GUI-Rise: Structured Reasoning and History Summarization for GUI Navigation（在新窗口打开）
将结构化推理、动作预测与历史摘要统一训练 GUI 智能体，域外泛化与历史利用表现突出。
- 结构化推理链融合进度估计与决策，并驱动动作与紧凑历史摘要
- 伪标注轨迹 SFT 与 GRPO 强化学习，含历史感知奖励
- 同数据条件下标准基准 SOTA，域外场景尤其强
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
2025-11-03 周一共 6 篇：生成 0 · 代码生成 0 · 智能体 1 · 世界模型与具身 1 · 理解 3 · 音频 0 · 基础模型 1
- 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 1
- 世界模型与具身
- 世界模型 0具身智能 1
- 理解
- VLM 3OCR 0
- 音频
- 音频 0
- 基础模型
- LLM 1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 6 篇
Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model（在新窗口打开）
DUST 用双流扩散 VLA 联合世界建模，仿真与 Franka 真机均优于基线，推理时可异步采样缩放。
- 多模态扩散 Transformer 分模态流与跨模态共享，解耦 flow matching 学因果
- 动作与视觉 token 异步采样实现推理时 scaling
- 支持无动作视频预训练及异构人机数据联合训练迁移
Modality Alignment across Trees on Heterogeneous Hyperbolic Manifolds（在新窗口打开）
为图文构建树状层次特征并在不同曲率双曲空间对齐，提升开放集分类与跨域表现。
- 文本引导的跨注意力视觉类 token 提取，形成由粗到细视觉特征树
- 异构曲率双曲嵌入与 KL 距离、最优中间流形对齐理论
- 多数据集分类任务上少样本与跨域优于强基线
Can LLMs Help You at Work? A Sandbox for Evaluating LLM Agents in Enterprise Environments（在新窗口打开）
提出 EnterpriseBench，模拟企业碎片化数据与权限，500 项跨域任务上最强 Agent 仅约四成完成率。
- EnterpriseBench：覆盖软工、HR、财务等 500 任务的企业仿真基准
- 从组织元数据生成内部一致企业任务的数据流水线
- 揭示 SOTA LLM Agent 在企业场景下的显著能力缺口
NAUTILUS: A Large Multimodal Model for Underwater Scene Understanding（在新窗口打开）
构建 NautData 与物理先验 VFE 模块，在 LLaVA/Qwen 基座上提升八类水下理解任务。
- NautData：约 145 万图文对、支持八类水下场景理解任务
- 可插拔 VFE 模块利用水下成像物理先验增强视觉特征
- NAUTILUS 在 NautData 与公开水下数据集上验证有效
FLoC: Facility Location-Based Efficient Visual Token Compression for Long Video Understanding（在新窗口打开）
用设施选址函数无训练压缩长视频视觉 token，在 Video-MME 等基准上优于近期压缩方法。
- 预算约束下选代表且多样的 token 子集，lazy greedy 保证近最优与高效
- 训练无关、模型与 query 无关，可接入多种 video-LLM
- Video-MME、MLVU、LongVideoBench、EgoSchema 上稳定超越同类压缩
没有符合条件的论文。