🖥️GUI AgentP1 顶会CVPR 2026
CES 多智能体框架训练 Coordinator 与 State Tracker，与任意底层 Executor 组合提升长程 GUI 任务表现。
- 分阶段执行反馈 RL 专注训练高层调度而非统一策略
- Coordinator 负责任务分解，State Tracker 负责状态压缩与连贯性
- 高层调度模块可插拔，增强多种 Executor 的长程能力
🎬视频生成P1 顶会ECCV 2026
基于视频扩散 Transformer 的上下文学习框架，实现自我中心与旁观者视角双向视频翻译与角色一致。
- 提出 In-Context Perspective Alignment 与 Collaborative Position Encoding
- 构建 EgoExo-8K 同步第一/第三人称三元组数据集
- 在视角同步、角色一致与泛化上设新基准
💬LLMP1 顶会NeurIPS 2025
以 LLM 置于策略优化环心，融合奖励与自然语言做策略更新，在多项 Gym 任务上优于多种经典 RL。
- 提出 ProPS，在单一框架内统一数值与语言推理做策略优化
- 展示 LLM 可在上下文中做数值优化，语义信号提升探索与样本效率
- 在 15 个 Gymnasium 任务上对比 7 种 RL 算法并分析领域知识增益
👁️VLMP1 顶会CVPR 2026
提出 RS-EoT 迭代视觉取证范式与 SocraticAgent，缓解遥感 VLM 的 Glance Effect 与伪推理。
- 定义 Glance Effect 并提出语言驱动的 RS-EoT 证据寻求范式
- SocraticAgent 自对弈合成推理与视觉检查交替轨迹
- 两阶段渐进 RL：先 Grounding 再 RS VQA 泛化
👁️VLMP1 顶会NeurIPS 2025
变分多模态提示学习，从后验采样实例条件 prompt，在少样本与域泛化基准上达 SOTA。
- 实例级、不确定性感知的 prompt tuning 变分框架 VaMP
- 类感知先验融合实例表示与类原型
- 将 prompt tuning 表述为潜 prompt 表示上的变分推断并端到端训练
🎧音频P1 顶会INTERSPEECH 2026
联合口语 DST 与跨域文本 DST 数据训练，在不依赖目标域口语标注下实现跨域 DST。
- 语音基础编码器与 LLM 结合的端到端口语 DST 路线
- 利用易获取的文本 DST 数据与有限口语数据联合训练
- 实验验证跨域泛化无需目标域口语训练数据
👁️VLMP1 顶会AAAI 2026
多模态概念瓶颈模型 PS-CBM，融合 LLM 语义与视觉样例，在精度与概念紧凑性上优于 SOTA CBM。
- 多模态概念生成器结合 LLM 语义与 exemplar 视觉线索
- Partially Shared 策略按激活模式合并概念平衡特异性与紧凑性
- 提出 CEA 指标联合衡量预测精度与概念紧凑性