🌍世界模型P1 顶会ICML 2026
提出 WorldTest 与 AutumnBench，检验所学模型能否回答依赖全环境而非单条轨迹的环境级问题。
- WorldTest 协议评估多类 environment-level queries，超越下一帧预测与任务回报
- AutumnBench：43 个交互 grid-world 环境与 129 任务、三类查询族
- 517 名参与者与五个前沿模型实验，人类显著优于模型并分析探索与信念更新差异
💬LLMP1 顶会ICLR 2026
在 GRPO 学习停滞时分级注入 in-prompt hints，缓解难题零奖励悬崖，显著提升数学推理 pass@1。
- 诊断学习停滞，仅在 plateau 时注入从抽象概念到具体步骤的分级 hints
- Scaf-GRPO 渐进框架使模型自行构造有效解，扩展可验证奖励 RL
- 在 AIME24 等难题数学基准上相对 vanilla GRPO 显著提升 Qwen2.5-Math-7B pass@1
👁️VLMP1 顶会ICLR 2026
发布 MV-RoboBench，评测 VLM 在机器人多视角下的空间理解与执行推理，显著低于人类。
- 发布含 1.7k 人工 QA、八个子任务的机器人多视角空间推理基准
- 评估开源与闭源 VLM 及 CoT 增强版，揭示与单视角通用基准的不迁移性
- 发现多视角机器人场景中空间智能与任务执行表现正相关
🎨文生图P1 顶会ICLR 2026
系统分析提示复杂度如何影响 T2I 合成数据的质量、多样性与一致性，并给出真实/合成数据对比框架。
- 合成实验与理论推导说明向更一般条件泛化的难点
- 提出可比较真实数据与 T2I 合成数据效用的评测框架
- 大规模实验揭示复杂度与多样性、一致性及 synthetic-real 分布偏移的关联
🧩统一多模态P1 顶会ICLR 2026
揭示统一多模态模型能视觉复现概念却难以文字表述的模态失语，及单模态对齐下的跨模态安全风险。
- 系统展示前沿模型可近乎完美复现标志性电影图却会在文字描述中混淆关键细节
- 多架构合成数据 controlled 实验证实模态失语为当前统一模型的 fundamental 属性
- 仅文本对齐的模型仍可能生成不安全图像，暴露 AI safety 框架漏洞
👁️VLMP1 顶会ICLR 2026
用场景图结构化 rubric 指导 LLM 评判详细描述，并发布艺术品域基准 DOCENT。
- 提出 PoSh 指标，以场景图引导 LLM-as-a-Judge 定位组合理解等细粒度错误
- 发布含专家参考与学生粒度标注的艺术品描述基准 DOCENT
- 显示 PoSh 与人类判断相关性优于现有指标，并可作奖励用于训练
🦾具身智能P1 顶会NeurIPS 2025
Transformer 具身 RL 中交错周期性摘要 token 做记忆读写，长跑任务上优于 naive 长上下文基线且更省算力与存储。
- 提出 Memo 架构与 RL 训练配方，训练时交错摘要 token 与输入实现记忆创建与检索
- 在 gridworld meta-RL 与逼真室内多物体导航任务上验证优于长上下文 Transformer
- 推理可泛化更长上下文，流式场景下截断历史仍鲁棒
🌍世界模型P1 顶会ICLR 2026
Dream4Drive 用 3D 引导图与资产渲染编辑多视角驾驶视频，提升下游感知尤其是 corner case。
- 提出面向下游感知增强的合成数据框架 Dream4Drive
- 贡献驾驶场景 3D 资产数据集 DriveObj3D，支持多样 3D 感知视频编辑
- 系统验证合成数据在不同训练轮次下对感知模型的提升
👁️VLMP1 顶会ACL 2026
轻量预处理模块为图像-查询预测最小足够分辨率，保任务表现同时最高约减 80% 计算。
- 提出 CARES，用 350M 紧凑 VLM 预测目标 VLM 作答能力收敛所需最小分辨率
- 离散分辨率分类训练，推理时可连续插值以细粒度控分辨率
- 跨文档与自然图像五大多模态基准及多种目标 VLM 验证有效
🦾具身智能P1 顶会NeurIPS 2025
将符号规划编译为可组合程序嵌入 LM 推理，在 PDDLGym 等基准上低延迟高效具身推理。
- 提出 NeSyPr：符号计划经神经符号程序化转为 LM 可一步执行的程序表示
- 测试时无需外部分符号引擎，适合资源与延迟受限的物理部署
- 在 PDDLGym、VirtualHome、ALFWorld 上优于大推理模型与纯符号规划器组合
🎧音频P1 顶会ICASSP 2026
用思维链分解端到端语音槽填充，构建推理数据并 SFT，混合 direct/reasoning 模式更优。
- 将推理链融入 speechLLM 的端到端槽填充任务与训练数据
- 对比不同文本基座 LLM 规模与类型对 reasoning speechLLM 的影响
- 混合模式 speechLLM 优于仅单一操作模式的微调
👁️VLMP1 顶会ICLR 2026
将视频推理分割作视频 QA，用 DecAF 精炼注意力图并配合 SAM2，无需重训即逼近有训练分割方法。
- 提出 DecAF：对比式物体-背景融合与互补视频帧融合抑制噪声注意力
- 注意力 rollout 得粗掩码，再经 attention-guided SAM2 得细粒度掩码
- 全程无 MLLM 与 SAM 联合训练，在指代与推理 VOS 上优于其他无训练基线
💬LLMP1 顶会ACL 2026
提出 SCRIPTS 双语对话数据集与社会关系推理任务，显示当前 LLM 社会推理仍有限，韩文更弱。
- 发布约 1.1k 段英韩电影剧本对话数据集 SCRIPTS
- 设计推断说话人社会关系（如朋友、恋人）的评测任务
- 分析思维链与 thinking 模型对社会推理收益有限且可能放大偏见
🎬视频生成P1 顶会ICCV 2025
将 SSL 视频世界模型 VJEPA-2 作奖励耦合 MAGI-1，提升 SOTA 视频生成物理 plausibility 约 6%。
- PhysicsIQ 挑战获胜技术报告：用 VJEPA-2 引导 MAGI-1 生成过程
- 表明可借 SSL 预训练视频世界模型改善生成模型物理理解
- 视觉 realism 不蕴含物理理解时，reward signal 可 measurably 改进 plausibility
💬LLMP1 顶会NeurIPS 2025
从部分错误模块中提取已验证输出信号级正确片段，做 signal-aware DPO 优化 Verilog 生成。
- 提出从错误模块中抽取信号级功能正确代码段以构造有意义 RL 奖励
- 引入 signal-aware DPO，在 VerilogEval 与 RTLLM 上达到 SOTA
- 7B 模型在相同数据上可匹配更大闭源模型表现