每日论文 2025-12-01 · PolySight

2025-12-01 周一共 6 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 1 · 音频 1 · 基础模型 1

生成: 文生图 1图编辑 0视频生成 13D 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 1
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 6 篇

LLMP1 顶会ICLR 2026

Training-Free Loosely Speculative Decoding: Accepting Semantically Correct Drafts Beyond Exact Match（在新窗口打开）

FLy 以熵门控与延迟窗口放宽 exact-match 验证，免训练组合任意 draft-target，OOD 仍有效。

提出训练-free 的松散推测解码，利用目标模型自校正判断语义有效草稿
两级机制：熵级门控与 token 级延迟窗口区分真错与同义表述
多级加速 draft 与 target，Llama-3.1-70B 平均约 2.81x 加速且保留 >99% 精度

文生图P1 顶会CVPR 2026

Markovian Scale Prediction: A New Era of Visual Autoregressive Generation（在新窗口打开）

Markov-VAR 以马尔可夫尺度预测与滑动窗口历史向量替代全上下文 VAR，更高效且 ImageNet 指标更优。

将 VAR reformulate 为非全上下文的马尔可夫过程 Markov-VAR
滑动窗口压缩历史为 history vector，与当前尺度构成动态状态
ImageNet 256 上 FID 降 10.5%，1024 峰值显存降 83.8%

音频P1 顶会AAAI 2026

HPSU: A Benchmark for Human-Level Perception in Real-World Spoken Speech Understanding（在新窗口打开）

中英 2 万+ 专家校验样本，覆盖属性到隐式意图与情感，系统评测 Speech LLM 与人类差距。

发布 HPSU 基准，评估 Speech LLM 接近人类听觉理解与认知的能力
半自动标注融合音文视信息，兼顾真实场景效率与质量
评测显示顶尖 Speech LLM 在真实口语交互理解上仍明显低于人类

具身智能P1 顶会CVPR 2026

MindPower: Enabling Theory-of-Mind Reasoning in VLM-based Embodied Agents（在新窗口打开）

机器人中心框架串联感知、自他 ToM 推理与决策动作，Mind-Reward 提升 VLM 行为一致性。

MindPower 框架建模环境与人类状态并做自他心理理论推理再生成决策与动作
提出 Mind-Reward，鼓励 ToM 推理与行为一致
决策与动作生成相对 GPT-4o 分别提升约 12.77% 与 12.49%

视频生成P1 顶会NeurIPS 2025

DisMo: Disentangled Motion Representations for Open-World Motion Transfer（在新窗口打开）

图像空间重建学习外观无关运动表示，可跨类别开放迁移并轻量接入现有视频生成器。

提出 DisMo，从原始视频学习与静态外观解耦的抽象运动表示
开放世界运动迁移无需物体对应，兼顾运动保真与 prompt 遵循
表示可经轻量 adapter 接任意视频生成器，零样本动作分类优于 V-JEPA

VLMP1 顶会AAAI 2026

Leveraging Textual Compositional Reasoning for Robust Change Captioning（在新窗口打开）

CORTEX 融合像素级变化检测与 VLM 组合语义文本，双模态对齐以改善图像对变化描述。

提出 CORTEX，用 VLM 文本补全纯视觉难以表达的组合变化
设计 RTE 从 VLM 抽取组合推理描述，ITDA 对齐视觉与文本
图像级变化检测与推理感知文本协同，捕获细微语义变化