🧾OCRP1 顶会ECCV 2026
构建 2M 合成 WATER-S 与 WATERec 任意形状编码+自回归解码，在艺术字 WordArt-Bench 上大幅超越通用 VLM 与 OCR 模型。
- WATER-S 合成规模较现有艺术字数据提升两个数量级量级
- WATERec 打破固定模板 STR 瓶颈，适配复杂 WordArt 版式
- 在 WordArt-Bench 达 90.40% 准确率，显著优于通用与 OCR 专用 VLM
👁️VLMP1 顶会ECCV 2026
EgoSAT 在流式第一人称视频上统一回顾、在线与未来推理任务，显示现有 VLM 前瞻/回顾弱且置信度校准差。
- 首个流式第一人称交互理解综合基准，约 1997 视频与 4800 QA
- 在同一流式设定下覆盖已完成、进行中与未来事件查询
- 系统评估开闭源 VLM，发现严重 miscalibration 与 confidently wrong 行为
💬LLMP1 顶会ICML 2026
用梯度更新场的 Lie 括号刻画域/指令学习顺序效应，提出可扩展的 Lie-Bracket Tournament 规划课程。
- 证明局部顺序效应可由 Lie-bracket commutator 计算并得到 pairwise 排序分数
- Lie-Bracket Tournament 以 O(N) 级成本为多源域构造课程，无需物化全边矩阵
- 在 instruction-SFT/DPO、多 LLM 与 diffusion 上验证高 pairwise 与课程排序准确率
🌍世界模型P1 顶会ECCV 2026
NavWM 统一 latent 世界推理、多模态动作预测与可控视觉生成，用视觉前瞻做闭环导航规划。
- latent world tokens 蒸馏几何与语义先验以支撑结构理解
- 锚点多模态轨迹预测扩展动作空间，缓解确定性策略模式崩塌
- 生成式世界模型作为闭环规划器，评估并选择最优路径
👁️VLMP1 顶会ECCV 2026
提出免训练 CLSE 剪枝：用跨层频域谱演化衡量视觉 token 重要性，在大幅减 token 时兼顾 MLLM 效率与精度。
- 用 Cross-Layer Spectral Evolution 刻画 token 表征跨层从高频结构到低频语义的演化
- 以谱重分布强度作为重要性准则，缓解单层信号与多模态序列位置偏置
- 在图像与视频基准上降低 FLOPs、KV 缓存与延迟，性能保持或提升
👁️VLMP1 顶会ECCV 2026
Planning 与 Perception 双 Agent 闭环补视角、建结构化认知图，在多项 3D 理解基准上达 SOTA。
- 提出协作多 Agent：规划视角并补全缺失观测，感知侧汇总结构化全局认知图
- 跨视角一致实例标识，整合碎片化观测并反馈过滤误匹配、指导后续规划
- 在 ScanRefer、3D 辅助对话、SQA3D 等 6 个基准上取得显著提升
🖥️GUI AgentP1 顶会ECCV 2026
VisCritic 在特征空间对比动作前后截图，为 GUI Agent 提供可插拔的视觉过程奖励，五套基准上普遍提升。
- Siamese ViT 提取变化感知表征，Action-Aware Critic Head 评估成功、进度与错误类型
- 弱监督轨迹构造 critic 训练数据，无需额外人工标注
- 作为即插即用模块增强多种 GUI Agent 并提供视觉诊断信号
💬LLMP1 顶会EMNLP 2026
免训练推理 LLM 配仓库工具做假设驱动定位，SWE-Bench 定位 SOTA 并显著降 token。
- SHERLOC 将定位从文件检索升级为带诊断上下文的结构化探索推理
- 在 SWE-Bench Lite/Verified 上达 SOTA 定位准确率，约 30B 可匹敌更大 Agent 方法
- 定位结果注入修复 Agent 可提升 resolve rate，并平均减少定位与总 token
🎧音频P1 顶会INTERSPEECH 2026
InterAligner 与 InterCTC 使对齐在深度上渐进形成，LibriSpeech 上显著降 WER，长句收益更大。
- 针对 Aligner-Encoder 引入中间 Aligner 目标促进逐层对齐
- 结合中间 CTC（InterCTC）稳定训练
- 17 层 Conformer 上 InterAligner 将 WER 降至 3.1/5.6（test-clean/other）
🧩统一多模态P1 顶会ECCV 2026
UniTranslator 统一理解与生成分支，用 UGAM 与 SMD 缓解理解–生成冲突与文字区域错位，多基准达 SOTA。
- UGAM 对齐翻译理解与文本渲染，缓解理解–生成语义不一致
- SMD 对文字区域像素级监督，改善空间 grounding 与版式可控生成
- 展示翻译理解与图像生成在统一框架下的相互促进
💬LLMP1 顶会ICML 2026
结合 draft 前瞻与 target 历史注意力做稀疏验证，长上下文推测解码显著加速且精度损失可忽略。
- 针对长上下文推测解码中 KV 加载验证瓶颈设计 Dustin 稀疏验证框架
- 融合 draft 信号与 target 历史注意力，在多步验证窗口识别关键 token
- 稀疏估计限制重要性打分头数以降延迟，在 PG-19、LongBench 上大幅加速
🎨文生图P1 顶会ECCV 2026
后训练框架 DivRL 用门控 VSM 约束与 nSSM 多样性奖励，兼顾主体一致与结构多样。
- 提出 nSSM 量化结构多样性、VSM 评估身份一致性
- Explore-and-Suppress 将身份保持转为可行性约束而非竞争目标
- 门控优化在可比身份一致下提升结构多样性
🎧音频P1 顶会INTERSPEECH 2026
提出 TRUST-TSE 两阶段框架，缓解 EEG 引导目标语音提取中的试次捷径学习，在跨试次协议下优于端到端基线。
- 揭示高试次内性能可能来自试次特异性 EEG 结构造成的捷径选择
- 对比预训练与 attended-speaker 负采样，强化 EEG–语音对齐并抑制试次身份线索
- 基于 EEG–源相似度的置信度加权提取目标，在 KUL 与 DTU 上验证跨试次泛化
👁️VLMP1 顶会ECCV 2026
首个生物医学 VR 框架，用混淆抑制与双专家门控实现 VLM 少样本高效适配。
- 提出 BioMedVR，以紧凑 VR 模块对预训练 VLM 做参数高效生物医学适配
- 混淆最小化机制结合 LLM 生成属性与 Confusion-Suppression Loss 降误对齐
- Mixture-of-Prompt Experts 分正负专家并由自适应门控平衡
👁️VLMP1 顶会ECCV 2026
PriorTR 在单次前向中分离任务相关注意力与模型先验，训练无关地提升激进剪枝下的精度效率权衡。
- 指出 MLLM 注意力常被任务无关先验主导，易误删指令相关视觉 token
- null token 探针单遍估计先验并与任务后验对比度量 token 信息增益
- 多基准与多 MLLM 上优于强训练无关基线
🎧音频P1 顶会INTERSPEECH 2026
ParaPairAudioBench 含 5175 对音频、五维副语言评测，显示 LALM 裁判较人类平均低约 32 百分点且 Tie 校准失败严重。
- 构建 Style/Rate/Emphasis/Age/Gender 五维 pairwise 副语言评测集
- 同 transcript 与跨 transcript 条件分析词法与声学依赖
- 支持 LALM-as-a-Judge 在多维度与校准意义上的可靠性评估
👁️VLMP1 顶会ECCV 2026
用 Hessian 曲率解析推导最优软/硬参数混合，缓解微调 MLLM 时的灾难性遗忘。
- CGM 基于损失 landscape 二阶近似给出闭式最优 soft mixing 比例
- CGM† 以曲率感知分数做 sparse hard mixing 参数选择
- 在 LLaVA-1.5、Qwen2.5VL 多任务上优于现有合并方法的任务-通用权衡
🎧音频P1 顶会INTERSPEECH 2026
逐层探测 wav2vec2 与 Whisper，表明 CCR 以结构化梯度音变而非简单删音被编码。
- 在说话人无关设定下完成 CCR 检测与底层辅音簇恢复两类探测任务
- 两模型均能高准确率区分减缩与规范形式
- 揭示减缩段仍保留底层塞音线索，支持梯度音系变体表征
🎧音频P1 顶会INTERSPEECH 2026
用人脸无关流水线结合 LLM 推理构建 VieSpeaker，约 902 小时、4715 说话人，提升越语识别泛化。
- 提出基于文本元数据与 LLM 推理的人脸无关身份关联流程
- 发布 VieSpeaker 大规模越南语说话人识别语料
- 相较既有越语数据集训练模型鲁棒性与泛化更好
🎧音频P1 顶会INTERSPEECH 2026
用典型相关分析对比 Wav2Vec 2.0 嵌入与 eGeMAPS，揭示层间与谱系/韵律等声学编码。
- 分析口语 intelligibility 评估模型嵌入与可解释 LLD 的相关性
- 逐层与分组（韵律、谱系、音质）表明谱系与韵律相关最强
- 为病理语音评估的声学特征选择提供实践参考
🎧音频P1 顶会INTERSPEECH 2026
对 MusicLLM 做情感回归对齐，反馈驱动数值奖励优于单纯指令微调，并保留 MusicQA 能力。
- 系统比较指令微调与反馈驱动对齐用于 arousal/valence 预测
- 可验证数值奖励的反馈对齐显著优于仅指令微调
- 提升情感回归同时维持 MusicQA 表现
👁️VLMP1 顶会ECCV 2026
提出人机对齐的 SAE 概念匹配与 TAPAScore 干预评测，并构建 synCUB/synCOCO 合成基准。
- 无需用户研究的框架，量化 SAE 隐变量与人类标注概念的对齐
- 构建 synCUB、synCOCO 及 FBMP 多对一匹配，优于一对一基线
- TAPAScore 通过定向属性扰动验证功能对齐；分析字典规模与可解释性权衡
👁️VLMP1 顶会ECCV 2026
提出 Forensic Knowledge Graph 框架，融合取证痕迹与 VLM 可解释推理，提升伪造检测与定位。
- FKG 编码取证痕迹、因果依赖与场景内容的结构化表示
- 取证认证网络与迭代上下文精炼引导 VLM 生成可核查解释
- 发布 FKG-50K 含真值图谱的大规模伪造数据集
👁️VLMP1 顶会ECCV 2026
OVBEVSeg 用 VLM 做开放词汇 BEV 分割，三阶段 3D 几何约束缓解 2D 语义抬升不一致，nuScenes 未见类 mIoU 领先且更高效。
- 定义开放词汇 BEV 分割（OVBS），结合 VLM 与实时 BEV 感知
- 可靠 3D 投影伪标、联合 2D–BEV 优化与 3D 几何蒸馏三阶段框架
- 在 nuScenes 未见类别上显著优于闭集方法，推理更快、显存更低