Dismantling Pathological Shortcuts: A Causal Framework for Faithful LVLM Decoding（在新窗口打开）
Fox 在推理期用注意力熵定位风险头并因果干预 logit，减轻物体幻觉且显著优于 SID。
- 指出幻觉源于决策关键步特定注意力头脱离视觉、锁定语言先验
- 训练无关 Fox：无监督定位风险中介头，logit 饱和切断捷径路径
- 冲突门控协作解码兼顾干预忠实性与语言流畅性
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
2026-06-29 周一共 20 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 4 · 理解 4 · 音频 8 · 基础模型 2
- 生成
- 文生图 0图编辑 0视频生成 13D 生成 1
- 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 4
- 理解
- VLM 3OCR 1
- 音频
- 音频 8
- 基础模型
- LLM 2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 20 篇
Robust Harmful Features Under Jailbreak Attacks: Mechanistic Evidence from Attention Head Specialization in Large Language Models（在新窗口打开）
揭示越狱选择性抑制早期 ACH、中期 SAH 仍活跃；读 SAH 激活可无训练检测越狱。
- 区分被压制的 Adversarially Compromised Heads 与鲁棒 Safety-Aligned Heads
- 消融验证 ACH 因果角色与 SAH 对安全激活的贡献
- 利用持续激活做聚合检测且对抗鲁棒性较强
Position Is All You Need: A Free Lunch Token Compression Strategy for MLLM-based Referring Expression Segmentation（在新窗口打开）
提出仅依赖位置信息的 PAYN plug-and-play 压缩，在 RES 上优于常见压缩且免训练。
- 分析 RES 中 token 压缩需保留位置嵌入与局部邻域结构
- 提出 PAYN：按位置保留局部均匀分布 token 且不改原始位置索引
- 多 RES 基准上优于现有压缩方法
Direct Action-Head Injection of A Grounded 3D Point Unlocks Spatial and Task Generalization（在新窗口打开）
轻量 MLP 将 2D grounding 升到 3D 并注入 action head，VLA 在 LIBERO-PRO 扰动下成功率大幅提升。
- 论证 grounding 的 3D 表示与注入 action head 的方式比信号类型更关键
- 不改 VLA backbone 的两层 MLP 模块，优于语言/视觉 prompt 注入
- 在 GR00T-N1.6、π₀.₅ 及真机实验上验证 backbone 无关的空间与任务泛化
S$^2$-VLA: State-Space Guided Vision-Language-Action Models for Long-Horizon Manipulation（在新窗口打开）
SSGAA 信念状态动态门控融合视觉/意图/动作，2B 模型在长时程 LIBERO 等基准超 7B SOTA。
- 提出 State-Space Guided Adaptive Attention 跟踪任务阶段并自适应融合
- 联合视觉空间感知、任务意图规划与时序动作序列三类信息源
- 紧凑 2B 参数在 LIBERO、SimplerEnv 长时程操作上优于更大 VLA
EMOSH: Expressive Motion and Shape Disentanglement for Human Animation（在新窗口打开）
EHM 解耦形状与姿态，配合粗到细运动注入与空间对齐条件，生成高保真、表情生动的可控人体视频。
- 提出 Expressive Human Model 解耦形状与姿态，缓解体型泄漏
- 设计粗到细混合运动注入与空间对齐条件机制
- 自驱动与跨驱动场景下优于先前方法并保持身份一致
HybridCodec: Modeling Discrete and Continuous Representations for Efficient Speech Language Models（在新窗口打开）
混合离散-连续 codec 与 Transformer，自回归离散推理同时保留说话人特征并减少 AR 步数。
- 时序压缩离散 token 与降维连续残差结合的混合音频表示
- 离散域自回归 + 非自回归连续残差上采样的 Hybrid Transformer
- 相对纯离散方案更好保留说话人特征并减少自回归步数
The Weakest Link Tells It All: Outcome-Supervised Process Reward Modeling via Learnable Credit Assignment（在新窗口打开）
LCA 在仅最终答案监督下联合学习信用分配与 PRM，多任务优于现有结果监督 PRM。
- 提出 Weakest Link 原则下的可学习信用分配 outcome-supervised PRM
- 将问题形式化为 MIL，并用 Softmax-Weighted-Sum 池化处理步骤冗余
- 在 mild 假设下建立实例级 Bayes 一致性，多 backbone 实验验证有效
TextDS: Parameter-Efficient Representation Alignment for Scene Text Detection under Distribution Shifts（在新窗口打开）
双编码器+SWLoRA+公共子空间融合，少参数实现跨域与恶劣成像条件下的鲁棒场景文本检测。
- 数据高效双编码器，降低大规模场景文本预训练依赖
- Step-wise LoRA 与动态早退逐步适配特征
- 构建恶劣条件检测数据集并验证域与退化鲁棒性
LLawCo: Learning Laws of Cooperation for Modeling Embodied Multi-Agent Behavior（在新窗口打开）
从失败反思抽取行为法则并 SFT 注入思维链，在 PARTNR-Dialog 等基准提升多智能体协作成功率。
- Learning Laws of Cooperation 框架对齐伙伴与环境任务目标
- 引入 PARTNR-Dialog 大规模多智能体 communicative 规划基准
- 四骨干 LLM 上 PARTNR-Dialog 与 TDW-MAT 成功率显著提升
RSICCLLM: A Multimodal Large Language Model for Remote Sensing Image Change Captioning（在新窗口打开）
首个遥感变化描述 VLM 后训练框架，7B 参数在专用基准上优于更大模型。
- 设计数据生成范式并发布指令集 RSICI 与 RSICC 基准
- 提出差异感知监督微调以显式建模时相变化表示
- 提出双负样本偏好优化 DNPO 及偏好数据集 RSICP
SpikeVLA: Vision-Language-Action Models with Spiking Neural Networks（在新窗口打开）
Spike-V/L/A 脉冲 VLA 架构在导航与控制任务上降能耗算力，性能仍具竞争力。
- Spike-V 脉冲视觉编码器替代稠密层以降低表征能耗
- Spike-L 多模态脉冲 LLM 用事件驱动稀疏性做跨模态推理
- Spike-A 拉普拉斯群体编码 SNN 策略网输出稳定连续控制
HAT-4D: Lifting Monocular Video for 4D Multi-Object Interactions via Human-Agent Collaboration（在新窗口打开）
VLM+多级人在环反馈，从单目视频重建多物体 3D/4D 交互与 MVOIK-4D 评测协议。
- 首个 agentic 单目多物体 4D 交互重建框架 HAT-4D
- 人机反馈消解深度歧义与交互遮挡，产出物理 plausible 资产
- 构建 MVOIK-4D 开放世界基准与多维物理/时序评测
Learning from Annotation Uncertainty: Entropy-Aware Curriculum for Speech Emotion Recognition（在新窗口打开）
用标注者投票分布监督 WavLM 多任务 SER，较硬标签更对齐人类分歧与感知不确定性。
- 在 9 类 MSP-Podcast 2.0 上比较硬标签与主/合并投票分布目标
- 分布监督降低相对硬标签的 JSD/KLD，更好反映听者标注分歧
- 熵分层评估显示高歧义语句仍具挑战，但分布目标更捕捉感知不确定性
Grammar-Guided Hierarchical Parsing for Long-form Audio Activity Recognition（在新窗口打开）
用层次活动语法与语法引导解码，从事件证据推断时序一致的 Act-Sub-Event 树，无需子活动/活动级标注。
- 提出层次活动语法，编码层次组合与时序顺序约束
- 语法引导解码融合事件证据与语法先验
- 在 MultiAct 上提升时序一致性与可解释层次结构
Advancing Speaker-Based Vocal Effort Classification with WavLM and Data Augmentation in Naturalistic Non-Calibrated Speech Recordings（在新窗口打开）
WavLM 结合系统数据增强与 Gaussian-neighbor 软标签，在 AVID 上达 78.2% 均值准确率 SOTA。
- 首次将 WavLM 引入 vocal effort 分类并与 wav2vec2、HuBERT 对比
- 系统评估多种增强策略，WavLM 获 0.6%–1.8% 绝对精度提升
- Gaussian-neighbor 软标签缓解 effort 连续体近边界混淆
From Black-Box to Clinical Insight: A Multi-Stage Explainable Framework for Speech-Based Cognitive Impairment Detection（在新窗口打开）
将 SpeechCARE 等黑盒预测经 SHAP 与 LLaMA 四阶段推理，映射为临床可读的认知—语言叙事。
- 集成 SHAP 归因、语言学特征与 LLM 推理的可解释流水线
- 映射至词汇、句法、语义等四维认知—语言维度
- 医师评估与可用性量表支持临床工作流整合潜力
Listening Between the Lines: Joint Learning of ASR Embeddings and LLM-Augmented Linguistics for Dementia Detection（在新窗口打开）
Whisper 声学路径与 LLM 语言学特征经门控融合，在 ADReSS/ADReSSo 上 F1 达 89.47% 与 90.14%。
- Whisper 同时提供声学表示与 ASR 转写两条通路
- LLM 提示抽取词汇、句法、语义与话语等可解释语言学特征
- 门控融合整合双模态，融合 consistently 优于单模态
LoRA-Tuned Large Language Models for Dementia Detection via Multi-View Speech-Derived Features（在新窗口打开）
LoRA 微调 LLM 对四种语音衍生线索统一提示推理，ADReSSo 上 F1 达 90.14%。
- 将 ASR 转写、话语主题、流畅度与音系序列统一写入提示
- 单 LLM 学习决策函数，无需模态专用编码器或晚期融合
- 消融表明各视角对检测性能具有互补贡献
Screening Matters: A Comparative Study of Conventional and Crowdsourced Listening Tests（在新窗口打开）
对比 P.808 与 P.800 DCR，分析锚点排序、评分跨度与陷阱题等筛选以提升众包听音评质量。
- 比较经典与神经语音编解码的主观评测协议
- 统计验证后筛与连续筛（陷阱、金标准题）的有效性
- 提出适用于成本效益众包听音的筛选组合建议
没有符合条件的论文。