👁️VLMP1 顶会ECCV 2026
用 caption-推理-结论模板与 PerceptEval 无监督验 caption，课程自训练最多比基线高 16%。
- 感知验证自训练框架，分离感知与推理并独立验证视觉理解
- PerceptEval 无监督评估 caption 与图像文本对齐
- 两阶段课程：易样本训练再对中等样本条件于 verified caption 重生成推理
✏️图编辑P1 顶会SIGGRAPH 2026
用投影到 2D 的 RGB 3D 包围盒作视觉提示，SFT+在线 RL 实现平移、旋转、缩放等几何编辑 SOTA。
- 三色正交面编码位姿与尺寸，解耦几何控制与外观控制
- 构建大规模合成 SFT 数据，并用无配对真实数据的在线 RL 弥合域差
- 在平移、旋转、缩放及组合编辑任务上达到 state-of-the-art
👁️VLMP1 顶会ICML 2026
提出 CFPO，用跨模态反事实增强约束视觉与文本推理的因果一致，较标准 RL 基线提升约 3.17%–6.25%。
- 通过抑制关键视觉线索的反事实状态正则化策略，强化因果一致性
- 可与 GRPO、DAPO 等算法结合，无需外部奖励模型或额外监督
- 在推理保真度上显著优于标准 RL 与感知感知方法 PAPO
🦾具身智能P1 顶会ECCV 2026
提供参数化安全基准、keypose 数据管线与 19664 条无碰撞演示，系统评估八种 VLA 的安全与泛化张力。
- 程序化生成带随机性的安全关键场景基准
- keypose 驱动数据生成， curated 大规模严格无碰撞演示集
- 揭示高多样性训练与安全轨迹及任务成功与语义对齐之间的瓶颈
💬LLMP1 顶会ACL 2026
提出对称人机 Q-sort 协议，用 Procrustes 与 RSA 量化 LLM 与人类的价值观结构对齐。
- 基于 Q 方法论的对称 human-LLM 价值结构评测框架
- 140 条道德陈述上建立三因子参考几何并评测 12 个 LLM
- 揭示跨模型族异质性与局部错位，补充条目级道德基准
🎧音频P1 顶会INTERSPEECH 2026
用贝叶斯因子化适配在强预训练 ASR 上集成语码切换知识，CSW 词错误降 32.87% 且单语能力不降。
- 提出贝叶斯因子化适配，避免微调覆盖原有强单语能力
- 少量合成 CSW 数据即可显著降低语码混合转写错误
- 整体 WER 改善 5.31%，强调知识整合优于单纯堆数据
🦾具身智能P1 顶会ECCV 2026
用强化学习后训练延长可靠动作块、削减冗余物理步，提升 VLA 部署效率且不降成功率。
- 定义并优化 VLA 的策略效率：可执行块长度与物理步数
- 动态探索奖励更长可靠动作块预测
- 冗余感知奖励减少无效物理动作
🎧音频P1 顶会INTERSPEECH 2026
为 Flow-Matching TTS 提出在线 RL 框架 FlowTTS-GRPO，在 CosyVoice 3.0 与 F5-TTS 上提升说话人相似度与听感质量。
- 将 ODE 轨迹转为 SDE 路径，无需辅助模型即可微调开源 FM-TTS
- 加权奖励组合较概率方案收敛更快，并给出三项训练实践优化
- 在 CosyVoice 3.0 与 F5-TTS 上取得客观与主观偏好提升
🎨文生图P1 顶会NeurIPS 2026
提出训练无关的 VESFlow，在极少步 Flow Matching 文生图下通过编辑速度场实现概念移除并保真良性提示。
- 基于安全条件后验的贝叶斯分解直接编辑速度场，不改提示词
- 结合风险分数过滤，在良性提示下跳过编辑以降算力
- 在 4 步 MeanFlow 上显著降低 Ring-A-Bell、MMA-Diffusion 等攻击成功率
🎧音频P1 顶会INTERSPEECH 2026
AugCodec 用增强策略解耦语义、说话人与韵律 token，12.5Hz 三流下重建与解耦优于 SOTA。
- 用定制增强将语音分解为语义、说话人、韵律三类 token
- augmentation loss 对齐源语音与变声后的语义编码
- LibriSpeech test-clean 上重建质量与解耦显著优于 SOTA
🦾具身智能P1 顶会ICML 2026
SCOPE 用 SESim 验证执行与 SASMem 蒸馏符号知识，在开放环境中演化符号世界并提升长程规划成功率。
- 自适应符号规划框架，同时 refine 计划与演化符号世界表示
- SESim 符号验证与真实执行反馈闭环 refine 计划
- SASMem 将反馈蒸馏为演化符号知识以支撑长程规划
🎧音频P1 顶会INTERSPEECH 2026
flow-matching TTS 连续解耦控制 vocal effort 与 articulation，模拟噪声下清晰语音。
- 基于 vocal effort 与 articulation 伪标签训练 TTS
- 实现词级强调与清晰度相关声学特征可控
- speech-in-noise 实验验证可懂度增益模拟
👁️VLMP1 顶会ECCV 2026
在隐藏状态空间预测生成是否不安全，仅在实际有害时干预，在保持安全的同时大幅减轻过度拒答。
- 指出输入侧护栏忽视模型自身可产出安全回复，导致 over-refusal
- 提出输出感知范式，用多实例对比学习训练轻量分类器
- 安全性能可比现有方法，同时显著保留模型效用与内置安全能力
🎧音频P1 顶会INTERSPEECH 2026
发布老年 codec 伪造检测任务 ECFD 与 ECF 数据集，BONSAI 融合 LanguageBind 与 ImageBind 建立新基准。
- 提出 ECFD 并发布英中 Elderly-CodecFake 数据集
- 揭示既有 CF 检测器在老年语音上泛化差
- 提出 BONSAI，以 Jensen-Shannon 散度融合多模态基础模型
🎧音频P1 顶会INTERSPEECH 2026
系统评测 30+ LLM 做日语 G2P，最优假名 CER 低于 0.52%，优于传统工具并利于可控 TTS。
- 在 3000 句人工标注数据上对比 LLM 与传统形态分析器
- parse 模式（分析+规则转假名）多数优于 direct 端到端读法
- LLM 预测假名接入假名输入 TTS 优于端到端 TTS 发音
🦾具身智能P1 顶会ECCV 2026
为 LM 型 VLN-CE 设计 FlowDec 图像恢复，混合时序条件与动作质心滤波，导航精度与延迟优于 SOTA 去损坏。
- 针对 VLN-CE 在视觉损坏下性能退化提出专用去损坏框架
- 混合时序条件对齐生成流路径与历史上下文
- 动作质心引导滤波动态评估并融合输出，提升鲁棒导航
💬LLMP1 顶会EMNLP 2026
提出训练-free 的 VCM，在截断采样前重塑概率分布，缓解重复与词汇单调并改善开放生成。
- 提出 Variance-Calibrated Modulation 作为解码前干预
- PMI 上下文探照与自适应自去偏动态调制 logits
- 可与现有解码策略叠加，开销可忽略
🎧音频P1 顶会INTERSPEECH 2026
提出 OVC 任务与约 2ms 算法延迟的时域模型，从混音中去除登记说话人并保留他人语音，利于远场回传场景。
- 定义 own-voice cancellation，针对远场设备回传导致的本声失真问题
- 以短注册语音为条件，对比 TD-SpeakerBeam 与 Mamba-MinGRU 掩码器
- 线性 RNN 编码器替代 ConvTasNet 辅助网，提升 SDR 与预测 MOS 并降算力
🎧音频P1 顶会INTERSPEECH 2026
发布多说话人对话理解诊断基准，覆盖 16 类说话人中心任务与分层评测框架。
- 提出 MSU-Bench 含 2300 条 QA 的两层任务框架
- Gemini 辅助标注与人机校验的 QA 生成流程
- 分析说话人 grounding 与多说话人推理瓶颈
🎨文生图P1 顶会ICLR 2026
利用 IAR 生成过程固有模式，提出事后框架在不改生成流程的情况下追溯图像来源模型。
- 发现 IAR 生成图像中存在可用于溯源的 characteristic patterns
- 事后检测框架无需修改生成过程或输出，适用于已发布无水印内容
- 在多种 IAR 上验证溯源检测有效性
🎧音频P1 顶会INTERSPEECH 2026
提出合成心音检测任务 SHAC 与 CARDIOFAKE 基准，GROOT 融合谱特征与 WavLM 达 SOTA。
- 定义 SHAC 任务并发布 CARDIOFAKE 真实与 codec 合成 PCG 基准
- 系统评测 MFCC、LFCC 与 WavLM 等表示
- 提出 GROOT 融合谱特征与 SSL 特征以利用互补性
🎧音频P1 顶会INTERSPEECH 2026
AWM 两阶段优化攻击音频水印，将解码概率拉回估计正态范围，检测率可低于 10% 或 0%。
- 发现水印解码消息概率呈正态分布并被防御利用
- AWM 自适应估计分布参数以规避 state-of-the-art 检测
- 在两种水印、三个语音数据集上高成功率绕过替换/创建/移除检测
🎧音频P1 顶会INTERSPEECH 2026
将对比音频-文本 logits 推理内化到学生权重，同步 teacher-forcing 降低蒸馏开销。
- Contrastive Audio-Aware Distillation 内化音频感知对比信号
- 同步 teacher-forcing 高效生成教师对比分布
- 在 Dynamic-SUPERB 与 MCR-BENCH 验证增益与偏置缓解
🎧音频P1 顶会INTERSPEECH 2026
首个真实 earnings call 上七类 SOTA ASR 自然幻觉 span 标注集与检测评测基准。
- 发布 HALAS 含 span 级幻觉标注与自然语音场景
- 揭示跨模型词汇重叠及低 WER 仍幻觉现象
- 建立非人工构造的 ASR 幻觉检测基准
🎧音频P1 顶会INTERSPEECH 2026
Moshi-Face 在全双工对话中同步输入音视频并生成语音与 3D 面部 motion token，低延迟视听对齐。
- VQ-VAE 面部 codec 编码 3D 头网格为 face token 并可重建
- Face Transformer 非自回归生成 face token，与 Moshi 实时同步
- 保持原 Moshi 对话质量并实现低延迟视听对齐
🎧音频P1 顶会INTERSPEECH 2026
比较文本、LLM 与解码器内部探针三类 Whisper 幻觉检测，晚期融合效果最佳。
- 系统评估文本、LLM 与内部状态三类检测范式
- 无参考探针中间层表示对幻觉判别最强
- 文本与内部状态晚期融合取得最优综合表现
🎧音频P1 顶会INTERSPEECH 2026
用 keyword-appended LLM 嵌入表示开放集说话人属性，LibriTTS-P 上优于闭集方法并泛化未见同义词。
- 用 LLM 嵌入在连续语义空间做开放集说话人属性预测
- keyword-appending 将宽语义压缩为可判别流形
- top-k negative loss 在拥挤语义区建立稳健决策边界
🎧音频P1 顶会INTERSPEECH 2026
首个 PINO 语音产生模型，无预计算监督数据学习一维波方程，GPU 并行仿真误差约 0.8%–3.2%。
- 提出 PINO 方法直接学习语音产生 governing 方程
- 以声道形状预测 f0、声门流量与唇边声压并与 RK/FD 对比
- 实现高效 GPU 并行仿真，无需迭代数值求解
🎧音频P1 顶会INTERSPEECH 2026
CRAC 通过对齐-检索-融合利用跨语言病理语音，提升韩意数据集上的严重程度分类。
- 提出跨语言检索增强分类 CRAC 缓解标注稀缺
- 监督对比学习构建严重程度嵌入空间
- 交叉注意力融合检索参考与输入语音
🎨文生图P1 顶会CVPR 2025
用预训练扩散 T2I 生成跨域训练数据，PAPT 学习域不变与域特定抽象 prompt 生成多域风格图像。
- 首次用预训练 T2I 为单域泛化构造 OOD 训练数据
- 提出 PAPT：对抗学习两类抽象 prompt 作为扩散条件
- SDG 实验优于现有 SOTA 单域泛化方法
🦾具身智能P1 顶会ICML 2026
理论分析 AIL 中奖励误差是次优主因，提出 CoPT-AIL 联合 BC 预训练策略与奖励并给出更好模仿界。
- 指出仅策略预训练不足，奖励预训练是关键缺口
- CoPT-AIL 单次 BC 流程联合预训练策略与 shaping 奖励
- 首次给出 AIL 预训练收益的理论保证并实验验证优于现有 AIL
🎧音频P1 顶会INTERSPEECH 2026
发布模块化 ESPnet3 框架，配置驱动数据集组合与分片训练，缩短 OWSM 每 epoch 时间并提高多节点 GPU 利用。
- DataOrganizer 抽象便于灵活集成与数据集分片
- 统一 Python workflow 与轻量 stage 覆盖降低 recipe 改动
- OWSM 预训练与微调实验验证效率与易集成性