每日论文 2025-11-11

3D 生成P1 顶会AAAI 2026

4DSTR: Advancing Generative 4D Gaussians with Spatial-Temporal Rectification for High-Quality and Consistent 4D Generation（在新窗口打开）

对生成式 4D Gaussian Splatting 做时空校正，提升时序一致性与快变运动适应，视频到 4D 达 SOTA。

用时序相关校正可变形 Gaussian 的尺度与旋转以保证一致
自适应空间 densify/prune，按帧间运动动态增删 Gaussian 点
在重建质量、时空一致性与快变运动适应上优于既有 4D 方法

3D2CodeP1 顶会AAAI 2026

NURBGen: High-Fidelity Text-to-CAD Generation through LLM-Driven NURBS Modeling（在新窗口打开）

微调 LLM 将文本转为含 NURBS 参数的 JSON，直接生成可编辑 BRep CAD。

首个从文本直接生成 NURBS 参数化 CAD 的框架
混合表示结合未修剪 NURBS 与解析基元以稳健处理修剪面
发布 partABC 子集与自动标注管线，几何保真优于先前方法

LLMP1 顶会AAAI 2026

EASE: Practical and Efficient Safety Alignment for Small Language Models（在新窗口打开）

EASE 对小模型选择性启用安全推理，在降低越狱成功率的同时大幅削减推理开销，便于边缘部署。

筛选并蒸馏最优安全推理教师到小语言模型
对危险越狱查询才触发安全推理，其余恶意与一般任务直接响应
相对浅对齐降低越狱成功率，相对全量 deliberative 对齐降低推理开销

音频P1 顶会NeurIPS 2025

E2E-VGuard: Adversarial Prevention for Production LLM-based End-To-End Speech Synthesis（在新窗口打开）

针对 LLM 端到端语音合成与 ASR 驱动克隆，提出主动防御，保护音色与发音并在多合成器与商业 API 上验证。

覆盖生产级 LLM 语音合成与 ASR 驱动 E2E 克隆两类新威胁
编码器集成与 ASR 定向对抗样本分别保护音色与发音
结合心理声学模型保证扰动不可感知，含真实部署验证

GUI AgentP1 顶会ICLR 2026

Grounding Computer Use Agents on Human Demonstrations（在新窗口打开）

发布桌面 GroundCUA 数据集与 GroundNext 模型，少量数据即在多项 grounding 基准上达到 SOTA。

GroundCUA：87 款应用、56K 截图、350 万+人工校验 UI 元素标注
GroundNext 将自然语言指令映射到目标 UI 元素，3B/7B 监督微调优于同类
RL 后训练与 OSWorld 智能体评测验证高质量演示数据的关键作用

LLMP1 顶会AAAI 2026

Importance-Aware Data Selection for Efficient LLM Instruction Tuning（在新窗口打开）

MIWV 用 ICL 响应差异衡量指令数据对特定模型的增益，按 top 1% 选数据可优于全量指令微调。

提出 Model Instruction Weakness Value 量化指令数据对模型能力的重要性
基于 ICL 响应差异识别最利于指令微调的数据子集
仅 top 1% 数据选择即可超过全数据集训练效果

LLMP1 顶会AAAI 2026

SPA: Achieving Consensus in LLM Alignment via Self-Priority Optimization（在新窗口打开）

提出 trustworthy-before-helpful 的优先级对齐与 SPA 无监督框架，兼顾安全与有用性。

优先级对齐范式：先满足可信阈值再优化有用性
SPA 自生成、自评估、双准则去噪并构造字典序偏好对
不确定性加权对齐损失在多基准上提升有用性且不牺牲安全

LLMP1 顶会AAAI 2026

S-DAG: A Subject-Based Directed Acyclic Graph for Multi-Agent Heterogeneous Reasoning（在新窗口打开）

用 GNN 构建学科 S-DAG 并按学科专长匹配 LLM，实现图结构多智能体协作，在多科目基准上优于任务级选模基线。

学科级 S-DAG 表示节点学科与边信息流依赖
学科—模型匹配驱动沿 DAG 的多智能体协作推理
整理并发布 MMLU-Pro、GPQA、MedMCQA 多科目子集，验证精度与效率

VLMP1 顶会NeurIPS 2025

MVU-Eval: Towards Multi-Video Understanding Evaluation for Multimodal LLMs（在新窗口打开）

首个系统评测 MLLM 多视频理解的基准，1824 问答对覆盖八项能力，揭示现有模型跨视频理解差距。

构建多视频理解评测集，对齐自动驾驶多传感器与体育跨视角等场景
涵盖感知与高阶推理共八项核心能力、4959 段跨域视频
对开源与闭源 SOTA MLLM 大规模评测并公开基准

GUI AgentP1 顶会ACL 2026

SynthAgent: Adapting Web Agents with Synthetic Supervision（在新窗口打开）

通过任务与轨迹双重精炼提升合成数据质量，微调开源 Web Agent 以适配新网站。

分类探索网页元素合成多样任务并提高环境覆盖
采集时仅在观测冲突时精炼任务以减轻幻觉
全局上下文轨迹精炼后用于微调，优于既有合成数据方法

VLMP1 顶会AAAI 2026

HiMo-CLIP: Modeling Semantic Hierarchy and Monotonicity in Vision-Language Alignment（在新窗口打开）

HiMo-CLIP 在不改编码器的前提下，用层次分解与单调对比损失增强 CLIP 对长文本与组合描述的对齐。

HiDe 模块通过 batch 内 PCA 从长文本提取层次语义成分
MoLo 联合对齐全局与成分级表示，约束描述越完整对齐越强
多组图文检索基准上优于强基线，长描述与组合描述场景更明显

文生图P1 顶会AAAI 2026

How Bias Binds: Measuring Hidden Associations for Bias Control in Text-to-Image Compositions（在新窗口打开）

研究提示中物体-属性语义绑定如何放大 T2I 偏见，提出 adherence 分数与免训练去偏框架，组合生成去偏提升超 10%。

揭示语义绑定下物体-属性关联会放大底层偏见分布
提出 bias adherence score 量化绑定对偏见的激活程度
免训练 context-bias 控制框架，通过 token 解耦改善组合去偏

LLMP1 顶会ICML 2026

Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training（在新窗口打开）

为 LLM 课程后训练建立理论框架，证明在条件下样本复杂度可由指数降为多项式。

给出课程后训练带来指数级样本复杂度改进的充分条件
将 CoT 建模为状态条件自回归推理树，形式化深度递增与提示递减课程
RL 微调与测试时 scaling 的理论保证，仿真支持结论

具身智能P1 顶会AAAI 2026

Affordance-Guided Coarse-to-Fine Exploration for Base Placement in Open-Vocabulary Mobile Manipulation（在新窗口打开）

零样本框架融合 VLM 语义与几何约束，为 OVMM 选基座位，五任务成功率 85%。

构建 Affordance RGB 与 Obstacle Map+ 对齐语义与空间
VLM 粗语义先验引导搜索，几何约束细化解以避免局部最优
在五项开放词表移动操作任务上显著优于经典几何与纯 VLM 方法

LLMP1 顶会AAAI 2026

HLPD: Aligning LLMs to Human Language Preference for Machine-Revised Text Detection（在新窗口打开）

HLPO 将打分模型 token 分布对齐人类写作风格，在对抗多任务机器修订场景下提升检测 AUROC。

提出 Human Language Preference Optimization 增强对人类写作模式的敏感度
五维 prompt 与多 LLM 构建对抗多任务修订评测框架
对 GPT 系修订与先进 LLM 生成文本检测 AUROC 优于 ImBD、Fast-DetectGPT

音频P1 顶会ICASSP 2026

Omni-AVSR: Towards Unified Multimodal Speech Recognition with Large Language Models（在新窗口打开）

单一音频-视觉 LLM 统一 ASR/VSR/AVSR，多粒度 Matryoshka 训练与 LoRA 适配，资源更低且精度可比或更优。

统一框架支持 ASR、VSR、AVSR 与弹性推理，替代分任务独立模型
多粒度 Matryoshka 表示学习降低跨音频/视觉粒度训练成本
三种 LoRA 策略平衡共享与任务特化，LRS2/LRS3 验证效率与鲁棒性

LLMP1 顶会ACL 2026

Chain-of-Thought as a Lens: Evaluating Structured Reasoning Alignment between Human Preferences and Large Language Models（在新窗口打开）

提出 Alignment Score，用语义熵矩阵衡量模型 CoT 与人类参考推理步骤的分歧。

定义语义级 Alignment Score 比较多步 CoT 与人类偏好参考
表明该分数与准确率相关且在 2-hop 推理处达峰
揭示深层错对齐主要来自主题偏移与冗余推理

VLMP1 顶会AAAI 2026

Cross-Modal Unlearning via Influential Neuron Path Editing in Multimodal Large Language Models（在新窗口打开）

MIP-Editor 用模态特异归因识别 influential 神经元路径并做表示误导编辑，实现跨模态一致遗忘且更好保留通用能力。

模态特异归因分数定位编码遗忘集知识的 influential 路径
influential-path-aware 神经元编辑实现跨模态协调遗忘
多模态与纯文本任务上遗忘率与通用知识保留优于现有 MU 方法

统一多模态P1 顶会ICLR 2026

Omni-View: Unlocking How Generation Facilitates Understanding in Unified 3D Model based on Multiview images（在新窗口打开）

将统一多模态理解与生成功能扩展到多视图 3D 场景，VSI-Bench 达 55.4，兼顾新视角合成与场景生成。

理解、纹理与几何模块联合建模场景理解、新视角合成与几何估计
两阶段训练，验证「生成促进理解」在 3D 场景上的协同
在 VSI-Bench 上超越专用 3D 理解模型并具备生成能力

音频P1 顶会IJCAI 2026

Towards Fine-Grained Code-Switch Speech Translation with Semantic Space Alignment（在新窗口打开）

用 MoE 语音投影器与多阶段训练提升语码转换语音翻译，平均 BLEU/COMET 优于 SeamlessM4T。

语言专家 MoE 投影器及组间/组内负载均衡与语言损失
利用 ASR 与单语 ST 的多阶段训练实现语音-文本对齐
transition loss 缓解 CS 域迁移数据不足

VLMP1 顶会AAAI 2026

TinyChemVL: Advancing Chemical Vision-Language Models via Efficient Visual Token Reduction and Complex Reaction Tasks（在新窗口打开）

4B 化学 VLM 用视觉 token 削减与反应级任务，分子与反应任务上更快且优于 ChemVLM。

视觉 token 削减缓解化学图像背景带来的计算浪费
扩展至反应级视觉推理，发布 ChemRxn-V 反应识别与预测基准
约 1/16 视觉 token 下仍超越 ChemVLM 并保持更快训推

具身智能P1 顶会AAAI 2026

PanoNav: Mapless Zero-Shot Object Navigation with Panoramic Scene Parsing and Dynamic Memory（在新窗口打开）

纯 RGB、免地图 ZSON：全景解析释放 MLLM 空间能力，动态有界记忆队列缓解短视决策与局部死锁。

Panoramic Scene Parsing 从全景 RGB 激发 MLLM 空间解析潜力
Dynamic Bounded Memory Queue 融合探索历史以避免局部死锁
公开导航基准上 SR、SPL 显著优于代表基线

LLMP1 顶会ICLR 2026

Q-RAG: Long Context Multi-step Retrieval via Value-based Embedder Training（在新窗口打开）

用强化学习微调 Embedder 做多步 RAG，较微调小 LLM 更省资源，在 BabiLong/RULER 长达 10M token 上 SOTA。

以 RL 微调检索 Embedder 实现多步检索，避免重度微调检索用小 LLM
面向开放域问答的资源高效多步检索替代方案
在长上下文基准 BabiLong、RULER 上达到领先水平

VLMP1 顶会AAAI 2026

Open-World 3D Scene Graph Generation for Retrieval-Augmented Reasoning（在新窗口打开）

用 VLM 与检索推理构建开放词表 3D 场景图，在问答、定位与规划等任务上表现稳健。

动态场景图模块在无固定标签集下检测物体并推断语义关系
检索增强管线将场景图编码入库以支持图文条件查询
在 3DSSG 与 Replica 上覆盖四类任务验证开放世界泛化

VLMP1 顶会AAAI 2026

Flexible Concept Bottleneck Model（在新窗口打开）

FCBM 用超网络按概念嵌入生成预测权重，支持动态替换概念集且无需全量重训，未见概念单 epoch 微调即可泛化。

超网络实现概念集完整替换而无需重训整个模型
可学习温度的 sparsemax 动态选取最相关概念
五个公开基准上精度与 SOTA 相当，对未见概念适应性强

VLMP1 顶会NeurIPS 2025

Scene-Aware Urban Design: A Human-AI Recommendation Framework Using Co-Occurrence Embeddings and Vision-Language Models（在新窗口打开）

检测城市物体并建共现嵌入，再由 VLM 在场景图上推荐补全微尺度公共空间干预。

用 Grounding DINO 与 ADE20K 子集构建城市物体共现嵌入
VLM 在锚点与配对物体上推理以建议第三物体形成城市策略
人机闭环保留用户选择与精炼，强调日常空间模式 grounding

前沿论文