CrossVid: A Comprehensive Benchmark for Evaluating Cross-Video Reasoning in Multimodal Large Language Models（在新窗口打开）
CrossVid基准系统评估MLLM跨视频时空推理，5331段视频与9015问答揭示多数模型难以跨片整合证据。
- 首个全面评估跨视频推理（CVR）的层次化任务基准
- 覆盖四维度十任务及多种问答形式
- 实验显示当前MLLM在跨视频比较与整合推理上普遍薄弱
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
2025-11-18 周二共 28 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 10 · 音频 3 · 基础模型 11
- 生成
- 文生图 1图编辑 1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 1
- 理解
- VLM 10OCR 0
- 音频
- 音频 3
- 基础模型
- LLM 10统一多模态 1
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 28 篇
Recurrent Autoregressive Diffusion: Global Memory Meets Local Attention（在新窗口打开）
RAD 在 DiT 中结合 RNN 全局记忆与重叠滑窗全注意力，缓解长视频遗忘与时空不一致。
- 在扩散 Transformer 各层注意力后引入 LSTM 实现固定预算下的历史信息保留
- 提出无训练-推理差距的循环自回归扩散框架 RAD
- 在 Memory Maze 与 Minecraft 上验证长视频生成优势
MF-Speech: Achieving Fine-Grained and Compositional Control in Speech Generation via Factor Disentanglement（在新窗口打开）
通过因子解耦与分层风格自适应归一化，实现内容、音色、情感的细粒度可组合语音生成。
- MF-SpeechEncoder多目标解耦内容、音色与情感表示
- MF-SpeechGenerator用动态融合与HSAN实现精确组合控制
- 离散因子可迁移，可作通用语音表示
GEM: Generative Entropy-Guided Preference Modeling for Few-shot Alignment of LLMs（在新窗口打开）
GEM 用认知过滤与 SEGA 将熵评分转为隐式奖励，在少量偏好数据下实现领域 LLM 对齐。
- 基于决策熵理论从偏好数据采样并加权 CoT 候选链
- 提出自评估组优势算法 SEGA 聚合组级认知信号
- 在通用与医学等低资源场景少样本对齐上显著改进
Cacheback: Speculative Decoding With Nothing But Cache（在新窗口打开）
无训练投机解码，仅用 LRU n-gram 缓存 draft，加速 LLM 推理且易集成。
- 仅 LRU token n-gram 缓存生成 draft，极简仍达可比 SOTA
- 训练 free、模型无关，便于接入现有系统
- 展现向新领域快速适配的潜力
Optimal Self-Consistency for Efficient Reasoning with Large Language Models（在新窗口打开）
从众数估计与投票理论分析 SC 缩放规律，提出动态分配样本的 Blend-ASC，平均少用约4.8倍样本。
- 首次系统分析 self-consistency 的幂律缩放与样本效率
- 提出无超参、可批处理、任意预算的 Blend-ASC 动态采样变体
- 在固定与动态分配基线上验证更优的样本效率
TokenSqueeze: Performance-Preserving Compression for Reasoning LLMs（在新窗口打开）
Long2Short 方法在自生成数据上压缩 CoT，MATH500 上平均减约一半 token 且保持精度。
- 按问题复杂度自适应匹配推理深度，避免过度压缩损精度
- 分布对齐的语言精炼，简洁表达且不改变推理路径逻辑
- 仅依赖模型自生成数据，无需人工短答案数据集
Mixture of States: Routing Token-Level Dynamics for Multimodal Generation（在新窗口打开）
MoS用可学习token级路由器在扩散轨迹上稀疏融合多模态隐状态，3B–5B参数达SOTA级文生图与编辑。
- 提出基于隐状态交互的多模态扩散融合范式MoS
- token级路由器随去噪步与输入选择top-k上下文特征
- MoS-Image与MoS-Editing以更小规模匹配或超越更大模型
GrOCE:Graph-Guided Online Concept Erasure for Text-to-Image Diffusion Models（在新窗口打开）
GrOCE 免训练构建动态语义图，在线精确擦除 T2I 模型中的目标概念并保留非目标语义。
- 动态语义图增量刻画词表概念亲和并识别目标概念簇
- 多跳遍历与扩散打分量化语义影响并实现选择性切断
- 在 CS 与 FID 上达到概念擦除的先进表现
PASE: Leveraging the Phonological Prior of WavLM for Low-Hallucination Generative Speech Enhancement（在新窗口打开）
用 WavLM 音韵先验约束生成式 SE，降低语言/声学幻觉并优于判别式 SOTA 感知质量。
- 表示蒸馏使 WavLM 成为去噪专家，抑制语言学幻觉
- 双流：高层音素内容 + 低层声学，保说话人与韵律
- 感知质量超判别 SOTA，幻觉显著低于既有生成式 SE
ARCHE: A Novel Task to Evaluate LLMs on Latent Reasoning Chain Extraction（在新窗口打开）
提出将科学论证分解为演绎/归纳/溯因推理逻辑树的 ARCHE 任务与基准，10 个领先 LLM 仍难完整抽取标准链。
- 定义 Latent Reasoning Chain Extraction 与 Reasoning Logic Tree 形式化
- 发布基于 Nature Communications 的 ARCHE Bench 与 EC、REA 逻辑感知指标
- 揭示模型在 REA 与 EC 间的权衡及与科学论证严谨性的差距
ReaSon: Reinforced Causal Search with Information Bottleneck for Video Understanding（在新窗口打开）
用因果信息瓶颈定义关键帧的预测充分与因果必要，RL 策略在限帧视频 QA 上优于 SOTA。
- 提出 Causal Information Bottleneck 形式化关键帧选择准则
- 可学习策略网络结合反事实干预评估因果必要性
- 在 NExT-QA、EgoSchema、Video-MME 限帧设定下 consistently 优于现有方法
SAGE: Spuriousness-Aware Guided Prompt Exploration for Mitigating Multimodal Bias（在新窗口打开）
SAGE 免训练探索提示模板，选最大类间语义分离的提示以减轻 CLIP 零样本伪相关偏置。
- 理论分析零样本分类中多模态伪相关偏置的影响
- 提出无需微调与外部标注的引导提示探索 SAGE
- 在四数据集五骨干上提升 worst-group 鲁棒性与泛化
FreeAskWorld: An Interactive and Closed-Loop Simulator for Human-Centric Embodied AI（在新窗口打开）
LLM 驱动的具身交互模拟与数据管线，扩展 VLN 为主动问路，发布大规模 benchmark。
- 集成 LLM 高层规划与语义交互的闭环模拟框架
- 方向询问 VLN、六类任务与 17+ 小时交互的大规模数据集
- 闭环微调提升 VLN 语义理解与交互能力
MoralReason: Generalizable Moral Decision Alignment For LLM Agents Using Reasoning-Level Reinforcement Learning（在新窗口打开）
用推理级GRPO与复合奖励训练LLM Agent在分布外道德情境中贯彻功利、义务论等框架。
- 提出Moral-Reason-QA数据集，含框架化道德推理轨迹
- Group Relative Policy Optimization同时优化决策与推理过程
- 在未见道德场景上展示可泛化的框架对齐效果
Probing Preference Representations: A Multi-Dimensional Evaluation and Analysis Method for Reward Models（在新窗口打开）
构建 MRMBench 六维探针任务，并提出推理时探测以解释奖励预测所用维度与置信度。
- 提出通过探测偏好表征评估奖励模型多维能力的方法
- 发布 MRMBench，涵盖六种偏好维度的探针任务
- 推理时 probing 用于识别预测维度并评估置信度，服务 LLM 对齐
Video Finetuning Improves Reasoning Between Frames（在新窗口打开）
提出 Visual CoT 描述帧间过渡事件；视频微调模型已隐式掌握时序，并迁移到静态关系推理。
- 提出 Visual Chain-of-Thought 显式生成连续帧间过渡事件描述
- 系统对比仅图像与视频微调 LVLM 在 vCoT 条件下的表现差异
- 发现视频微调将帧间推理能力迁移至纯静态关系视觉推理任务
Explore How to Inject Beneficial Noise in MLLMs（在新窗口打开）
提出 MuNG，向冻结 MLLM 注入任务自适应噪声，少量参数微调即优于全参微调。
- 从变分推断视角 reformulate MLLM 推理并设计多模态噪声生成器
- 动态分析图文跨模态关系生成有益噪声以抑制无关语义
- 在 QwenVL、LLaVA 上仅用约1–2%额外参数超越全参微调
Dropouts in Confidence: Moral Uncertainty in Human-LLM Alignment（在新窗口打开）
在电车难题上分析多模型道德信心，推理时 dropout 增熵以改善与人类道德偏好对齐。
- 32 个开源模型、九维道德：模型间信心差异大于维度内
- 二元熵分解量化不确定性，dropout 主要提升互信息
- 调节道德场景不确定性可显著改善 human-LLM alignment
TAdaRAG: Task Adaptive Retrieval-Augmented Generation via On-the-Fly Knowledge Graph Construction（在新窗口打开）
意图路由到领域模板并 SFT+RL 隐式抽取，在线构建任务自适应知识图，缓解分块 RAG 的信息损失。
- 提出在线、任务自适应的外部源知识图谱构建 RAG 框架
- 设计意图驱动路由与 RL 隐式抽取以保证知识简洁连贯
- 在六个公开基准与 NowNewsQA 上跨骨干模型验证泛化与实效
OAD-Promoter: Enhancing Zero-shot VQA using Large Language Models with Object Attribute Description（在新窗口打开）
用物体属性描述增强LLM零样本VQA，缓解语言偏见并提升分布外泛化。
- OEG模块生成全局描述与物体聚焦样本，互补视觉输入
- MKA模块检索存储样例知识以应对OOD问题
- OAD Prompt整合模块输出优化LLM推理
PerTouch: VLM-Driven Agent for Personalized and Semantic Image Retouching（在新窗口打开）
扩散修图框架 PerTouch 用语义区域参数图精细调色，并由 VLM Agent 理解强弱指令与长期偏好。
- 建立参数图到图像的显式映射实现语义级精细修图
- 训练中加入语义替换与参数扰动以改善语义边界感知
- VLM Agent 结合反馈重思考与场景记忆对齐用户意图
Scaling Spatial Intelligence with Multimodal Foundation Models（在新窗口打开）
SenseNova-SI-8M 与 SenseNova-SI 族在多空间智能 benchmark 领先并保通用理解。
- 800 万样本与严格空间能力 taxonomy 的数据体系
- VSI-Bench、MMSI、MindCube 等多基准显著优于基座
- 数据 scaling、语言捷径与空间 CoT 的初步分析
How Far Do SSL Speech Models Listen for Tone? Temporal Focus of Tone Representation under Low-resource Transfer（在新窗口打开）
在四种声调语言上探针分析 SSL 语音模型，发现下游任务会改变声调线索的时间跨度对齐。
- 估计缅/泰约100ms、老/越约180ms 的声调线索时间跨度基线
- 用探针与梯度分析揭示 ASR 微调与韵律任务对 tone 迁移 span 的不同偏置
- 指出低资源条件下声调迁移受下游任务塑造，而非模型固定听感
Critical or Compliant? The Double-Edged Sword of Reasoning in Chain-of-Thought Explanations（在新窗口打开）
在多模态道德场景中扰动CoT并改变语气，揭示用户信任与纠错能力如何被推理呈现方式影响。
- 系统研究VLM链式思维解释中的推理错误对用户信任的影响
- 发现用户常把信任等同于结论一致，自信语气会抑制错误发现
- 强调解释应促进审视而非盲目信任
DGS-Net: Distillation-Guided Gradient Surgery for CLIP Fine-Tuning in AI-Generated Image Detection（在新窗口打开）
DGS-Net 在梯度空间分解有害与有益方向，微调 CLIP 检测合成图时保留预训练先验并抑制无关成分。
- 提出梯度空间分解分离有害与有益下降方向
- 将任务梯度投影并与冻结 CLIP 蒸馏方向对齐
- 在 50 种生成模型上平均优于 SOTA 约 6.6 分
Hierarchical Prompt Learning for Image- and Text-Based Person Re-Identification（在新窗口打开）
HPL 用任务路由 Transformer 与层次提示联合优化 I2I/T2I 行人检索，多基准 SOTA。
- Task-Routed Transformer 用双分类 token 分流 I2I 与 T2I
- 身份级 learnable token + 实例级伪文本 token 层次提示
- 跨模态提示正则化对齐 prompt 空间语义
Extracting Events Like Code: A Multi-Agent Programming Framework for Zero-Shot Event Extraction（在新窗口打开）
Agent-Event-Coder 将零样本事件抽取分解为检索、规划、编码与校验的多 Agent 迭代流程。
- 把事件 schema 表示为可执行类定义并确定性校验
- 专用 Agent 分工处理 ZSEE 子任务并迭代 refine
- 在五领域六 LLM 上 consistently 优于零样本基线
没有符合条件的论文。