Proof-of-Perception: Certified Tool-Using Multimodal Reasoning with Compositional Conformal Guarantees（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
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
2026-03-03 周二共 46 篇：生成 6 · 代码生成 0 · 智能体 0 · 世界模型与具身 3 · 理解 15 · 音频 8 · 基础模型 14
- 生成
- 文生图 3图编辑 1视频生成 13D 生成 1
- 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 3
- 理解
- VLM 15OCR 0
- 音频
- 音频 8
- 基础模型
- LLM 13统一多模态 1
这一天为历史补采：方向按规则判定，作者单位只来自 OpenAlex，入选论文比每日更新少；AI 要点尚未生成，请以原文摘要为准。
共 46 篇
Taxonomy-Aware Representation Alignment for Hierarchical Visual Recognition with Large Multimodal Models（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Wavelet-based Frame Selection by Detecting Semantic Boundary for Long Video Understanding（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Phys-Diff: A Physics-Inspired Latent Diffusion Model for Tropical Cyclone Forecasting（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Mesh-Pro: Asynchronous Advantage-guided Ranking Preference Optimization for Artist-style Quadrilateral Mesh Generation（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Whisper-MLA: Reducing GPU Memory Consumption of ASR Models based on MHA2MLA Conversion（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
MIDAS: Multi-Image Dispersion and Semantic Reconstruction for Jailbreaking MLLMs（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Fair in Mind, Fair in Action? A Synchronous Benchmark for Understanding and Generation in UMLLMs（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
UNICBench: UNIfied Counting Benchmark for MLLM（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
CMI-RewardBench: Evaluating Music Reward Models with Compositional Multimodal Instruction（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Act Like a Pathologist: Tissue-Aware Whole Slide Image Reasoning（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Polynomial Mixing for Efficient Self-supervised Speech Encoders（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
UniHM: Unified Dexterous Hand Manipulation with Vision Language Model（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Analyzing and Improving Fast Sampling of Text-to-Image Diffusion Models（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Constitutional Black-Box Monitoring for Scheming in LLM Agents（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
pySpatial: Generating 3D Visual Programs for Zero-Shot Spatial Reasoning（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Improving Text-to-Image Generation with Intrinsic Self-Confidence Rewards（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Towards Orthographically-Informed Evaluation of Speech Recognition Systems for Indian Languages（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
AG-REPA: Causal Layer Selection for Representation Alignment in Audio Flow Matching（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
From Intuition to Investigation: A Tool-Augmented Reasoning MLLM Framework for Generalizable Face Anti-Spoofing（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Beyond Global Similarity: Towards Fine-Grained, Multi-Condition Multimodal Retrieval（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
CARD: Towards Conditional Design of Multi-agent Topological Structures（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
SyncTrack: Rhythmic Stability and Synchronization in Multi-Track Music Generation（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
DIVA-GRPO: Enhancing Multimodal Reasoning through Difficulty-Adaptive Variant Advantage（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
DeAR: Fine-Grained VLM Adaptation by Decomposing Attention Head Roles（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Reasoning Boosts Opinion Alignment in LLMs（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
AgilePruner: An Empirical Study of Attention and Diversity for Adaptive Visual Token Pruning in Large Vision-Language Models（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Provable and Practical In-Context Policy Optimization for Self-Improvement（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
From Verbatim to Gist: Distilling Pyramidal Multimodal Memory via Semantic Information Bottleneck for Long-Horizon Video Agents（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
CARE: Towards Clinical Accountability in Multi-Modal Medical Reasoning with an Evidence-Grounded Agentic Framework（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
LexChronos: An Agentic Framework for Structured Event Timeline Extraction in Indian Jurisprudence（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
FastLightGen: Fast and Light Video Generation with Fewer Steps and Parameters（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Cross-modal Identity Mapping: Minimizing Information Loss in Modality Conversion via Reinforcement Learning（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Neural Implicit Action Fields: From Discrete Waypoints to Continuous Functions for Vision-Language-Action Models（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
MMR-Life: Piecing Together Real-life Scenes for Multimodal Multi-image Reasoning（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Learning from Synthetic Data Improves Multi-hop Reasoning（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
FluxMem: Adaptive Hierarchical Memory for Streaming Video Understanding（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Multi-Head Low-Rank Attention（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
HiFi-Inpaint: Towards High-Fidelity Reference-Based Inpainting for Generating Detail-Preserving Human-Product Images（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
When Scaling Fails: Mitigating Audio Perception Decay of LALMs via Multi-Step Perception-Aware Reasoning（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Sequence-Level Unsupervised Training in Speech Recognition: A Theoretical Study（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
ProFocus: Proactive Perception and Focused Reasoning in Vision-and-Language Navigation（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Graph-of-Mark: Promote Spatial Reasoning in Multimodal Language Models with Graph-Based Visual Prompting（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Children's Intelligence Tests Pose Challenges for MLLMs? KidGym: A 2D Grid-Based Reasoning Benchmark for MLLMs（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
Fast-Slow Thinking RM: Efficient Integration of Scalar and Generative Reward Models（在新窗口打开）
暂无 AI 要点，请阅读原文摘要。
没有符合条件的论文。