新数据学习能力
- 在类增量设定下多基准优于现有方法且不需额外回放数据
ClaritySpeech: Dementia Obfuscation in Speech（在新窗口打开）
ClaritySpeech 融合 ASR、文本混淆与零样本 TTS，在低数据且无微调下修正痴呆相关语音并保留说话人身份。
- 提出痴呆语音混淆框架，兼顾隐私与可及性
- ASR、文本混淆与零样本 TTS 串联，低数据环境无需微调
- 在 ADReSS/ADReSSo 上降低对手识别 F1 并改善 WER 与语音质量
Synthesizing Near-Boundary OOD Samples for Out-of-Distribution Detection（在新窗口打开）
SynOOD 用 MLLM 引导迭代 inpainting 合成边界 OOD 样本微调 CLIP，ImageNet OOD 检测达 SOTA。
- 利用扩散模型与 MLLM 生成边界对齐的合成 OOD 数据
- 结合能量分数梯度调整噪声以采样 InD/OOD 边界
- 微调 CLIP 图像编码器与负标签特征增强近边界判别
NegRefine: Refining Negative Label-Based Zero-Shot OOD Detection（在新窗口打开）
针对 CLIP 负标签 OOD 法中子类与专有名词误检，NegRefine 过滤负标签并用多匹配感知打分，在 ImageNet-1K 等大规模基准上更稳健。
- 过滤负标签集中的子类标签与专有名词
- 引入多匹配感知评分，动态调节多标签匹配时的贡献
- 提升 in-distribution 与 OOD 样本的分离鲁棒性
Knowing When to Quit: Probabilistic Early Exits for Speech Separation（在新窗口打开）
为单通道语音分离/增强设计可早退网络，用不确定性感知框架联合建模干净语音与误差方差，测试时按 SNR 条件省算力。
- 设计支持早退的语音分离与增强网络架构
- 提出联合建模干净信号与误差方差的不确定性框架
- 导出可解释的概率早退条件，早退不损重建且算力可动态缩放
ElasticMM: Efficient Multimodal LLMs Serving with Elastic Multimodal Parallelism（在新窗口打开）
提出 EMP 与 ElasticMM 服务系统，按模态与推理阶段弹性调度，TTFT 最高降约 4.2 倍、吞吐提升约 3.2–4.5 倍。
- 提出弹性多模态并行 EMP 服务范式
- 模态感知负载均衡与阶段解耦的弹性分区调度
- 统一多模态前缀缓存与非阻塞编码提升推理效率
没有符合条件的论文。