每日论文 2025-11-19 · PolySight

2025-11-19 周三共 5 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 1 · 音频 2 · 基础模型 1

生成: 文生图 0图编辑 0视频生成 03D 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 1OCR 0
音频: 音频 2
基础模型: LLM 1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 5 篇

具身智能P1 顶会AAAI 2026

Continuous Vision-Language-Action Co-Learning with Semantic-Physical Alignment for Behavioral Cloning（在新窗口打开）

CCoL 通过视觉语言本体连续协同学习与双向跨注意力对齐语义与动作，提升 BC 平滑性与成功率。

连续协同学习视觉、语言与本 proprioceptive 输入，生成平滑动作轨迹
双向跨注意力将语言语义锚定到 visuomotor 表示，缓解语义-物理错位
三套件仿真平均相对提升 8.0%，双手插入任务最高 19.2%，真机验证泛化

音频P1 顶会AAAI 2026

Listen Like a Teacher: Mitigating Whisper Hallucinations using Adaptive Layer Attention and Knowledge Distillation（在新窗口打开）

两阶段改造 Whisper 编码与蒸馏，在噪声语音上降低幻觉与字错率，干净语音性能保持。

ALA 按层相关性分块并融合高低层特征，增强编码器鲁棒性
多目标 KD 让学生在噪声输入上对齐干净教师语义与注意力
噪声基准上显著减少幻觉与 WER，干净语音表现不变

VLMP1 顶会AAAI 2026

O3SLM: Open Weight, Open Data, and Open Vocabulary Sketch-Language Model（在新窗口打开）

发布草图-图像-指令三元组大规模数据并训练 O3SLM，多项草图理解任务上显著优于现有 LVLM。

大规模 image-sketch-instruction 三元组数据集，支持预训练与指令微调
O3SLM 在该数据上训练，面向抽象手绘草图理解
在定位、计数、SBIR 与 VQA 等任务上达到 SOTA

LLMP1 顶会AAAI 2026

AutoTool: Efficient Tool Selection for Large Language Model Agents（在新窗口打开）

基于工具使用惯性的有向图建模历史轨迹，少调用 LLM 即可选工具与参数，推理成本最多降约 30%。

利用工具调用序列惯性，从历史轨迹构建工具转移概率图
图遍历完成工具与参数选择，降低逐步 ReAct 式 LLM 推理
多类 Agent 任务上最多约 30% 推理成本下降且任务完成率仍具竞争力

音频P1 顶会AAAI 2026

Towards Authentic Movie Dubbing with Retrieve-Augmented Director-Actor Interaction Learning（在新窗口打开）

Authentic-Dubber 模拟导演指导与演员内化情绪，提升自动电影配音的情感表现与唇形同步。

多模态 Reference Footage 库，并用 LLM 理解跨模态情绪表示
情绪相似度检索增强，为静音视频匹配最相关多模态参考
渐进式图结构语音生成，逐步融入检索到的情绪知识