End-to-End Multi-Modal Diffusion Mamba（在新窗口打开）
MDM 用 Mamba 多步选择扩散与统一 VAE 编解码，端到端同时生成高分辨率图像与长文本。
- MDM：Mamba 扩散在统一 VAE 下渐进生成多模态信息
- 图像生成、caption、VQA、推理等任务优于 MonoFormer 等端到端模型
- 与 GPT-4V、Gemini Pro 等 SOTA 可比并保持计算效率
前沿论文
14 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-16 13:30
2025-10-16 周四共 9 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 3 · 音频 1 · 基础模型 5
- 生成
- 文生图 0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
- 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 1
- 基础模型
- LLM 4统一多模态 1
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
Optimal Aggregation of LLM and PRM Signals for Efficient Test-Time Scaling（在新窗口打开）
为测试时扩展建立 LLM 与过程奖励模型信号的最优加权聚合理论，校准后仅用约两成算力即可优于常规 PRM 选答。
- 给出 LLM 与 PRM 验证信号最优加权聚合的理论框架
- 揭示最优权重随 LLM–PRM 组合变化且可为负，并提出预计算校准方法
- 在 5 个 LLM 与 7 个 PRM 上验证效率与性能，计算量约为 vanilla 加权多数投票的 21.3%
The Alignment Veto: How Safety Training Suppresses Cultural Knowledge in LLMs（在新窗口打开）
揭示对齐训练在拒答时压制而非抹除文化价值，内部 logit 仍与人类调查更一致。
- 提出 alignment veto：拒答时刻内部分布仍反映文化知识
- 区分压制失败与表征偏见失败及不同干预需求
- 稀疏自编码器定位 Tulu-3-8B 中 DPO 阶段候选抑制特征
What "Not" to Detect: Negation-Aware VLMs via Structured Reasoning and Token Merging（在新窗口打开）
构建 CoVAND 否定数据与 NegToMe 模块，缓解 VLM 在描述性检测中的肯定性偏见。
- CoVAND：CoT 与 VQA 流水线生成实例级否定数据
- NegToMe 将否定与属性合并为语义短语，修复分词丢失极性
- 配合策略 LoRA，OVDEval 上 NMS-AP 最高提升约 10.8 点
Towards Understanding Valuable Preference Data for Large Language Model Alignment（在新窗口打开）
用截断影响函数 TIF 评估单条偏好数据对验证集的影响，提出模型相关的数据选择规则。
- TIF 缓解传统影响函数过打分，揭示偏好数据质量具模型依赖性
- 两种与 TIF 正相关、更轻量的评分函数用于数据选择
- 组合 SF 的数据选择规则，用更少数据取得更好对齐表现
Cross-modal Consistency Guidance for Robust Emotion Control in Auto-Regressive TTS Models（在新窗口打开）
CCG-CFG 按文本与目标 speech 情感不一致程度动态调节引导，蒸馏后提升 CosyVoice2 情感对齐。
- CCG-CFG：用文本情感替代 dropout，动态尺度缓解语义-情感冲突
- 难样本挖掘蒸馏引导信号，增强情感对齐能力
- 五情感语料与两 TTS 基准上情感识别准确率绝对提升最高约 12%
Attention Illuminates LLM Reasoning: The Preplan-and-Anchor Rhythm Enables Fine-Grained Policy Optimization（在新窗口打开）
用注意力距离与未来影响指标揭示 preplan-and-anchor 推理节律，并设计针对性 RL 信用分配。
- 局部/全局注意力头与锯齿模式、Future Attention Influence 等形式化
- 发现预规划 token 与语义锚 token 的 recurring 机制
- 三种 RL 策略对关键节点动态信用分配，多推理任务一致增益
Self-Aug: Query and Entropy Adaptive Decoding for Large Vision-Language Models（在新窗口打开）
免训练解码：查询自适应自增强 prompt 与熵阈值调节候选 token，减轻 LVLM 幻觉。
- 自增强 prompting 动态对齐查询与视觉增强语义
- 基于 logit 稀疏度的自适应阈值调节下一 token 候选规模
- 四 LVLM、七基准上事实一致性优于 SOTA 解码方法
Unifying Vision-Language Latents for Zero-label Image Caption Enhancement（在新窗口打开）
提出 ViZer 框架，在无文本标注下对齐视觉与语言表示，增强现有 VLM 的描述质量。
- 零标注增强训练框架 ViZer，无需重训即可改善 caption
- 训练中主动对齐视觉与语言特征，不依赖人工或合成标注
- 在 SmolVLM-Base、Qwen2-VL 上定性描述更 grounded
没有符合条件的论文。