👁️VLMP1 顶会ECCV 2026
高分辨率多图选择题基准覆盖差异与共性两轨八类任务，18 个 MLLM 与人类 98.3% 准确率差距明显。
- DiCoBench：765 样本，差异与共性视觉线索两轨、8 类感知任务
- 近 2K 高分辨率多图，选择题形式降低评测指标偏置
- 评估 18 个 MLLM，揭示微尺度细节与自主隐式线索感知不足
🎧音频P1 顶会INTERSPEECH 2026
推理时用 GRPO 优化可学习前缀，结合 F0/能量等风格奖励，提升零样本 TTS 对非常见场景的模仿。
- VoiceTTA：基于 GRPO 的测试时自适应，增强预训练零样本 TTS
- F0 与能量变异系数差等风格奖励，配合说话人相似度与可懂度（Whisper WER）
- 在 flow matching 模型推理阶段优化前缀，非常见语音提示上优于 SOTA 基线
🎬视频生成P1 顶会ECCV 2026
三阶段蒸馏把双向编辑能力迁到因果流式编辑器，配合 AR 向 mask 缓存，流式编辑质量领先且约 12.66 FPS。
- 因果逐帧流式编辑框架，强内容保持与低延迟
- 三阶段蒸馏：从双向基础模型到单向流式编辑器
- AR 向 mask 缓存复用区域计算，并建立流式视频编辑专用基准
✏️图编辑P1 顶会ECCV 2026
发布含真实物理动态与反物理样本的编辑基准，揭示 SOTA 物理推理不足，并给出测试时扩展基线 PhyWorld。
- PhyEditBench：4 大类 12 子类，238 真实高分辨率实例与 35 合成反物理样本
- 系统评估主流指令编辑模型在物理推理上的显著局限
- 无训练基线 PhyWorld：测试时扩展与 latent 约简，借视频生成过程辅助编辑推理
🎬视频生成P1 顶会ECCV 2026
RAG 向视频扩散模型注入物理知识，经数据过滤与可学习 query，在 PhyGenBench/VBench 上视觉与物理合规领先。
- 基于 WISA-80K 的两阶段过滤得到约 7K 高质量训练视频
- 构建物理视频库并用可学习 query 将物理知识注入扩散模型
- 消融验证数据过滤、RAG 机制与物理信息提取的有效性
🎧音频P1 顶会INTERSPEECH 2026
提出 MusicJudge，块对齐融合歌词与音高节奏，并改进歌唱转写，自动歌唱质量评估更贴近专家判断。
- MusicJudge 块对齐多模态框架，联合评估歌词正确性与音高节奏保真
- 多信号匹配检测语义歌词块，融合语义嵌入、词面相似与音素对齐
- Modality-Guided LoRA 微调 ASR，提升含滑音、颤音等场景的歌唱转写
🎬视频生成P1 顶会ICML 2026
将扩散特征演化建模为惯性导航，提出即插即用测试时自校准以更准确跳过冗余计算。
- 双状态估计自适应跟踪特征变化比与潜在漂移
- Initial Alignment 初始化并结合时变噪声与不确定性感知测量更新
- 在 HunyuanVideo、Wan、Open-Sora 系列上综合表现突出
🦾具身智能P1 顶会ECCV 2026
模块化 E-TTS 联合推理与动作扩展，历史缓冲与 VLM 验证闭环 refine 操作。
- 推理—动作成对采样评分实现联合 test-time scaling
- 历史缓冲供推理/动作验证器利用长程上下文
- 闭环反馈迭代 refine，免额外数据与再训练
👁️VLMP1 顶会ICML 2026
固定容量摘要状态表示远历史，近窗保留精确 KV，长延迟查询下 SVU 准确率较 token 保留基线最高提升 12.5 点。
- ProtoKV 恒定 footprint 记忆：远历史摘要态 + 近窗精确 KV
- 语义空间原型库与残差统计，查询时经有界伪 token 接入注意力
- 匹配预算下长延迟场景准确率最高提升 12.5 点，延迟越大增益越明显
💬LLMP1 顶会ICML 2026
检测 batch 内高奖励 rollout 与多数不一致的方向偏差，并用同 prompt 稳定样本修正以稳定在线 RL。
- 指出 directional inconsistency 导致高方差、destabilizing 更新
- 在线投影 hidden state 并用角度偏离 batch 共识检测与替换不一致 rollout
- 对话奖励对齐与二元验证数学推理 RL 上优于 PF-PPO 等且震荡更小
💬LLMP1 顶会ICML 2026
仅用初始推理 token 的损失即可筛出多样且困难的 SFT 样本，token 效率提升约 91%。
- 扰动 checkpoint 上首 100 推理 token 损失可可靠检测难题
- 首 1k token 损失模式可外推并证明诱导相似梯度
- 在 M23K 与 OpenThoughts-Math 上微调 Qwen/Llama 优于基线最高约 1.7%
🦾具身智能P1 顶会ECCV 2026
按目标导航动作的序数结构组织视觉编码，提升仿真与真实环境导航成功率与目标进展。
- ORION 将 Far Left 至 Far Right 类表示沿单轴序数排列并抑制类内离轴方差
- 预训练编码器接入扩散导航框架并端到端微调
- 复杂多岔路口等视觉困难场景相对基线增益明显
🖥️GUI AgentP1 顶会ACL 2026
PEEU 自主探索并合成对齐的高层规划数据，7B 模型在真实基准上优于更大 MLLM。
- PEEU 探索环境并用 hindsight 合成严格对齐高层训练数据
- TDHAF 分析低/中/高层任务分解与组合泛化
- 揭示高层任务训练更利于 OOD 规划能力
🎧音频P1 顶会INTERSPEECH 2026
Whisper 与 Qwen 双编码器加自适应调制与逐元素门控注意力，跨域音频表示在挑战赛 Track A 总分领先。
- WQ-Fusion 双编码器框架，Adaptive Feature Modulation 融合异构特征
- 逐元素门控注意力实现动态特征选择，强调声学与语义维度
- Interspeech 2026 Audio Encoder Capability Challenge Track A 综合得分 0.836
🎧音频P1 顶会INTERSPEECH 2026
分阶段对齐感知 speech tokenizer，在 QbE-STD 上优于 BEST-STD 且更易扩展。
- 对比学习+向量量化后再用 CTC 与 DTW 对齐 framewise 目标
- 自适应加权 enforce 成对 token 一致性
- QbE-STD 上稳定优于 BEST-STD 与通用 tokenizer
💬LLMP1 顶会ICML 2026
提出 FisherSketch，在共享词表 LLM 上免训练估计头 Fisher 对齐以选迁移源。
- 揭示共享输出头下表示度量对迁移不可辨识
- FisherSketch 单遍流式估计头 Fisher 对齐余弦
- 16KB 任务签名可用于源选择与任务相似诊断
🧩统一多模态P1 顶会ICML 2026
用统一多模态模型自判不安全生成并迭代修正 codebook，无额外人工标注即可提升安全。
- 模型自识别不安全图像并构造有害/安全图文对以更新 Harmful Space
- 在无害空间内用安全对自适应微调 codebook 保生成质量
- 两步迭代直至无进一步提升，得到安全增强 codebook
🎨文生图P1 顶会ECCV 2026
免训练特征自引导分散 batch 内部特征，流形投影保真，缓解同条件多样本坍缩。
- 训练-free 自引导分散 flow 内部特征缓解 diversity collapse
- 流形正则将分散特征投影回数据流形
- 即插即用，适用于多步/少步 T2I 等条件 flow
🎧音频P1 顶会INTERSPEECH 2026
MOS 引导三元组对比损失组织中间嵌入，单框架内提升质量相关性与难 OOD 泛化。
- 在 DNSMOS Pro 上对中间嵌入施加 MOS 三元组对比监督
- 无需大 SSL 编码器与多阶段训练的统一端到端框架
- latent 空间呈现涌现的低维质量序，可解释性与训练稳定性更好
🎧音频P1 顶会INTERSPEECH 2026
用统一轻量相似度编码器加数据变换，在极少样本下多任务 SA 分类接近 SOTA，模型远小于大基线。
- AnySimLite 词级与字级双通道轻量相似度编码器
- 将多种 SA 分类归约为文本相似度问题的数据集变换策略
- 少样本下 SOTA 或可比性能，显存占用约为 qLLaMA_LoRA-7B 的 1/250
🎧音频P1 顶会INTERSPEECH 2026
为固定帧率音频自编码器学可跳帧预测器，实现动态帧率与部署期码率控制。
- 提出 Elastic Time 动态帧率瓶颈
- 轻量 latent 预测器支持贪心边界选择与跳帧重建
- 相对基线改善效率—质量权衡并便于下游建模