GHOST: Hierarchical Sub-Goal Policies for Generalizing Robot Manipulation（在新窗口打开）
层次化视觉运动策略：高层预测三维子目标，低层执行，便于人类视频与机器人数据组合泛化。
- 高层策略从多视角RGB-D预测三维末端子目标分布
- 空间接口将3D目标投影为图像平面热图以条件化策略
- 子目标与 embodiment 解耦，可用人类视频训高层、机器人数据训低层
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
2026-06-10 周三共 21 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 0 · 音频 13 · 基础模型 7
- 生成
- 文生图 0图编辑 0视频生成 03D 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 0OCR 0
- 音频
- 音频 13
- 基础模型
- LLM 7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 21 篇
PADD: Path-Aligned Decompression Distillation for Non-Router Teacher to Guide MoE Student Learning（在新窗口打开）
四阶段蒸馏框架，将稠密教师知识迁入 MoE 学生并学习高质量路由。
- 初始化阶段通过教师神经元聚类与学生专家 warmup 构建多样专家
- 训练阶段集成在线自适应蒸馏与路径 refine 策略优化
- 奖励增强负载均衡，稳定路由并匹配或超越稠密教师
ViP-VL: Vietnamese Self-supervised Speech Pretraining Model with Vector-Quantization Learning（在新窗口打开）
越南语 ChunkFormer 自监督语音模型，在 ASR 等多项下游任务上取得 SOTA。
- 声学堆叠与感受野对齐实现 8 倍同步下采样
- BEST-RQ 预训练结合专用 mask 选择策略增强表示
- 公开预训练权重与实现以支持越南语语音技术
Prefilling-dLLM: Predictive Prefilling for Long-Context Inference in Diffusion Language Models（在新窗口打开）
训练无关的预填-解码分离框架，分块缓存 KV 并稀疏选取相关块，在 LongBench 等上达 dLLM 加速 SOTA，8K–32K 上下文约 9–28 倍加速。
- 提出 Prefilling-dLLM：分块一次缓存 KV，解码时选 top-K 块并块内 token 稀疏
- 将每步复杂度从全长二次降为仅与解码长度相关的二次
- chunk 前 BOS 类锚点 token 缓解 lost-in-the-middle；非连续 chunk KV 并行解码核
TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning（在新窗口打开）
多轮 ReAct 智能体 RL 中，用树形 rollout 把采样预算分给高对比度前缀，在同等成本下提升策略学习效果。
- 将 rollout 预算从 prompt 根扩展到轮次级前缀，形成树结构采样
- 用共享预测器估计锚点条件成功概率，指导预算分配
- 在智能体基准上于同等采样成本下取得更高准确率与效率
Entropy-Aware Domain-Routed Mixture-of-Experts Speech-LLM Framework: A Case Study of Multi-Domain Child-Adult ASR（在新窗口打开）
MoE Speech-LLM 统一成人与儿童多环境 ASR，域路由与熵感知共享专家处理边界。
- 分类器域路由 C-DR 粗到细策略统一多域 ASR
- Mixture-of-Projectors 与 Mixture-of-LoRAs 建模域差异
- Entropy-Aware Routing 在域边界动态引入共享专家
Attention Amnesia in Hybrid LLMs: When CoT Fine-Tuning Breaks Long-Range Recall, and How to Fix It（在新窗口打开）
CoT-SFT 使混合线性注意力模型 NIAH 等长上下文检索骤降；训练无关 QK-Restore 仅恢复 W_Q/W_K 可兼顾推理与长程能力。
- 揭示 CoT-SFT 使注意力梯度偏向短程，损害 W_Q/W_K 长程路由
- 提出 QK-Restore：从 SFT 前 checkpoint 恢复 Q/K 投影，零训练成本
- Procrustes 变体平衡路由保持与推理适应，多架构一致恢复长上下文
Enhancing Multilingual LLM-based ASR with Mixture of Experts and Dynamic Downsampling（在新窗口打开）
投影式 LLM-ASR 框架，MoE 与 CIF 动态下采样提升多语言识别与模态对齐。
- 提出面向多语言泛化与模态对齐的 projector 式 LLM-ASR 框架
- MoE 架构增强跨语言适应能力
- CIF 机制实现动态下采样与模态对齐
How Does Reasoning Flow? Tracing Attention-Induced Information Flow for Targeted RL in LLMs（在新窗口打开）
FlowTracer 在注意力诱导 DAG 上追踪通向答案的信息流并分配 token 信用，用于奖励塑形，多类推理任务一致增益。
- 在 token 为节点、注意力聚合为边容量的 DAG 上定义可达答案的流与守恒
- 提取 question–answer 信息流骨干，按流吞吐量给 token 重要性评分
- 用推导的重要性塑形 token 级 RL 奖励，聚焦关键路由 token
Multi-Faceted Interactivity Alignment in Full-Duplex Speech Models（在新窗口打开）
用 RL 后训练对齐全双工口语对话模型在停顿、话轮、附和与打断四维交互行为上的表现。
- 针对四类 canonical 交互轴设计轴专属奖励与语料片段
- 结合 LLM 语义质量奖励，避免交互优化导致语义退化
- 在 Moshi、PersonaPlex 上离线与实时多轮评测均有一致交互提升
GC-LoRA: Gated Convolutional LoRA for Parameter-Efficient Acoustic Adaptation（在新窗口打开）
在 Transformer 语音编码器注入 Conformer 式局部卷积 LoRA，高效适配域相关声学。
- GC-LoRA 在注意力输出投影注入轻量 Conformer 式局部卷积
- 保留预训练全局表示同时捕获局部声学依赖
- 多域数据集上 WER 相对基线显著下降且参数量增加很少
ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling（在新窗口打开）
将增量语音质量评估建模为多分辨率自回归任务，在部分音频前缀上更稳健。
- 在单解码器中联合建模分块级与语句级质量
- 双分辨率 token 与分辨率感知层次实现由粗到细 refinement
- 分析感知质量随时间累积的有效感知上下文范围
ContextCodec: Content-Focused Context Guidance for Ultra-Low Bitrate Speech Coding（在新窗口打开）
双分支神经语音编解码器显式传输内容上下文以指导重建，在约 500 bps 下平衡质量与可懂度，移动端 RTF 约 0.49。
- 双分支编码器解耦声学细节与内容导向上下文特征
- 上下文分支用 CLIP 式对比损失对齐音素索引，解码各阶段注入引导
- 轻量自回归 latent refinement 模块
ABC-Bench: An Agentic Bio-Capabilities Benchmark for Biosecurity（在新窗口打开）
提出评测 LLM 智能体生物安全相关能力的任务集，涵盖机器人脚本、DNA 设计与合成筛查规避等。
- 定义良性与双重用途生物学上的智能体能力评测任务
- 系统对比多类 LLM 智能体相对人类专家基线的表现
- 湿实验验证智能体生成的液体处理脚本可成功组装预期 DNA
ERAlign: Energy-based Representation Alignment of GNNs and LLMs on Text-attributed Graphs（在新窗口打开）
EBM 框架在共享潜空间对齐 GNN 结构表示与 LLM 文本嵌入的分布一致性。
- 能量表示对齐将图结构与文本嵌入投影到共享潜空间
- 层间对齐由距离度量与 EBM 目标优化
- Energy Discrepancy 降低采样成本并保证训练效率
Towards Deep Contextual Reasoning from Broad Descriptions for ASR with Speech-LLM via Metadata-Driven Reasoning Chains（在新窗口打开）
用视频等广域元数据训练 Speech-LLM 做链式推理修正转写，在 YouTube 测试集上减少错误，尤其 rare word 与命名实体。
- 构建约 400 小时推理增强语音数据：错稿、视频元数据与 LLM 推理解释
- 微调 Speech-LLM：初稿→语境推理→修正转写的 CoT 流程
- held-out YouTube 测试集验证 rare word 与 NE 等上下文相关错误改善
What Do Deepfake Speech Detectors Actually Hear?（在新窗口打开）
用 Integrated Gradients 在 WavLM 表征上定位 deepfake 检测证据，三种检测器依赖不同线索并经因果掩蔽验证。
- 面向音频的自监督表征与时间对齐的可解释性流程
- 在 ASVspoof 5 上对比 AASIST、CA-MHFA、SLS 的高归因区域语义
- 因果掩蔽主要线索导致性能下降，支持解释结论
RAIL: Rethinking Auditory Intelligence in Large Audio-Language Models with a CHC-Grounded Benchmark（在新窗口打开）
依 CHC 认知框架构建人类对齐的 LALM 评测，揭示模型知识强、听觉感知与记忆弱等能力剖面。
- 将听觉认知形式化为五项核心能力及结构化评测任务
- 评测 26 个 LALM，对比人类表现并分析训练范式错配
- 建立面向人类听觉目标的 LALM 评估新框架 RAIL
Speech Encoder Fusion for LLM-based Automatic Speech Recognition（在新窗口打开）
系统比较多种语音编码器融合方式以增强 Speech-LLM ASR，单语、多语与 diarization 场景均提升且计算开销有限。
- 超越简单拼接，探索可学习组合与 Transformer 融合架构
- 在单语/多语 ASR 及 diarized ASR 上评估
- 并行融合多预训练编码器稳定改善下游 ASR
Massive Open-Vocabulary Keyword Spotting（在新窗口打开）
压缩存储开放词表关键词特征，在不微调 ASR 的前提下支持海量术语库与跨语言实体召回。
- 特征存储 footprint 相对基线可大幅缩小并仍保持开放词表
- 无需微调识别模型即可接近未压缩方案的实体召回
- 支持训练未见过语言上的关键词 spotting
Ethical and Technical Limits of Deepfake Speech Datasets（在新窗口打开）
审计 39 个 deepfake 语音数据集，指出公平性评估难做、源真人语料跨集重叠可能夸大泛化结论。
- 汇总分析 39 集的可访问性、文档、人口统计/语言覆盖与规模
- 多数集缺人口元数据，公平性子群分析基本不可行
- 揭示 bona fide 源语料跨数据集大量重叠，影响跨集评测可信度
没有符合条件的论文。