Right Looks, Wrong Reasons: Compositional Fidelity in Text-to-Image Generation（在新窗口打开）
综述 leading 文生图模型在否定、计数与空间关系等逻辑组合上的系统性失效。
- 梳理否定、计数、空间关系三类原语及组合时的严重干扰与性能崩塌
- 从训练数据、连续注意力架构与评测指标三方面追溯组合失败原因
- 认为需表示与推理的根本进展，而非仅靠 scaling 或增量改架构
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
2025-11-14 周五共 21 篇：生成 1 · 代码生成 0 · 智能体 1 · 世界模型与具身 3 · 理解 10 · 音频 0 · 基础模型 6
- 生成
- 文生图 1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 3
- 理解
- VLM 10OCR 0
- 音频
- 音频 0
- 基础模型
- LLM 6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 21 篇
SemanticVLA: Semantic-Aligned Sparsification and Enhancement for Efficient Robotic Manipulation（在新窗口打开）
提出 SemanticVLA 框架，稀疏视觉感知并强化指令-语义对齐，提升操作成功率并降训练与推理成本。
- SD-Pruner 在 SigLIP/DINOv2 上做指令驱动与空间聚合的视觉稀疏化
- SH-Fuser 融合稀疏 token 与稠密 patch 的语义-几何表示
- SA-Coupler 以语义条件耦合替代传统观测到 DoF 的动作建模
Co-EPG: A Framework for Co-Evolution of Planning and Grounding in Autonomous GUI Agents（在新窗口打开）
Co-EPG 以 GRPO 自迭代让规划与 Grounding 模型互喂奖励与数据，三轮内即在 Mind2Web 等基准上超越 SOTA。
- 规划模型在 Grounding 奖励下探索策略并蒸馏数据优化 Grounding
- 优化后的 Grounding 反哺规划模型 GRPO，形成自玩式正反馈
- 无需外部数据即可在多模态 Mind2Web 与 AndroidControl 上迭代提升
Phantom Menace: Exploring and Enhancing the Robustness of VLA Models Against Physical Sensor Attacks（在新窗口打开）
首次系统研究 VLA 在相机与麦克风物理攻击下的脆弱性，提出 Real-Sim-Real 仿真框架与对抗训练防御。
- Real-Sim-Real 框架自动仿真六类相机与两类麦克风物理攻击并在真机验证
- 大规模评估揭示 VLA 对传感器攻击的显著脆弱性及任务/架构依赖
- 基于对抗训练的防御在保持性能的同时提升对 OOD 物理扰动的鲁棒性
BadThink: Triggered Overthinking Attacks on Chain-of-Thought Reasoning in Large Language Models（在新窗口打开）
首个针对 CoT 的后门攻击，触发后生成冗长推理链却保持答案一致，隐蔽抬高推理成本。
- 提出 BadThink，在 stealth 前提下故意诱导 CoT 模型过度思考
- 用 LLM 迭代优化生成自然毒化数据的后门微调流程
- 在 MATH-500 等任务上可大幅拉长推理 trace 且难被输出评测发现
Steering Pretrained Drafters during Speculative Decoding（在新窗口打开）
用 verifier 隐状态 steering 预训练 drafter，提升推测解码接受率且开销可忽略。
- 提出轻量动态对齐：由 verifier 隐状态算 steering 向量注入 drafter
- 标准采样下接受 token 最多提升 35%，贪心采样下最多 22%
- 可即插于现有架构与预训练模型，无需离线蒸馏式对齐
Beyond ReAct: A Planner-Centric Framework for Complex Tool-Augmented LLM Reasoning（在新窗口打开）
以 Planner 为中心的 Plan-Execute 范式，用全局 DAG 规划替代增量决策，在 ComplexTool-Plan 与 StableToolBench 上达到 SOTA。
- Planner 模型对复杂查询做全局 DAG 规划，缓解 ReAct 式局部最优
- ComplexTool-Plan 大规模基准，强调多工具组合与协调
- SFT+GRPO 两阶段训练提升 Planner 工具选择与全局规划能力
MSGNav: Unleashing the Power of Multi-modal 3D Scene Graph for Zero-Shot Embodied Navigation（在新窗口打开）
M3DSG 用图像边保留视觉线索替代纯文本关系，MSGNav 零样本导航含关键子图选择、开放词表与可见性视点决策，在 GOAT-Bench 与 HM3D-ObjNav 达 SOTA。
- Multi-modal 3D Scene Graph（M3DSG）以动态图像边保留视觉证据、支持开放词表
- MSGNav：关键子图选择、自适应词表更新、闭环推理与可见性视点决策模块
- 解决零样本导航“最后一英里”可行目标与合适终视点判定问题
Enhancing the Outcome Reward-based RL Training of MLLMs with Self-Consistency Sampling（在新窗口打开）
SCS 用视觉微扰与轨迹重采样的一致性分数，惩罚猜对但推理虚假的 RL 轨迹，提升多模态推理准确率。
- 指出结果奖励 RL 中错误推理却选对答案的轨迹仍获满奖励问题
- SCS 以多轨迹一致性得到可微一致性分数并下调不可靠轨迹权重
- 接入 RLOO/GRPO/REINFORCE++ 后在六个多模态基准上提升准确率
Remember Me: Bridging the Long-Range Gap in LVLMs with Three-Step Inference-Only Decay Resilience Strategies（在新窗口打开）
针对 RoPE 远端注意力衰减，提出训练无关 T-DRS，在 VQA 上稳定增益。
- SD-DRS：内容感知残差放大语义相关的远距离信号
- DC-DRS：按距离平滑调制注意力，抑噪并保局部性
- reRD-DRS：巩固远端有效依赖以维持全局连贯
When Eyes and Ears Disagree: Can MLLMs Discern Audio-Visual Confusion?（在新窗口打开）
提出 AV-ConfuseBench 与 RL-CoMM，用 LALM 音频参考与逐步推理奖励缓解视觉主导，在 AVQA 与视听幻觉上相对基线提升约 10–30%。
- AV-ConfuseBench 模拟视听不一致（如静音物体仍被问及声音）
- RL-CoMM 两阶段：LALM 音频参考 + 逐步推理奖励，Answer 置信优化
- 实验显示主流 MLLM 难以判别不存在的声音，RL-CoMM 显著改善
Adaptive Residual-Update Steering for Low-Overhead Hallucination Mitigation in Large Vision Language Models（在新窗口打开）
RUDDER 从 prefill 残差更新提取 CARD 作为持久视觉锚点注入解码，Beta Gate 自适应门控，在多款 LVLM 上平均降低 CHAIR 约 24% 且保持 >96% 吞吐。
- RUDDER：用 prefill 残差更新提取 CARD，解码中注入以对抗视觉稀释
- Beta Gate 作为信任机制，仅在必要时施加视觉提醒
- LLaVA/Idefics2/InstructBLIP/Qwen2.5-VL 上一致缓解幻觉且低开销
URaG: Unified Retrieval and Generation in Multimodal LLMs for Efficient Long Document Understanding（在新窗口打开）
在单一 MLLM 内用浅层作跨模态证据页选择，深层专注相关内容，提升长文档理解并降算力。
- 分析 MLLM 由粗到细的层间证据定位行为，用于推理中检索
- 轻量跨模态检索模块将早期 Transformer 层变为证据选择器
- 统一检索与生成，避免外部检索器或单纯 token 压缩的取舍
REAP: Enhancing RAG with Recursive Evaluation and Adaptive Planning for Multi-Hop Question Answering（在新窗口打开）
REAP 用子任务规划与事实抽取维护全局推理轨迹，提升多跳 RAG。
- SP 全局评估任务状态并动态优化求解路径
- FE 细粒度解析检索内容，抽取答案与线索
- 统一任务范式支持多任务微调，复杂多跳数据集上显著优于现有 RAG
Difference Vector Equalization for Robust Fine-tuning of Vision-Language Models（在新窗口打开）
DiVE 约束预训练与微调 embedding 差向量，保几何结构以兼顾 ID/OOD/零样本。
- 指出现有对比式鲁棒微调会破坏 embedding 几何结构
- 提出 AVL 全局与 PVL 局部约束差向量一致
- 在 ID、OOD 与 zero-shot 指标上取得强综合表现
TawPipe: Topology-Aware Weight Pipeline Parallelism for Accelerating Long-Context Large Models Training（在新窗口打开）
提出拓扑感知权重流水线并行，优化长上下文 LLM 训练的通信与吞吐。
- 按拓扑分组设备，优化节点内 collective 与节点间 P2P
- 固定权重分片避免冗余传输，并重叠通信与计算
- 相较 FSDP 等基线，在多达 24 GPU 上展现更高吞吐与可扩展性
Do Language Models Associate Sound with Meaning? A Multimodal Study of Sound Symbolism（在新窗口打开）
用 LEX-ICON 数据集探查 MLLM 在文本与听觉输入上的语音象似性，发现与语言学一致的音义关联与音素级注意力模式。
- LEX-ICON：8052 自然语言词与 2930 伪词，四语多模态语义标注
- MLLM 在多达 25 维语义上的语音直觉与现有语言学研究对齐
- 层-wise 音素注意力揭示模型对 iconic 音素的聚焦模式
SPAN: Benchmarking and Improving Cross-Calendar Temporal Reasoning of Large Language Models（在新窗口打开）
发布跨历 SPAN 基准并建 Time Agent，工具增强代码生成将准确率大幅提升。
- SPAN 覆盖六种历法、十种跨历推理方向与动态实例生成协议
- 揭示 Future-Date Degradation 与 Calendar Asymmetry Bias 两类障碍
- Time Agent 借助工具增强代码生成显著优于纯 LLM 基线
Format Matters: The Robustness of Multimodal LLMs in Reviewing Evidence from Tables and Charts（在新窗口打开）
评估 12 个多模态 LLM 用表格与图表验证科学主张的能力，发现表格表现更好、图表较弱，小模型跨格式泛化差。
- 适配现有科学论文数据集用于多模态主张验证（表格+图表证据）
- 12 模型评估：表格证据优于图表，人类两种格式均保持较好表现
- 小于 8B 模型在表格与图表任务上性能相关性弱，跨模态泛化有限
EgoEMS: A High-Fidelity Multimodal Egocentric Dataset for Cognitive Assistance in Emergency Medical Services（在新窗口打开）
发布 EMS 自我中心多模态数据集及 keystep 与动作质量等实时理解基准。
- 233 场景、62 参与者、20+ 小时仿真 EMS 流程的多模态 egocentric 数据
- 标注含 keystep、带说话人分离的音频转写、动作质量与检测分割
- 提供实时多模态 keystep 识别与动作质量估计 benchmark
Beyond Cosine Similarity: Magnitude-Aware CLIP for No-Reference Image Quality Assessment（在新窗口打开）
融合 CLIP 特征幅度与余弦相似度，无训练自适应融合做 NR-IQA。
- 发现 CLIP 图像特征幅度与感知质量强相关
- Box-Cox 归一化幅度标量，与 prompt 匹配互补
- 置信度引导融合，多 IQA 基准上优于 CLIP-IQA 与 SOTA
没有符合条件的论文。