每日论文 2025-11-13

2025-11-13 周四共 13 篇：生成 1 · 代码生成 0 · 智能体 2 · 世界模型与具身 1 · 理解 4 · 音频 3 · 基础模型 2

生成: 文生图 0图编辑 0视频生成 03D 生成 1
代码生成: Visual2Code 03D2Code 0
智能体: GUI Agent 2
世界模型与具身: 世界模型 0具身智能 1
理解: VLM 4OCR 0
音频: 音频 3
基础模型: LLM 2统一多模态 0

前一天后一天

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 13 篇

GUI AgentP1 顶会AAAI 2026

ProBench: Benchmarking GUI Agents with Accurate Process Information（在新窗口打开）

提出移动 GUI 基准 ProBench（200+ 任务），引入过程相关评测与 Process Provider，揭示主流 GUI Agent 在真实场景中的普遍不足。

扩展 State 评测并新增 Process-related Task 与专用评测方法
Process Provider 自动提供准确过程信息以精细评估 Agent
对通用大模型与 GUI 专用模型做详细错误分析并指出改进方向

VLMP1 顶会AAAI 2026

Causally-Grounded Dual-Path Attention Intervention for Object Hallucination Mitigation in LVLMs（在新窗口打开）

Owl 用 VTACR 度量模态贡献失衡，动态干预注意力并双路径对比解码减幻觉。

结构因果图建模幻觉，提出 VTACR 量化视觉-文本注意力贡献比
低 VTACR 场景下细粒度 token/layer 注意力干预
POPE 与 CHAIR 上显著降幻觉并保持理解能力

GUI AgentP1 顶会AAAI 2026

History-Aware Reasoning for GUI Agents（在新窗口打开）

HAR 框架让 GUI 智能体从错误反思中学习 episodic 推理，HAR-GUI-3B 增强长程短期记忆。

反思学习场景、纠错指南与混合 RL 奖励增强历史感知
原生端到端 HAR-GUI-3B 将推理由历史无关转为历史感知
多 GUI 基准验证有效性与泛化

3D 生成P1 顶会AAAI 2026

AnchorDS: Anchoring Dynamic Sources for Semantically Consistent Text-to-3D Generation（在新窗口打开）

将 text-to-3D 建模为动态源到固定目标的映射，用中间渲染图作图像条件锚定 SDS，减轻语义过度平滑并提升复杂提示下的细节与一致性。

双条件潜空间（文本+中间渲染）与 state-anchored score distillation
惩罚错误源估计并设计轻量滤波与微调策略
在质量与效率上优于先前基于 SDS 的方法

音频P1 顶会ICLR 2026

ParaS2S: Benchmarking and Aligning Spoken Language Models for Paralinguistic-aware Speech-to-Speech Interaction（在新窗口打开）

提出副语言感知 S2S 的 RL 框架与 ParaS2SBench，波形级优化内容与说话风格。

构建 ParaS2SBench 与 PolyTone 自动评判，支持无标注语音 RL
ParaS2SAlign 在适切性上相对 SFT 约 10% 提升
揭示现有 S2S 对副语言属性响应不足

音频P1 顶会AAAI 2026

StyleBreak: Revealing Alignment Vulnerabilities in Large Audio-Language Models via Style-Aware Audio Jailbreak（在新窗口打开）

StyleBreak 两阶段扰动文本与音频中的语言、副语言属性，并用查询自适应策略搜索对抗风格，显示 LAM 在多样说话属性下对齐脆弱。

系统研究多样人声属性对 LAM 对齐鲁棒性的影响
风格感知两阶段变换与查询自适应对抗风格搜索
多攻击范式下显著提升越狱有效性与效率

LLMP1 顶会AAAI 2026

Cost-Minimized Label-Flipping Poisoning Attack to LLM Alignment（在新窗口打开）

理论分析 RLHF/DPO 中仅翻转偏好标签的最小投毒成本，并给出可降 flip 数的后处理。

将最小成本投毒形式化为带线性约束的凸优化并给出上下界
现有标签翻转攻击可后处理以减少 flip 且保持投毒效果
实证显示奖励模型特征维较小时成本降幅更明显

具身智能P1 顶会AAAI 2026

Expand Your SCOPE: Semantic Cognition over Potential-Based Exploration for Embodied Visual Navigation（在新窗口打开）

零样本框架 SCOPE 利用视觉前沿与 VLM 势估计，支持长程具身导航与自反思决策。

势函数探索与时空势图建模视觉边界动态
自反思机制修正先前决策、降低过度自信错误
两类导航任务上较 SOTA 约 4.6% 准确率提升

VLMP1 顶会AAAI 2026

vMFCoOp: Towards Equilibrium on a Unified Hyperspherical Manifold for Prompting Biomedical VLMs（在新窗口打开）

在共享超球面上逆估计 vMF 分布，用 Unified Semantic Anchors 对齐 LLM 与 CLIP 语义偏置，在 14 个医学数据集上提升少样本 prompting。

超球流形上的 vMF 分布估计与统一语义锚点对齐
三种互补约束缓解生物医学场景模态鸿沟与少样本不稳定
覆盖多种成像模态与解剖区域的少样本分类提升

VLMP1 顶会CHI 2026

"It's trained by non-disabled people": Evaluating How Image Quality Affects Product Captioning with Vision-Language Models（在新窗口打开）

基于视障用户商品图数据集，系统评估模糊、构图等问题对 VLM 描述准确性的影响。

调研 86 名 BLV 用户并标注 1859 张商品图评测集
无质量问题时最佳 VLM 约 98% 准确，有问题时整体降至约 75%
提出以残障体验为中心的 VLM 评测与设计建议

音频P1 顶会AAAI 2026

End-to-end Contrastive Language-Speech Pretraining Model For Long-form Spoken Question Answering（在新窗口打开）

提出 CLSR 对比语言-语音检索器，从长音频中抽取问题相关片段以支撑口语问答。

提出 CLSR，在对比对齐前将声学特征转为类文本表示以桥接模态
端到端从长录音检索问题相关片段，服务下游长形式 SQA
在四个跨模态检索数据集上优于语音检索器与 ASR+文本检索流水线

LLMP1 顶会ACL 2026

Enabling Agents to Communicate Entirely in Latent Space（在新窗口打开）

Interlat 用 LLM 最后隐状态作智能体间潜通信，压缩后推理最高约 24 倍加速且仍具竞争力。

提出 Interlat：连续隐状态直接通信替代离散自然语言
学习压缩进一步在潜空间推理中压缩通信
跨异构模型优于微调 CoT 与单智能体基线

VLMP1 顶会ACL 2026

CrochetBench: Can Vision-Language Models Move from Describing to Doing in Crochet Domain?（在新窗口打开）

以 CrochetPARADE DSL 评测 VLM 的针法识别、指令 grounding 与可编译流程生成，可执行正确性远低于表面相似度。

覆盖针法分类、指令 grounding、自然语言与图像到 DSL 翻译
通过 DSL 执行做结构验证与功能评测
揭示长程符号推理与 3D 感知程序合成的能力缺口

前沿论文