🦾具身智能P1 顶会ICML 2026
AVA-VLA 用潜变量推理、RL 去噪与早退，相对显式 CoT 约 6 倍加速，LIBERO 平均成功率 98.3%。
- 提出 AVA-VLA，以不可观测潜变量序列替代显式文本 CoT 推理
- 用任务级奖励的 RL 去噪优化潜轨迹，缓解噪声与目标错配
- 置信度驱动的早退在推理深度与效率间自适应权衡
✏️图编辑P1 顶会IJCV
发布 I2EBench2.0，系统评测单轮/多轮指令编辑的精度、一致性与多维度质量。
- 同时覆盖单轮与多轮指令编辑评测框架 I2EBench2.0
- 单轮 16 维、多轮 7 维评价准则并与用户研究对齐
- 评测 8 个 IIE 模型并给出领域研究洞察
💬LLMP1 顶会ICML 2026
发现 Oracle 精炼数据 reward 更高但蒸馏效果更差，提出 Style-Aligned Refinement 对齐 SLM 轨迹以恢复效用。
- 揭示数学推理蒸馏中高质量轨迹与学习者分布漂移导致的 Quality-Utility Paradox
- 分析 Oracle 逻辑修复与 SLM 原生推理分布偏离的机理
- Style-Aligned Refinement 在保留逻辑修复同时降低适应成本
🎧音频P1 顶会INTERSPEECH 2026
样本级余弦正交与 batch 级 cross-covariance 双粒度解耦说话人泄漏，课程式约束无需对抗网络。
- 双粒度正交解耦：方向去相关与 embedding 维度线性相关消除
- 课程式 disentanglement 逐步加强约束，架构更简单、训练更稳
- ASVspoof 与 In-the-Wild 上 EER 优于梯度反转类解耦，跨数据集迁移更好
🖥️GUI AgentP1 顶会EMNLP 2026
在固定总推理预算下，token 匹配的 vanilla 基线常不逊于在线 memory/skill 增强的 Web Agent。
- 在每次任务都付出增强开销的设置下，用总预算约束重评在线增强收益
- WebArena 四域与三模型上，vanilla 多步 actor 聚合成功率匹配或超过 AWM/ASI/ReasoningBank
- 指出 run-to-run 方差应作为在线 Web Agent 的核心评测报告项
🎧音频P1 顶会INTERSPEECH 2026
在 LLM-TTS 中基于已合成语音动态预测当前音节韵律，增强风格学习与说话人相似度。
- 提出基于已预测语音条件的动态韵律预测机制
- 针对 LLM-TTS 中风格韵律学习不足的问题进行建模
- 在三个数据集上验证可提升生成语音的说话人相似度
🎧音频P1 顶会INTERSPEECH 2026
构建 VoxPhrase 短时验证语料，提出 TD/TI 混合注册与帧级 cross-attention 重打分，多模型上稳定提升。
- 从 VoxCeleb 自动切分构建大规模短时说话人验证语料 VoxPhrase
- 分析文本相关与文本无关注册在时长与表示稳定性上的差异
- 混合注册神经重打分框架，并行 cross-attention 做帧级比对
🎧音频P1 顶会INTERSPEECH 2026
用跨话语音文提示做零样本在线说话人适配，老年语料上显著降 WER/CER，实时因子较离线批适配最高约 9.83 倍。
- 提出跨话语音文融合说话人提示，支持零样本实时适配新说话人
- 说话人提示比 i/x-vector 与 ECAPA-TDNN 更一致紧凑
- 在 DementiaBank Pitt 与 JCCOCC MoCA 上显著优于说话人无关基线
🎧音频P1 顶会INTERSPEECH 2026
基于 TangoFlux 的免训练框架，用 inversion-reverse 与注意力解耦实现时序一致、背景保留的音频编辑。
- 利用优化 inversion-reverse 与联合文本-音频注意力图精确提取编辑片段
- 调度式注意力解耦将改动限制在目标区域并保留原声学上下文
- 任务导向噪声注入支持音频移除与非刚性替换等任务
👁️VLMP1 顶会EMNLP 2026
多模态 KB-VQA 读者呈 primacy 而非 U 形 lost-in-the-middle，金 passage 在首位显著优于末位。
- 首个控制 gold passage 位置的多模态 KB-VQA 读者侧探测协议
- 发现 Lost at the End：primacy 在纯文本控制中已存在，与图像无关
- 表明部署场景 recall@k 指标不当，检索侧重排难以弥补读者侧问题
🎧音频P1 顶会INTERSPEECH 2026
以 Code Mixing Index 引导偏好学习生成更利于 CS 的合成语音，微调 Whisper Large 在 SEAME 上明显降低 MER。
- 提出码混合引导偏好学习，使 TTS 合成更贴合语码转换边界一致性
- 用 CMI steer 合成数据以提升 CS ASR 微调效用
- 在 SEAME DevMAN/DevSGE 上 MER 由 12.1%/17.8% 降至 8.9%/14.2%
👁️VLMP1 顶会ICML 2026
UCS-Bench 与 DirectMe 从流式第一视角增量构建空间记忆，显著提升 leading MLLM 的长程空间推理。
- 发布 UCS-Bench：170+ 小时第一视角观测与 8.1K+ 时间戳问答
- DirectMe 增量维护结构化空间记忆，支持相对用户运动的物体定位与召回
- 在持续空间推理任务上优于多种空间感知与长流式视频模型
🎧音频P1 顶会INTERSPEECH 2026
构建重音标注与跨语言重音指标，微调 CosyVoice3 的 stress-aware S2ST 显著改善英译中重音迁移。
- 构建重音标注中文数据集与 XLS-R 普通话重音检测器
- 结合 EmphAssess 提出跨语言重音客观评测指标，与人评相关性高
- 微调 CosyVoice3 的 S2ST 在重音传译上显著优于现有系统且翻译质量仍具竞争力
🎧音频P1 顶会INTERSPEECH 2026
在 VQ-NAC latent 上对比连续 cNAC-SE 与离散 dNAC-SE，表明 VQ 正则带来与离散 token 无关的鲁棒先验约束。
- 提出连续与离散 latent 预测的 cNAC-SE / dNAC-SE 框架及机理分析
- 全微调 cNAC-SE 在多种条件下优于 dNAC 变体及既有生成式 SE
- 论证 VQ 通过 clean-prior 正则提升鲁棒性，可迁移到其他连续建模
🎧音频P1 顶会INTERSPEECH 2026
置信度排序未标注数据并课程式纳入，结合可学习说话人提示，半监督老年 ASR 显著优于无该机制的基线。
- 置信度模块排序无转写数据可靠性，由高到低渐进加入无标注集
- 可学习提示的说话人自适应训练缓解说话人异质性
- 在 Pitt 与 JCCOCC MoCA 上相对半监督基线显著降低 WER/CER
🎧音频P1 顶会INTERSPEECH 2026
在 LLM-TTS 合成中通过音节时长编辑做信息级水印，对生成式攻击比波形/谱图级方法更鲁棒。
- 提出 DuraMark：在信息层用音节时长编辑嵌入可追溯水印
- 结合 duration-controllable LLM-TTS 与 duration extractor 完成嵌入与检测
- 实验显示对神经 codec、vocoder 等生成攻击显著优于信号级基线
🎧音频P1 顶会INTERSPEECH 2026
模块化 Agent 将复杂音频 QA 编排为规划、工具、证据整合与验证，MMAR 上准确率与 rubric 均提升。
- 把复杂音频 QA 重构为规划、工具执行、证据整合与答案验证流程
- 缓解 LALM 难以聚焦问题相关片段、缺乏可核查推理的问题
- 消融表明证据整合是性能提升的关键因素
👁️VLMP1 顶会ICML 2026
Deep-VRM 在中间层残差注入取证视觉信号，兼顾语义与生成器伪迹以实现 AI 图像检测。
- 层析分析 MLLM 中语义与取证信号的分层形成机制
- 提出 Deep-VRM 保留早期语义并残差注入 artifact 信号
- 在多数取证检测 benchmark 上达到领先泛化性能
🧾OCRP1 顶会CVPR 2026
提出含视觉引用的长答案文档 QA 数据集 VinQA，比较页级与模态级编码，并扩展 GroUSE 为多模态评测。
- VinQA 数据集：长答案中文本与可引用视觉元素交错并 grounding 到页面
- 对比 Page Encoding 与 Modality Encoding 两种页面输入与引用机制
- M-GroSE 评测框架与 Visual Source F1 衡量视觉引用准确性
🎧音频P1 顶会INTERSPEECH 2026
控制变量消融表明 6.25 Hz 质量 cliff 主因是训练 clip 过短而非音素碰撞或码本饱和，修正后 WER 可平滑降至更低帧率。
- 系统消融低帧率神经音频编解码器退化并复现 6.25 Hz 质量 cliff
- 排除音素碰撞与码本饱和作为根本障碍的证据
- 指出固定训练 clip 导致低帧率 token 过少，修正后效率潜力更大
🎧音频P1 顶会INTERSPEECH 2026
统一 10 种水印注入与多类扰动构建 VoxWatermark，并提出可扩展检测基线 AudioWMD。
- VoxWatermark 在多语多源语料上统一注入与标注 10 种水印方法
- 引入 no-box/black-box/white-box 扰动模拟真实录制与传输条件
- AudioWMD 作为大规模、多方法、跨分布设置的鲁棒检测基线
🎧音频P1 顶会INTERSPEECH 2026
将 XAI 归因与 MLLM 结合，为语音 deepfake 检测生成有依据的自然语言解释，并构建 grounded 解释数据。
- 免训练框架：XAI 证据 + 多模态 LLM 生成 grounded 解释
- 基于 PartialSpoof 构建 SDD grounded 解释数据集
- 人机评测与忠实性检验验证 XAI 增强解释质量
🎧音频P1 顶会INTERSPEECH 2026
在音频编码器引入可训练声学 prompt，与文本侧 prompt 互补以提升 ALM 小样本适配。
- 在音频编码器侧引入可学习任务相关声学 prompt
- 与现有文本 prompt 方法即插即用组合
- 在 11 个数据集上普遍带来性能提升
💬LLMP1 顶会ICML 2026
发现基座与下游 LLM/MLLM 间 head 级 context-truthfulness 可继承，TruthProbe 软门控减轻幻觉。
- 量化并验证模型族系内 Truth Score 与 attention head 权重保留
- 提出 TruthProbe 放大 context-truthful heads 的策略
- 在 HaluEval、POPE、CHAIR 上提升上下文真实性与多模态幻觉表现
👁️VLMP1 顶会EMNLP 2026
按模态分解专家选择频率并去冗余视觉 token，结合模态敏感度做 ILP 分配位宽，MoE-MLLM 量化在 W3A16 平均损失约 2.9% 内。
- 揭示跨模态与视觉冗余 token 对专家重要性估计的两类偏差
- 模态分解频率、去噪视觉频率与模态量化敏感度联合指导位宽分配
- 在 MoE-MLLM 上显著优于通用 MoE 专家级混合精度量化
🎧音频P1 顶会INTERSPEECH 2026
在 80 小时多类型英语语音上分析人工与 G2P 监督规模，ASR 预训练显著降低音素错误率。
- 揭示 G2P 监督仅在少量人工标注时有效的质量阈值
- 构建涵盖 native/non-native/post-stroke 的 80 小时 benchmark
- ASR 预训练相对 prior 系统在加权音素特征错误率上约 2.3× 降低
🎧音频P1 顶会INTERSPEECH 2026
将 Mamba 注入低秩 bottleneck adapter，在更少参数下匹配或超越音频 PETL 基线。
- 提出 MambAdapter，结合跨 adapter 参数共享与轻量 Mamba 模块
- 面向音频特征序列建模的参数高效微调方案
- 在四项音频分类与五语语音识别上验证有效性
💬LLMP1 顶会ICML 2026
KG 与多 Agent LLM 协同，从《神农本草经》等文本挖掘可验证的药物-疾病线索并降低幻觉。
- 提出 grounding 与 reasoning 可分离组合的多 Agent 系统 DeepRoot
- 联合构建并利用可验证知识图谱做治疗推理
- held-out 化合物-疾病对在 R@20 上显著优于纯 LLM 与仅图推理基线
👁️VLMP1 顶会CoRL 2026
用预训练 VLM 与基础模型建物体级场景图并跨序列匹配，无需深度与训练，第一人称配准优于几何与学习型场景图基线。
- PROSE 将 RGB 序列提升为物体级 3D 场景图并用 VLM 跨扫描匹配实例
- 以物体高度为先验，同异查询验证匹配，几何共识选刚性变换
- 在 Aria Digital Twin 与 Everyday Activities 上配准精度优于多种基线
🎧音频P1 顶会INTERSPEECH 2026
发布含问卷与录音的多模态 TMASC 语料，并通过感知—声学整合等案例说明对跨男性群体的支持用途。
- 196 名跨男性参与者问卷与 66 段音频的多模态语料 TMASC
- 说明数据采集流程与 vocal health 等相关问卷设计
- 三个案例研究展示感知与声学整合、群体特征与声学测量校准