🎬视频生成P1 顶会NeurIPS 2026
级联流式框架 Ultra Flash 在单卡上约 30 FPS@1K、18 FPS@2K 实时高分辨率流式视频生成。
- 架构保持的 T2V-to-TV2V 超分训练与 AIGC 数据退化管线，级联低分辨率基模型
- 因果流式 latent 上采样与高分辨率解码器，提升时空一致性与解码效率
- 稀疏因果化、单步蒸馏与级联流式 self-forcing 偏好优化及动态缓存
🎧音频P1 顶会INTERSPEECH 2026
提出 MeanVC 2，用未来感知分块与通用音色 token 编码器改进流式零样本 VC，延迟降至 110 ms。
- 提出 FRC，在扩散 Transformer 层调度过去/未来感受野，40 ms 分块稳定转换
- 通用音色 token 编码器：全局说话人嵌入+交叉注意力检索细粒度音色
- 相较 MeanVC 质量显著提升，延迟从 211 ms 降至 110 ms
🎧音频P1 顶会INTERSPEECH 2026
开源流式 TTS 框架 FlashTTS，滞后多轨架构+MTP 与 2-NFE 解码，首包延迟 325 ms。
- 滞后多轨架构原生处理流式文本与语音，无需句级缓冲
- 并行 MTP 与 X-pred mean flow 解码器，声学生成仅需 2 次函数评估
- 首包延迟显著低于流式基线，保留零样本克隆与跨语种可懂度
💬LLMP1 顶会NeurIPS 2026
双边界架构：可信执行器授权外部写操作，敏感明文经网关脱敏为引用 ID，兼顾效用与安全。
- 可信网关将敏感读替换为 reference ID，可选 declassification 摘要供规划
- 外部写操作 PREVIEW→COMMIT，仅可信执行器执行策略授权请求
- AgentDojo/AgentLeak/ASB 上同时保持任务效用并显著降低攻击成功率与泄露
🦾具身智能P1 顶会CoRL 2026
训练期约束动作纤维上视觉残差，避免动作监督微调导致视觉结构塌缩，仿真与真机均提升。
- 形式化动作监督微调中的残差视觉塌缩问题
- 在线动作探针与教师对齐、有效秩正则保留视觉残差
- 六组仿真及 SO-101 抓取放置上全面优于仅任务损失微调
💬LLMP1 顶会EMNLP 2026
控制实验表明隐式多跳推理失败源于预训练未见过组合上下文，而非单跳知识缺失。
- 97% 单跳准确率下多跳仍失败，定位为预训练组合曝光问题
- 九种数据增强格式：组合预训练可迁移至已曝光个体的新问题
- 未出现在组合预训练中的个体无法获得隐式多跳能力
💬LLMP1 顶会ICML 2026
提出 CoDaPO，按 rollout 置信度与题目难度重加权 GRPO 更新并重采样可学样本，在固定算力下提升十二项推理基准准确率。
- 分析 GRPO 训练中置信度膨胀、优势收缩与层次收敛三类动态
- CoDaPO 用有界价值函数重加权策略更新并重采样高价值可学题
- 十二项基准上相对现有 RL 方法一致提升准确率
💬LLMP1 顶会EMNLP 2026
提出 PAPO，用逐步过程奖励与熵引导轨迹重演缓解 dLLM 强化学习中的过程与状态错位。
- 指出 dLLM 强化学习存在过程奖励与状态轨迹双重错位
- 提出 SPR 与 EHR 使 RL 更新与生成轨迹对齐
- 在 GSM8K、MATH500 等四项推理基准上显著优于基线
🦾具身智能P1 顶会CoRL 2026
全欧氏 3D 手关键点参数化+Transformer 流匹配，无接触损失即可学习灵巧抓取先验，仿真与真机验证。
- 全欧氏手关键点参数化，与物体点云同坐标系，便于空间推理
- 仅用标准 flow-matching 损失的 Transformer 流模型，随数据与规模扩展
- Dexonomy 76.3% 成功率、DexGrasp Anything 最佳平均表现，批推理 0.032 s/抓取
🎧音频P1 顶会INTERSPEECH 2026
MeCo 用一步生成式校正将判别式分离结果映射到干净语音流形，DSO 兼顾听感与终端 SI-SDR。
- 基于 MeanFlow 的条件平均速度场，单步完成分离结果校正
- Data-Space Optimization 结合 x_r-loss 与 Endpoint SI-SDR
- 域内域外均提升信号保真度与人耳听感，开销小
🦾具身智能P1 顶会RSS 2026
轻量框架通过目标采样动态提供步态支撑，训练与地形无关的 3D 落脚点跟踪策略，仿真与真机实验可接多种高层规划器。
- 通用 3D 落脚点跟踪策略训练框架，goal sampler 动态提供 footstep 支撑
- 新目标表示缓解位姿与接触估计噪声等真机挑战
- 独立低层控制器可与多种高层落脚点生成器配对，支持 loco-manipulation
👁️VLMP1 顶会ICML 2026
Robust-U1 通过 SFT、像素与语义双奖励 RL 及联合推理，使 MLLM 显式自恢复损坏图像，在真实损坏与对抗 VQA 上达 SOTA 鲁棒性。
- 提出 MLLM 显式视觉自恢复框架 Robust-U1 三阶段训练流程
- 双奖励 RL 对齐高视觉质量与语义一致
- 验证高质量视觉恢复直接提升推理，自恢复为鲁棒理解关键机制
🎧音频P1 顶会INTERSPEECH 2026
用 GMM 干净语音嵌入先验匹配噪声条件，推理无需注册干净音频即可逼近 oracle 条件上界。
- 以 GMM 构建干净说话人嵌入先验并匹配噪声条件嵌入
- 经门控融合注入时频增强骨干，无需推理时 enrollment
- 在 VoiceBank+DEMAND 与 DNS Challenge 2020 上稳定优于噪声条件基线
👁️VLMP1 顶会ICML 2026
TaRO 用稠密字幕构造时序推理路径与时序敏感奖励，强化 MLLM 的视频时序定位与推理质量。
- Constructive Reasoning Exploration：用预生成稠密字幕构造含时间戳的推理路径
- Temporal-Sensitivity Reward：事件边界扰动下 logit 下降作为推理质量评判
- 渐进课程：从奖励选路径到自由探索，VTG 基准 SOTA
🎧音频P1 顶会INTERSPEECH 2026
解耦规模与多样性，表明盲目扩规模收益有限且可能损害跨域泛化，多样化攻击的小集合优于大规模低多样性数据。
- 挑战语音反欺骗「规模优先」范式，分离规模与多样性影响
- 发现过度扩规模在固定生成方式下收益甚微甚至损害泛化
- 结论建议数据集构建优先多样化生成方式而非单纯规模
💬LLMP1 顶会EMNLP 2026
自动构造可执行安全场景并做过程级评估，显示当前 Agent 任务执行中行为风险仍高。
- 沿五类风险维度实例化 1072 个可测安全评估场景
- 建立全自动场景生成与安全评估流水线
- 评估 12 个 LLM Agent，揭示平均攻击成功率等安全风险
🦾具身智能P1 顶会EMNLP 2026
在冻结 VLA 隐状态上训练轻量门控，按帧决定是否生成语言，兼顾 AD 性能与约 2.54 倍推理加速。
- 分析语言仅在小部分路线关键，逐帧生成语言效率低
- 0.11M 参数门控在冻结骨干上选择语言或直连动作
- 在 Bench2Drive 与 Longest6 v2 上达 SOTA 并显著提速
🎧音频P1 顶会INTERSPEECH 2026
按奇异值划分 head/tail 子空间，在 tail 低能量子空间做近似旋转适配 ASR，减轻灾难性遗忘。
- 基于 ASR 参数高效微调，将权重矩阵分为 head/tail 并限制在 tail 子空间适配
- 后续任务通过权重平均组合旋转以提升知识保留
- 两基准上较近期 PECL 基线遗忘更少、整体性能更优
💬LLMP1 顶会EMNLP 2026
提出 PRISM，将冻结目标模型的隐状态解码为忠实指令列表，用于 Agent 场景下的指令集监控。
- 形式化指令集检索任务，面向 Agent 中并发指令与子目标
- PRISM 用 judge 引导的 GRPO 直接恢复指令集并惩罚无依据条目
- 在注入与隐藏目标等安全相关设定上优于既有 activation-to-language 基线
🎧音频P1 顶会INTERSPEECH 2026
1.5B TinyGiantALM 用 Query-guided Projector 与 Semantic Gating 做指令感知特征精炼，MMAR 零样本 46.4%，显著优于 7B–13B 基线。
- Instruction-Aware Feature Refinement：Query-guided Projector 与 Semantic Gating
- 紧凑 1.5B 在 MMAR 上零样本准确率显著超过更大 Audio-LM
- 在混合模态场景解耦上优于最高约 8 倍参数量模型
💬LLMP1 顶会ICML 2026
ITCR 将保形预测嵌入推理图生成，结构级不确定性决定何时停止，理论保证事实性覆盖率。
- 将推理中间主张建模为 DAG 上的结构事实不确定性
- 学习图级不确定性函数并校准保形阈值以控制生成停止
- 多数据集上经验覆盖率有效，下游推理优于事后剪枝图
💬LLMP1 顶会ICASSP 2026
CCHD 将训练表述为带释义一致性与标签保持约束的优化，梯度下降-上升求解，DeBERTa/Flan-T5 上优于 FactCG 等事实性基准。
- 交叉熵辅以释义一致性与标签保持约束的约束优化形式
- 对模型参数与 per-view 拉格朗日乘子做梯度下降-上升，推理无额外开销
- 标准事实性基准上 consistently 优于 FactCG、MiniCheck、AlignScore
🎧音频P1 顶会INTERSPEECH 2026
用 prompt 韵律可控 TTS 构造正交刺激，发现响度主导人类讽刺感知，基础音频模型更偏重语速。
- 神经 TTS 韵律条件框架，独立操控语速、音高变化与响度
- 正交刺激集支持韵律线索的因果检验
- 对比人耳与基础模型在讽刺感知上的权重差异
💬LLMP1 顶会ICASSP 2026
CPIL 用 Siamese 两阶段框架：释义正样本对齐与同文档反标签难负样本，在 LLM-AggreFact 上以约 1% 标注数据超越强基线 F1。
- 释义视图作正样本、同文档反标签对作难负样本构造训练对
- 对比预训练学释义不变、grounding 感知嵌入，再轻量二分类
- LLM-AggreFact 11 任务上 F1 优于强基线且标注高效
💬LLMP1 顶会ICML 2026
MemoPilot 用多轮 GRPO 端到端训练记忆更新，冻结 LLM 在 RPS 与德州扑克上测试时学习更强。
- 将记忆更新建模为多轮决策并用多轮 GRPO 优化
- 引入逐轮奖励与上下文无关的 turn-level advantage 估计
- 在两套测试床上 Elo 排名第一，优于多种记忆基线与专有模型
💬LLMP1 顶会EMNLP 2026
基于真实用户反馈构建 UXBench，含三类任务与 7400 条测试，评测 26 个前沿模型的 UX 对齐与对话表现。
- 首个以真实用户反馈信号为核心的 AI 助手 UX 评测基准
- UX Judge / Eval / Recovery 三任务，覆盖 8 场景与 83 领域
- 实验揭示用户反馈可学习性及影响 UX 的多方面因素
🎧音频P1 顶会INTERSPEECH 2026
CaPIN 构建词节点与帧节点异构图建模层级词-声学关系，在 UCLASS 与 FluencyBank 上达 82.4% 加权准确率，利于早期临床干预。
- 面向儿科数据的 Context-aware Part-whole Interaction Network
- 异构图捕获词单元与细粒度声学段的层级关系
- 在 curated 儿科语料上取得报告准确率与 Typical Disfluency F1
🎧音频P1 顶会INTERSPEECH 2026
针对类数可增可减的 FCIAC，用动态原型适应网络与伪类可变训练提升对类别变化的适应。
- 定义类数可增可减的 Few-shot Class-variable Incremental 音频分类任务
- 分类器由随类变化的 prototype adaptation 网络初始化
- 伪类可变训练策略增强模型对类别变化的适应性