Prune4Web: DOM Tree Pruning Programming for Web Agent（在新窗口打开）
LLM 生成 Python 脚本语义剪枝 DOM，候选元素降 25–50 倍，低层 grounding 准确率大幅提升。
- DOM Tree Pruning Programming 用可执行脚本替代整页 LLM 阅读
- 子任务语义驱动的动态元素打分与过滤
- 两回合对话联合优化 Planner、Programmatic Filter 与 Grounder
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
2025-11-27 周四共 10 篇：生成 2 · 代码生成 0 · 智能体 1 · 世界模型与具身 2 · 理解 4 · 音频 0 · 基础模型 1
- 生成
- 文生图 1图编辑 1视频生成 03D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 1
- 世界模型与具身
- 世界模型 0具身智能 2
- 理解
- VLM 4OCR 0
- 音频
- 音频 0
- 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 10 篇
Aligning LLMs with Biomedical Knowledge using Balanced Fine-Tuning（在新窗口打开）
BFT 针对生物医学文本的 epistemic 不确定性做双尺度后训练，优于 SFT/DFT 并利于后续 GRPO。
- 发现生物医学文本中 dense epistemic 不确定性结构
- 提出组归一化 token 重加权与序列级样本重分配
- 在医学评测、生物推理与 GeneAgent/VCWorld 中一致提升
From Observation to Action: Latent Action-based Primitive Segmentation for VLA Pre-training in Industrial Settings（在新窗口打开）
无监督从工业连续视频中分割语义动作基元，输出片段与 latent action 序列供 VLA 预训练。
- 轻量 motion tokenizer 与 Latent Action Energy 驱动的无监督动作基元分割
- 端到端从非结构化工业视频提取 VLA 预训练用的结构化演示数据
- 公开基准与电机装配数据上验证分割效果，并用 VLM 确认语义一致性
DiverseVAR: Balancing Diversity and Quality of Next-Scale Visual Autoregressive Models（在新窗口打开）
测试时对文本嵌入加噪并配合 scale-travel latent refinement，免训练提升 VAR 多样性且少损画质。
- 测试时文本嵌入噪声注入提升 VAR 生成多样性
- 提出 scale-travel 在中间尺度续生成以保质量
- 在多样性-质量权衡上达到新的 Pareto 前沿
EM-KD: Distilling Efficient Multimodal Large Language Model with Unbalanced Vision Tokens（在新窗口打开）
匈牙利匹配对齐师生 vision logits，VLAD 与 VSD 蒸馏，高效 MLLM 精度与效率双优。
- Manhattan 距离与匈牙利匹配对齐不均衡 vision token
- Vision-Language Affinity Distillation（VLAD）
- Vision Semantic Distillation（VSD）用 reverse KL 对齐语义分布
From Inpainting to Layer Decomposition: Repurposing Generative Inpainting Models for Image Layer Decomposition（在新窗口打开）
轻量微调扩散修复模型做图层分解，合成数据训练，物体移除与遮挡恢复优于现有方法。
- 揭示图层分解与 in/outpainting 关联并适配扩散修复模型
- 提出线性复杂度的多模态上下文融合以保留潜空间细节
- 仅用开源资产合成数据训练，支持下游独立编辑与创作
Multi-Crit: Benchmarking Multimodal Judges on Pluralistic Criteria-Following（在新窗口打开）
提出 Multi-Crit 基准与指标，评估 LMM 作为多模态裁判时遵循多元细粒度准则的能力。
- 构建含多准则人机标注的 Multi-Crit，覆盖开放生成与可验证推理
- 提出 pluralistic adherence、准则切换与准则级偏好冲突三类评测指标
- 评测 25 个 LMM，分析多准则裁判一致性与 critic 微调等的局限
When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models（在新窗口打开）
UPA-RFAS 学习单块物理补丁，在黑盒与 sim-to-real 下可跨 VLA 模型与任务迁移攻击。
- 系统研究 VLA 机器人上的通用可迁移对抗补丁
- 特征空间目标、鲁棒 min-max 与 Patch Attention Dominance
- Patch Semantic Misalignment 诱导无标签图文错配
Knowledge Completes the Vision: A Multimodal Entity-aware Retrieval-Augmented Generation Framework for News Image Captioning（在新窗口打开）
MERGE 用实体中心多模态知识库与动态检索，提升新闻配图描述的信息量与实体 grounding。
- 提出 MERGE 及实体中心多模态知识库 EMKB
- 多阶段假设-描述策略加强跨模态对齐
- 图像内容引导检索改善视觉-实体匹配与泛化
LungNoduleAgent: A Collaborative Multi-Agent System for Precision Diagnosis of Lung Nodules（在新窗口打开）
三模块多智能体流水线分析肺 CT，在私有集与 LIDC-IDRI 上优于主流 VLM 与专家模型。
- Nodule Spotter 协调临床检测模型定位结节
- Radiologist 模块生成分区域语义对齐的 CT 报告
- Doctor Agent 结合病理知识库做多智能体恶性分级推理
没有符合条件的论文。