BOP-ASK: Object-Interaction Reasoning for Vision-Language Models（在新窗口打开）
提出大规模物体交互推理数据集 BOP-ASK，训练与评测 VLM 的细粒度空间与抓取规划能力。
- 基于 BOP 6D 位姿构建含抓取、轨迹与物体关系的标注流水线
- 15 万+ 图像与 3300 万 QA，覆盖六项任务含四项新任务
- 发布 BOP-ASK-core 与 OOD 基准 BOP-ASK-lab 及人类评测
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
2025-11-24 周一共 8 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 4 · 音频 0 · 基础模型 2
- 生成
- 文生图 0图编辑 1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 4OCR 0
- 音频
- 音频 0
- 基础模型
- LLM 2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 8 篇
H-GAR: A Hierarchical Interaction Framework via Goal-Driven Observation-Action Refinement for Robotic Manipulation（在新窗口打开）
层次框架先预测目标观测与粗动作，再经 GOS 与 IAAR 协同细化，提升操作一致性。
- 目标驱动：先生成 goal observation 与 coarse action sketch 锚定任务
- GOS 基于粗动作与目标观测合成中间观测；IAAR 利用观测反馈细化动作
- Historical Action Memory Bank 保证时序一致，仿真与真机 SOTA
Intervene-All-Paths: Unified Mitigation of LVLM Hallucinations across Alignment Formats（在新窗口打开）
沿 LVLM 因果路径分析幻觉来源，按判别/生成格式干预关键 head 以降低幻觉。
- 幻觉来自 image-input、image-output 与 text-text 多路径交互而非单一路径
- 不同 QA 对齐格式下模型依赖不同路径
- 针对各路径识别并干预关键 hallucination heads，多基准一致降幻觉
Predicting the Emergence of Induction Heads in Language Model Pretraining（在新窗口打开）
分析训练数据统计与 induction head 形成的关系，给出 batch 与 context 的简单预测式。
- batch size 与 context size 组合可预测 IH 出现且与模型规模无关
- 表面 bigram 重复频率与可靠性决定 IH 形成边界
- 局部依赖与高 bigram 重复足以促成 IH，范畴性等调制边界行为
R-AVST: Empowering Video-LLMs with Fine-Grained Spatio-Temporal Reasoning in Complex Audio-Visual Scenarios（在新窗口打开）
构建视听时空推理数据集 R-AVST，并用 RL 模型 AVST-Zero 提升 Video-LLM 推理表现。
- R-AVST：5K+ 未剪辑视频、27K 物体与细粒度时空标注
- 定义三项视听时空核心任务并生成 8K+ 均衡 QA 对
- AVST-Zero 以多维奖励 RL 直接优化行为、无需中间监督
Spanning Tree Autoregressive Visual Generation（在新窗口打开）
STAR 用格点均匀生成树 BFS 遍历顺序做 AR 生成，推理时可灵活序列以支持 inpainting。
- STAR 将图像先验（中心偏置、局部性）与灵活推理顺序结合
- 拒绝采样构造生成树，使连通部分观测作为前缀以原生支持 inpainting
- 在不大改语言 AR 架构下保持采样性能与 postfix 补全能力
Understanding Counting Mechanisms in Large Language and Vision-Language Models（在新窗口打开）
用 CountScope 与因果分析揭示 LLM/LVLM 中层wise 计数表示与内部 counter 机制。
- token/视觉特征编码可迁移的 latent 位置计数信息
- 层wise：低层小计数、高层大计数；末 token/区域存储 counter 状态
- LVLM 中数值信息在视觉嵌入与前景背景间随构图变化；分隔符等结构捷径影响精度
ToC: Tree-of-Claims Search with Multi-Agent Language Models（在新窗口打开）
将专利权利要求优化建模为 MCTS 引导搜索，Editor 与 Examiner 多智能体协同编辑。
- ToC 框架将 claim 编辑定义为 MCTS 与多智能体协同搜索
- EditorAgent 提议编辑、ExaminerAgent 模拟审查新颖性与 prior art
- 多目标奖励联合优化新颖性、权利范围与语义连贯，1145 条 claims 上显著优于基线
没有符合条件的论文。