CrossCheck-Bench: Diagnosing Compositional Failures in Multimodal Conflict Resolution（在新窗口打开）
发布跨模态矛盾检测诊断基准，评测显示模型从感知匹配转向逻辑矛盾检测时性能普遍下降。
- 构建层次化任务框架与七种原子能力的矛盾检测 benchmark
- 基于真实素材注入矛盾的多阶段标注流程与大规模 QA 对
- 能力级评测揭示多步推理与规则验证短板，符号推理与视觉交织方法更稳
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
2025-11-20 周四共 7 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 4 · 音频 1 · 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 1具身智能 0
- 理解
- VLM 4OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 1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 7 篇
CASTELLA: Long Audio Dataset with Captions and Temporal Boundaries（在新窗口打开）
发布大规模人工标注音频时刻检索数据集 CASTELLA 与基线，规模约为先前数据集的 24 倍。
- 构建训练/验证/测试划分明确的大规模 AMR 人工标注基准
- 建立 AMR 基线并在 CASTELLA 上系统实验
- 表明合成数据预训练后在 CASTELLA 微调优于仅用合成数据训练
When to Think and When to Look: Uncertainty-Guided Lookback（在新窗口打开）
大规模对比 LVLM 测试时思考的效果，提出无训练的不确定度引导 lookback 解码以强化视觉 grounding。
- 系统分析 thinking 对 LVLM 视觉推理的影响及长链错误轨迹现象
- 发现显式回看图像的短语在成功轨迹中富集并与 grounding 相关
- 提出不确定度引导 lookback 解码，在 MMMU 等多基准取得一致提升
A Comprehensive Study on Visual Token Redundancy for Discrete Diffusion-based Multimodal Large Language Models（在新窗口打开）
系统分析 dMLLM 中视觉 token 冗余随架构与任务的变化，及剪枝对回答质量与效率的影响。
- 揭示视觉冗余主要出现在从零训练的 dMLLM 长答案任务中
- 验证剪枝带来信息损失，仅从零训练模型可在后期去噪逐步恢复
- 为 AR 转扩散与从零训练 dMLLM 分别建议层跳过与渐进/后期剪枝
DEPO: Dual-Efficiency Preference Optimization for LLM Agents（在新窗口打开）
定义步骤级与轨迹级双重效率，用 DEPO 联合优化更短回复与更少步数，在 Agent 任务上降开销并提升表现。
- 形式化 LLM Agent 双重效率：每步 token 与完成任务所需步数
- 提出 DEPO，在偏好优化中同时奖励简洁输出与更少动作步
- 在 WebShop、BabyAI 等验证效率收益，并展示向域外数学基准泛化
MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping（在新窗口打开）
为 MoE MLLM 提出无训练加速框架 MoDES，按层与模态自适应跳过专家，在大幅跳专家时仍保持或提升精度。
- 分析 LLM 专家跳过迁移至 MLLM 掉点原因：层间重要性与模态行为差异
- 提出 GMLG 与双模态阈值 DMT 制定 per-token 跳过策略
- 前沿搜索快速确定阈值，多系列模型与 13 个基准上优于既有跳过方法
X-WIN: Building Chest Radiograph World Model via Predictive Sensing（在新窗口打开）
从 CT 蒸馏体素知识，在潜空间预测 CXR 投影，内化三维解剖并支持下游任务与 CT 体积重建。
- 提出 CXR 世界模型 X-WIN，在潜空间学习预测 CT 的二维投影
- 引入亲和引导对比对齐损失，关联同一体积多视角投影
- 用真实 CXR 的掩码建模与域分类，拉近真实与模拟表示
没有符合条件的论文。