Scaling Test-Time Compute to Achieve IOI Gold Medal with Open-Weight Models（在新窗口打开）
GenCluster用大规模生成、行为聚类与排序策略，使开放权重模型在IOI达金牌级表现。
- 提出可扩展、可复现的测试时算力框架GenCluster
- 结合生成、聚类、排序与循环提交，在有限验证预算下探索解空间
- 首次报告开放权重模型gpt-oss-120b在IOI 2025达金牌
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
2025-10-17 周五共 12 篇：生成 4 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 3 · 音频 0 · 基础模型 3
- 生成
- 文生图 2图编辑 0视频生成 23D 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 1具身智能 1
- 理解
- VLM 3OCR 0
- 音频
- 音频 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 12 篇
DOS: Directional Object Separation in Text Embeddings for Multi-Object Image Generation（在新窗口打开）
DOS修改三类CLIP文本嵌入，缓解多物体T2I中的遗漏与物体混淆。
- 归纳四类多物体失败场景并分析CLIP嵌入特性
- 提出DOS，在入模前对CLIP文本嵌入做方向性物体分离
- 多基准上提高成功率并显著优于四种对比方法的人评投票
VT-Refine: Learning Bimanual Assembly with Visuo-Tactile Feedback via Simulation Fine-Tuning（在新窗口打开）
视触觉扩散策略结合示范、高保真触觉仿真与大规模 RL 微调，提升接触丰富双臂装配的鲁棒性。
- 同步视觉与触觉输入训练扩散策略并迁移至带触觉传感器的数字孪生
- 利用 GPU 加速仿真建模压阻触觉法向力以支持 sim-to-real
- 在仿真与真实装配中通过数据多样性与策略微调提升表现
Identity-Preserving Image-to-Video Generation via Reward-Guided Optimization（在新窗口打开）
IPRO用 face identity 奖励与采样链末步反传，强化I2V在大动作与小脸场景下的身份一致。
- 提出IPRO：用人脸身份打分器做RL式扩散微调，不改架构
- 末几步采样链反传奖励，增强梯度反馈与收敛
- GT视频作多角度特征池打分，并加KL正则稳定训练
Virtually Being: Customizing Camera-Controllable Video Diffusion Models with Multi-View Performance Captures（在新窗口打开）
用体积捕获与4DGS构建定制数据，微调视频扩散，实现多视角身份一致与3D相机控制。
- 体积捕获经4DGS重渲染与重照明，构建角色一致定制数据管线
- 微调开源视频扩散，强化多视角身份、相机控制与光照适配
- 支持多主体联合训练或推理期噪声混合及场景/实拍定制
VTimeCoT: Thinking by Drawing for Video Temporal Grounding and Reasoning（在新窗口打开）
无训练框架引入进度条视觉工具与 visuotemporal CoT，增强 MLLM 的视频时序定位与推理问答。
- 提出可插拔进度条集成与高亮两类进度条视觉工具
- 引入跨视频与文本的 visuotemporal CoT 推理流程
- 在 Qwen2VL-7B 与 GPT4o 上显著提升时序定位与推理任务表现
Consistent text-to-image generation via scene de-contextualization（在新窗口打开）
SDeC无训练编辑ID提示嵌入，抑制场景—身份关联，跨场景保持主体一致且无需预知全部场景。
- 形式化场景语境化与身份漂移，并给出相关性强度理论界
- SDeC用SVD方向稳定性自适应重加权，逆过程去语境化
- 逐场景可用，实验显著提升身份保持与场景多样性
Information Gain-based Policy Optimization: A Simple and Effective Approach for Multi-Turn Search Agents（在新窗口打开）
以各轮对正确答案概率的边际增益作为内在 turn 级奖励，缓解多轮搜索 Agent RL 的稀疏奖励问题。
- 将每轮交互建模为对 ground truth 的信息增量获取过程
- 无需外部奖励模型或昂贵 MC 估计，从模型信念更新导出内在奖励
- 域内与域外多轮基准上较强基线更准确且样本效率更高
Knowledge-based Visual Question Answer with Multimodal Processing, Retrieval and Filtering（在新窗口打开）
Wiki-PRF三阶段处理—检索—过滤，并以RL奖励训练VLM，在E-VQA与InfoSeek达SOTA。
- Wiki-PRF：视觉工具抽取查询、多模态检索与相关性过滤三阶段
- 以答案准确与格式一致为奖励的RL训练，强化推理与工具调用
- 在E-VQA与InfoSeek上显著提升答案质量
UrbanVerse: Scaling Urban Simulation by Watching City-Tour Videos（在新窗口打开）
从众包城市漫游视频自动提取布局并实例化物理交互 3D 仿真，支撑城市具身导航训练与 sim-to-real。
- 发布含 10 万+ 标注城市 3D 资产与物理属性的 UrbanVerse-100K
- UrbanVerse-Gen 流水线从视频构建 metric-scale 可交互 IsaacSim 场景
- UrbanVerse 训练策略在仿真与零样本 sim-to-real 导航上优于 prior 方法
Toward Robust Multilingual Adaptation of LLMs for Low-Resource Languages（在新窗口打开）
LiRA轻量微调Arca锚定与LaSR语义头，提升低资源语种的检索、问答与推理稳定性。
- LiRA联合优化表示稳定与跨语言语义一致，即插即用
- Arca锚点对齐英文语义空间，LaSR做语言耦合一致性正则
- 发布五东南亚与两南亚语言的多语言商品检索数据集
MSPL: Multi-Step Pseudo-Labeling for Open-Vocabulary Object Detection（在新窗口打开）
在 OVD 伪标签流程中引入定位、识类与背景 grounding 的多步视觉推理，提升新类检测表现。
- 将复杂场景理解分解为对象定位、类别识别与背景 grounding 三步
- 以中间推理状态作为伪标签的丰富监督信号
- 在 OV-COCO 与 OV-LVIS 上达到 SOTA 且伪标签效率更优
没有符合条件的论文。