Zero-source LLM Hallucination Detection with Human-like Criteria Probing（在新窗口打开）
HCPD 用可解释准则分解与弱监督对齐，在仅问答文本下提升零资源幻觉检测。
- Human-like Criteria Probing 自适应分解加权评判准则
- 仅语义一致性弱监督的奖励对齐训练方案
- 多采样聚合推理兼顾鲁棒与可解释性
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
2026-06-12 周五共 22 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 6 · 音频 11 · 基础模型 4
- 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 6OCR 0
- 音频
- 音频 11
- 基础模型
- LLM 4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 22 篇
Position: The Systemic Lack of Agency in Visual Reasoning（在新窗口打开）
指出 VLM 偏 passive 语义检索而非自主视觉探索，并发布 V-IRD 诊断 implicit reasoning 能力。
- 论证当前 VLM 在 implicit reasoning 上缺乏 Agency，难以自主发现并利用隐藏视觉证据
- 指出现有 benchmark 多测 Passive Capacity，主动 situated 推理评测不足
- 提出 V-IRD，要求仅通过自主视觉分析作答；强语义识别不等于主动探索
SciR: A Controllable Benchmark for Scientific Reasoning in LLMs（在新窗口打开）
从形式对象生成可验证任务并渲染成科学文体，独立调节抽取与推理难度，评测六款模型。
- 提出 SciR，覆盖演绎、归纳与因果 abduction 三类科学推理
- 由形式对象生成答案可验证任务，再按领域文体渲染为多文档科学 discourse
- 两难度轴可独立变化且效应叠加，可刻画各模型的抽取—推理 profile
SalArt-VQA: Diagnosing Whether VLMs Understand Salient Artifacts in Generated Images（在新窗口打开）
提出细粒度 VQA 基准，揭示高检出率仍可能缺乏局部视觉依据的伪影理解失败。
- SalArt-VQA 含 950 图与 3681 道四类型诊断题
- 评估存在、语义定位、空间 grounding 与证据一致性
- 20 个 VLM 上显示检出与细粒度理解严重脱节
Emo-LiPO: Listwise Preference Optimization for Fine-Grained Emotion Intensity Control in LLM-based Text-to-Speech（在新窗口打开）
将情感强度控制建模为排序学习，用 Emo-LiPO 对齐文本相对强度，并构建 ESD-plus 数据集。
- 提出 Emo-LiPO，用 listwise 偏好优化对齐提示条件下的情感强度排序
- 构建含多说话人与显式强度标注的 ESD-plus 数据集
- 在 ESD-plus 上优于监督与 DPO 基线，高强度档收益更明显
Leveraging Audio-LLMs to Filter Speech-to-Speech Training Data（在新窗口打开）
Rank-to-Distill 训练 Audio-LLM 直接从原始语音对做 keep/drop，提升端到端 S2ST 训练质量。
- 轻量 ranker 生成伪标签，再蒸馏为仅听音频的 keep/drop Audio-LLM
- 联合建模声学保真与跨语言语义一致性以筛 speech 配对数据
- 在 CVSS-C、SpeechMatrix 上较未过滤训练稳定提升，最高约 +1.4 ASR-BLEU
Cross-Modal Masked Compositional Concept Modeling for Enhancing Visio-Linguistic Compositionality（在新窗口打开）
MACCO 在一模态掩码组合概念并由另一模态全文上下文重建，在五个组合基准上显著提升组合理解。
- MACCO：跨模态掩码—重建以对齐组合结构
- 引入模态间与模态内对齐、正则的两项辅助目标
- 组合性提升并连带改善句法捕获，对 T2I 与 MLLM 亦有收益
PRISM: Prosody-Integrated Multi-Agent Reasoning Framework for Empathetic Spoken Dialogue（在新窗口打开）
多智能体解耦感知、生成与合成，韵律转语言稳定推理并按需调用知识工具。
- 感知、回复生成与语音合成协调的多智能体架构
- 韵律到语言翻译机制稳定 LLM 推理
- 共情、韵律与文本质量在客观与主观指标上提升
Balancing ASR and diarization in end-to-end LLMs for multi-talker speech recognition（在新窗口打开）
双编码器与特征交错输入 LLM，配合长度感知说话人 ID 损失与自适应 ASR 阈值，在有限数据下提升识别与归属。
- 双编码器分别提取语义与说话人特征并交错送入 LLM
- 长度感知 speaker ID 损失与重叠语音下的自适应 ASR 损失阈值
- AliMeeting、Aishell4 上相对开源基线分别提升 18% 与 24%
MLUBench: A Benchmark for Lifelong Unlearning Evaluation in MLLMs（在新窗口打开）
大规模终身遗忘基准显示现有方法累积退化，LUMoE 缓解多模态对齐约束下的遗忘损伤。
- MLUBench 覆盖 127 实体、9 类顺序遗忘请求
- 揭示 MLLM 终身遗忘需保持多模态对齐的独特难点
- 提出 LUMoE 显著减轻基线累积性能下降
TWLA: Achieving Ternary Weights and Low-Bit Activations for LLMs via Post-Training Quantization（在新窗口打开）
PTQ 框架 TWLA 实现 W1.58A4 压缩，含 E2M-ATQ、KOTMS 与 ILA-AMP 三部分。
- E2M-ATQ：欧氏初始化到流形重定位的两阶段三值权重量化
- KOTMS：Kronecker 正交旋转重塑权重并抑制激活离群点
- ILA-AMP：层间感知的激活混合精度比特分配，避免弱层级联
Endpoint Anticipation for Low-Latency Spoken Dialogue（在新窗口打开）
用语音模型 proactive 预测话轮结束，提前推测执行 LLM/TTS，显著降低 speech-to-speech 交互延迟。
- 将 reactive 话轮结束检测改为 proactive 端点预判，最长可提前约 2.56 秒
- 提出衡量延迟收益与推测计算冗余的评测指标
- 接入 Unmute 后平均延迟降约 505 ms，支持实时复杂推理式语音对话
PiDA: Phonetically-Informed Data Augmentation for Robust Vietnamese Speech Translation（在新窗口打开）
系统量化越南语 ASR 音韵混淆对 ST 的影响，PiDA 音似替换增强提升错译鲁棒性。
- 首次系统分类越南语 ST 中 ASR 替换错误的音韵成因
- PiDA 用音韵词嵌入生成 ASR 式 corruption
- FLEURS 越英上错译与干净文本翻译均有提升
Functional Cache Grafting: Robust and Rapid Code-Policy Synthesis for Embodied Agents（在新窗口打开）
FCGraft 检索已验证函数骨架及其 KV cache，经拼接与局部 patch 合成策略，降延迟并提高成功率。
- 维护函数级验证代码骨架库及对应 prompt 级 KV cache
- stitching 组合 cache 段，patching 仅解码必要区域以满足任务约束
- 相对 RAGCache 任务成功率提高 18.31%，策略合成约 2.3 倍加速
Adaptive Turn-Taking for Real-time Multi-Party Voice Agents（在新窗口打开）
ModeratorLM 按显式角色 conditioning 多方话轮策略，显著提升 precision/recall 并减少误打断。
- 提出基于 speech LLM 流式分块的 ModeratorLM 及角色条件化话轮控制
- 推理增强变体结合 CoT 与对话上下文、角色信息
- 构建 RolePlayConv 合成多方口语数据集，真实会议数据上 precision 提升超 40%、recall 超 70%
Does AI Reviewer See the Full Picture? Attacking and Defending Multimodal Peer Review（在新窗口打开）
PaperGuard 基准与分块检索防御，系统评估图文论文上 AI 审稿的跨模态攻击脆弱性。
- 首个多模态同行评审攻击评测基准 PaperGuard
- 统一黑盒提示注入与白盒文本/图表扰动攻击
- 基于分块嵌入检索的实用防御缓解有害指令
ArogyaSutra: A Multi-Agent Framework for Multimodal Medical Reasoning in Indic Languages（在新窗口打开）
发布多语多模态医学 QA 数据集 ArogyaBodha，并用 actor-critic 多智能体框架提升印度语医学推理。
- 构建 ArogyaBodha：八源、31 体系统、六成像模态、21 临床域，英及七种印度主要语言
- ArogyaSutra 结合工具 grounding、双记忆与 actor-critic 逐步推理，并用仿真轨迹蒸馏
- 实验显示各印度语医学推理准确率提升，消融验证各组件贡献
MDForge: Agentic Molecular Dynamics Pipeline Design under Sparse Simulator Feedback（在新窗口打开）
LLM 智能体以 verbal reward 与多专家辩论在线塑形，自动设计可与专家媲美的 MD 流水线。
- 将 MD 流水线设计建模为开放端代码生成智能体任务
- 稀疏奖励经多智能体物理专家辩论稠密化
- SAMPL 结合能基准与湿实验验证发现新颖高亲和 binder
Predicting Cognitive Load from Speech and Interaction Dynamics in Dyadic Conversations（在新窗口打开）
自然协作对话中，静态声学、动态与交互特征可预测时间压力与心理负荷等认知负荷维度。
- 53 对受试者九项协作任务的对话音频分析
- 双头 GRU 编码器融合声学与会话交互特征
- 轮替、重叠与参与不平衡与不同负荷维度相关
Generating Training Targets for Real-World Speech Enhancement via Close-to-Distant Microphone Projection（在新窗口打开）
C2D projection 用 PMWF 变体从真实近远麦录音估计投影矩阵，生成配对训练数据并去噪。
- 提出 C2D projection，由真实近远麦克风录音构造 SE 配对数据
- 以 Parametric Multichannel Wiener Filter 变体实现投影与去噪
- C2D 训练网络在 CHiME6 晚宴 ASR 任务上优于仅用 GSS 增强作为辅助输入
From Tokens to Faces: Investigating Discrete Speech Representations for 3D Facial Animation（在新窗口打开）
系统比较四类离散语音表示对 3D 面部驱动效果，并提出共享离散空间的 AVTTS 管线。
- 对比 SSL、神经 codec、ASR 类四类 token 表示在两套面部解码器上的重建与感知质量
- 探测分析 token 与音素、 articulatory 形变的关系，语义/标签类表示均可支撑准确动画
- 提出 AVTTS：以离散表示为共享空间同时解码语音与 3D 面部运动
Positional Encoding in the Context of Memristor-Based Analog Computation for Automatic Speech Recognition（在新窗口打开）
定位位置编码大值导致忆阻器 ADC 劣化，通过 ADC 位分配或移除编码线性变换相对降劣化约 50% 或 30%。
- 指出变换后位置编码大输出是忆阻器 ADC 劣化的主因
- 调整特定层 ADC 权重与精度比特比例，执行劣化相对降约 50%
- 不可改 ADC 时移除编码相关线性变换可相对降劣化约 30%
没有符合条件的论文。