Dexterous Manipulation Transfer via Progressive Kinematic-Dynamic Alignment（在新窗口打开）
仅用人手演示视频，渐进匹配与残差策略生成灵巧手轨迹，平均迁移成功率 73%。
- 提出人手到灵巧手的 hand-agnostic 操作迁移系统
- 分阶段运动学匹配、残差接触优化与腕部语义保持控制
- 无需大规模机器人数据即可自动生成可泛化的灵巧操作轨迹
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
2025-11-17 周一共 12 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 5 · 音频 1 · 基础模型 3
- 生成
- 文生图 0图编辑 0视频生成 13D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 0具身智能 2
- 理解
- VLM 5OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 3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 12 篇
Listening Between the Frames: Bridging Temporal Gaps in Large Audio-Language Models（在新窗口打开）
TimeAudio 用时间标记、绝对时间编码与 token 合并，增强 LALM 定位与长音频理解。
- 提出 TimeAudio 连接音频语义理解与精确时间感知
- 引入绝对时间感知编码与段级 token 合并以支持长音频端到端
- 整合时序任务数据集与指标并在 grounding、密集描述等任务验证
The Map of Misbelief: Tracing Intrinsic and Extrinsic Hallucinations Through Attention Patterns（在新窗口打开）
区分内外幻觉的评测框架，并用输入 token 注意力聚合提升内在幻觉检测。
- 提出外在/内在幻觉分类下的系统化检测评测框架
- 设计注意力聚合策略以改进不确定性量化与可解释性
- 揭示采样法偏外在、注意力法偏内在幻觉的检测差异
Draft and Refine with Visual Experts（在新窗口打开）
用问题条件视觉利用度度量驱动 DnR 智能体，借外部视觉专家反馈 refine 以降低幻觉。
- 提出量化 LVLM 视觉证据依赖的问题条件 utilization 度量
- 设计无需重训练的 Draft and Refine 多步视觉专家反馈框架
- 在 VQA 与 caption 基准上提升准确率并减少 grounding 幻觉
VP-Bench: A Comprehensive Benchmark for Visual Prompting in Multimodal Large Language Models（在新窗口打开）
两阶段基准评估 MLLM 对框选等 visual prompt 的感知与在下游任务中的利用，覆盖 28 个模型。
- 系统评估 MLLM 在自然场景中感知 visual prompt 的能力
- 第二阶段衡量 VP 对真实问题求解的实际效用
- 分析 VP 属性、问题排列与模型规模等因素对理解的影响
EmoVid: A Multimodal Emotion Video Dataset for Emotion-Centric Video Understanding and Generation（在新窗口打开）
发布情感标注视频集 EmoVid，微调 Wan2.1 做情感条件 T2V/I2V 并提升情感表达。
- 发布面向创意媒体的首个多模态情感标注视频数据集 EmoVid
- 分析视觉属性与情感感知在多种视频形态上的时空模式
- 基于 Wan2.1 的情感条件视频生成并验证指标与观感提升
iMAD: Intelligent Multi-Agent Debate for Efficient and Accurate LLM Inference（在新窗口打开）
用自批判特征与轻量辩论决策分类器，仅在可能纠错时触发 MAD，显著降 token 并提升准确率。
- 从结构化自批判中提取 41 维可解释犹豫特征
- FocusCal 损失训练辩论决策分类器，免测试集调参
- 选择性触发 MAD，兼顾推理成本与最终答案质量
Rethinking Progression of Memory State in Robotic Manipulation: An Object-Centric Perspective（在新窗口打开）
提出 LIBERO-Mem 非马尔可夫任务集与 Embodied-SlotSSM，用 slot 身份与状态空间建模支撑长时物体级操作推理。
- LIBERO-Mem 在物体级部分可观测下压力测试序列操作与跟踪
- SlotSSM 维持时空一致 slot 身份并重建短期历史
- 关系编码器对齐输入 token 与动作解码，提升时序可扩展性
Refine and Align: Confidence Calibration through Multi-Agent Interaction in VQA（在新窗口打开）
AlignVQA 让多专精 VLM 辩论 refine 答案，并用 aligncal 损失改善 VQA 置信校准。
- 提出辩论式多智能体 AlignVQA 以得到更贴合正确率的置信度
- 设计可微校准感知损失 aligncal 微调专精智能体
- 在多 VQA 基准上显著降低校准误差并分析专精与校准关系
Multi-agent Undercover Gaming: Hallucination Removal via Counterfactual Test for Multimodal Reasoning（在新窗口打开）
提出 MUG 协议，用修改图像的反事实测试识别“卧底”幻觉智能体，增强多模态多智能体推理可靠性。
- 将 Multi-Agent Debate 重构为社交推理式卧底检测流程
- 用动态修改证据的反事实测试替代纯统计共识
- 推动智能体主动探询式讨论而非被动答题
BOFA: Bridge-Layer Orthogonal Low-Rank Fusion for CLIP-Based Class-Incremental Learning（在新窗口打开）
仅在 CLIP 跨模态桥接层做正交低秩适配，无额外参数即可稳定类增量学习并融合视觉文本原型。
- 适配完全限制在 CLIP 既有 bridge-layer，无额外推理开销
- 正交低秩融合将更新约束在与旧任务特征正交的安全子空间
- 跨模态混合原型结合稳定文本原型与适配后的视觉表示
Expert-Guided Prompting and Retrieval-Augmented Generation for Emergency Medical Service Question Answering（在新窗口打开）
发布 EMSQA 数据集，Expert-CoT 与 ExpertRAG 在多款 LLM 上提升急救选择题准确率。
- 构建含 10 临床领域与 4 认证级别的 EMSQA 及对齐知识库
- 提出按学科与认证级别条件化的 Expert-CoT 提示策略
- 设计 ExpertRAG 并在组合下相对标准 RAG 取得更高准确率
没有符合条件的论文。