Pointer-CAD v2: Plan-Then-Construct CAD Generation with Dimension-Aware Parametric Precision（在新窗口打开）
Pointer-CAD v2 先规划再构造，指针引用连续参数，提升 CAD 顶点/边/面级几何精度。
- Plan-Then-Construct 解耦参数推理与几何构造，消除量化误差
- 大规模 plan 级标注数据与三级几何精度评测指标
- 实验上几何精度优于现有基线，适精度敏感工程
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
2026-06-30 周二共 30 篇：生成 9 · 代码生成 1 · 智能体 1 · 世界模型与具身 1 · 理解 5 · 音频 8 · 基础模型 5
- 生成
- 文生图 3图编辑 1视频生成 43D 生成 1
- 代码生成
- Visual2Code 03D2Code 1
- 智能体
- GUI Agent 1
- 世界模型与具身
- 世界模型 0具身智能 1
- 理解
- VLM 5OCR 0
- 音频
- 音频 8
- 基础模型
- LLM 4统一多模态 1
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 30 篇
MAVIN: Multi-Shot Audio-Visual Generation with Customized Narrative Control（在新窗口打开）
首个多镜头音视频联合生成框架，用边界注意力与身份传播实现叙事对齐与多主体可控。
- 边界感知注意力与分层 caption，缓解时序错位
- ID-aware 传播绑定视觉外观与声线
- 多智能体脚本流水线及 MAVINSet 数据集
OmniDance: Multimodal Driven Dance Video Generation with Large-scale Internet Data（在新窗口打开）
发布 CIPE-Dance 数据集并提出 OmniDance，将音乐融入 TI2V 基础模型生成舞蹈视频。
- 构建约 30 万片段、400+ 小时的 CIPE-Dance 数据集
- OmniDance 统一 TI2V、MI2V、MTI2V 的多模态配方与课程学习
- 深度感知 specialization 与时间依赖 CFG 保持可控性与画质
MirrorPPR: Exemplar-Based Portrait Photo Retouching（在新窗口打开）
MirrorPPR 从示例对提取细微结构修图操作并迁移到新图，配套 MirrorPPR47M 数据集。
- 定义示例驱动人像结构精修任务及 Retouching Operation Extractor
- 通过连接器与 LoRA 注入预训练 DiT，并提出严格对齐的数据自增强
- MirrorPPR47M 超 4700 万对，课程学习下质量与身份保持优于基线
PS-PPO: Prefix-Sampling PPO for Critic-Free RLHF（在新窗口打开）
按轨迹采样 cutoff 仅反传前缀并用重要性加权，显著降 RLHF 算力与显存且精度可比强基线。
- 利用长推理轨迹前缀即可决定结果的时间冗余
- prompt 条件 cutoff 分布与无偏截断梯度估计
- 数学推理与 RLHF 基准上降训练计算与峰值 GPU 内存
SciIR: A Large-scale Training Dataset and Benchmark for Scientific Image Reasoning Generation（在新窗口打开）
定义科学图像推理三维度，发布 SciIR-82k 与 SciIR-Bench，微调 Qwen-Image-SciIR 显著提升得分。
- 形式化 Entity Structure、Scientific Process、Scientific Law 三维度
- 构建 SciIR-82k 与含 Atomic Checklist 的 SciIR-Bench
- 实验显示现有 T2I 科学推理不足，微调模型 bench 从 35% 升至 43%
Search for Truth from Reasoning: A Dynamic Representation Editing Framework for Steering LLM Trajectories（在新窗口打开）
提出 DynaSteer，在动态推理链上通过聚类与 Fisher-LDA 选择性干预，提升数学推理寻真能力。
- 揭示推理链中“真值”的句级编码及干预的不确定性原理与衰减效应
- DynaSteer 用模式聚类解耦推理流形并动态监控熵以选择性 steer
- 在 MATH 等基准及域外编码任务上验证有效性与泛化
MIRROR: Aligning Semantic Relations from Language to Image via Gromov--Wasserstein（在新窗口打开）
用半逆 Gromov–Wasserstein 几何正则，把语言侧概念关系迁移到视觉表示，提升多模态关系一致性。
- 提出 SI-GW 代理损失，对齐视觉与语言衍生关系先验
- 层/头/ token 级策略，无额外参数与推理开销
- 在通用视觉语言任务上保持性能并改善关系一致性
See Only When Needed: Context-Aware Attention Intervention for Mitigating Hallucinations in LVLMs（在新窗口打开）
提出免训练推理干预 CAI，按 token 选择性加强视觉 grounding，缓解 LVLM 物体幻觉。
- 提出 Context-aware Attention Intervention 两轴选择性机制
- 深度与熵门控，仅对不确定 token 保守调整注意力
- 多骨干与基准上达 SOTA 幻觉缓解并给出 KL 最小化分析
VisReflect: Latent Visual Reflection for Fine-Grained Perception in Long Visual Context（在新窗口打开）
用单次前向的连续潜空间视觉反射缓解 LVLM 视觉注意力 sink，提升高分辨率图与长视频细粒度感知并加速推理。
- 提出潜视觉反射框架，在潜空间强调与问题相关的视觉特征
- 单遍前向引导注意力，避免离散框定位与二次编码开销
- 在图像与视频理解基准上相对强基线稳定提升，视频推理时间约降44%
VeRe-Flow: Guiding Flow Matching toward Clean Speech via Velocity Contrastive Regularization and Representation Alignment for Noise-Robust Bandwidth Expansion（在新窗口打开）
VeRe-Flow 用干净语音多级监督引导 flow matching，在 LSD、DNSMOS 与生成类 MOS 上领先基线。
- 速度层对比正则吸引干净轨迹、排斥噪声轨迹
- 表示层与干净自监督表征对齐
- 面向噪声低分辨率输入的宽带语音重建
Intermediate Text Representation Guided Text-to-Image Generation for Enhancing One-and-Only Alignment（在新窗口打开）
免训练将文本编码器中间层注入早期去噪，缓解 OAO 概念关联偏差并发布 OAO-AttackBench。
- 信息论分析指出最终 text embedding 丢失概念级互信息
- 提出 IR-guided diffusion 在早期步恢复被抑制概念
- 引入 OAO-AttackBench，VQAScore 最多提升 19.1 个百分点
NaLA: A 3D Native LLM Layout Agent for High-quality 3D Scene Generation（在新窗口打开）
NaLA 原生编码 3D 边界与资产，粗到细预测位姿，在场景布局质量与效率上优于 prior layout agent。
- 避免纯文本化 3D 布局带来的模态鸿沟与信息损失
- 显式推理碰撞、支撑、包含等关系及离散+连续位姿预测
- 多布局数据集训练，消融验证各组件有效
TF-MoE: Time-Frequency Mixture-of-Experts for Efficient Speech Separation（在新窗口打开）
时频交替 MoE 在近似不变推理成本下提升分离能力，利于边缘部署。
- 帧级与 mel 带级动态选专家的稀疏 MoE
- 基于 mel-band-splitting Conformer 骨干
- 低算力下 Libri2Mix 等指标优于 BSRNN 等基线
ScAle: Attention Head Scaling as a Minimal Adapter for Spatial Reasoning in Vision Language Models（在新窗口打开）
冻结骨干仅学少量标量系数调制注意力与 MLP，以约 1K 参数显著提升空间推理。
- 发现重缩放激活可显著影响空间推理下游表现
- ScAle 调制末 token 注意力与 MLP 激活
- SpatialEval 与 COCOQA/VGQA 上参数效率优于常规 PEFT
SIR: Structured Image Representations for Explainable Robot Learning（在新窗口打开）
用场景图稀疏子图作为中间表示学习可解释机器人策略，并在 RoboCasa 上优于图像基线。
- 提出 Structured Image Representations，端到端学习任务相关稀疏场景图
- RoboCasa 上平均成功率优于纯视觉 embedding 策略
- 通过子图偏差分析揭示数据集虚假相关与位置偏见
REAR: Test-time Preference Realignment through Reward Decomposition（在新窗口打开）
将偏好对齐建模为重对齐问题，分解奖励得 REAR，可无训练接入 best-of-N 等测试时扩展。
- 把总奖励分解为问题项与偏好项并推导 REAlignment Reward
- REAR 可写为 token 级 log-prob 线性组合，便于 TTS 集成
- 在多样偏好设定下优于其他测试时基线，并可泛化至数学与视觉任务
EcoVideo: Entropy-Orchestrated Video Generation Paradigm in Cloud-Edge Dynamics（在新窗口打开）
用早期自注意力熵选关键帧，云端大模型去噪、边缘轻量插值重建，按带宽算力动态调预算加速 DiT 视频生成。
- 训练无关的帧级信息密度估计与动态帧间解耦
- 云上大模型稀疏关键帧去噪+边缘运动感知插值与 refinement
- 在低带宽边缘场景端到端最高约2.9倍加速并改善质量效率权衡
Obliviate: Erasing Concepts from Autoregressive Image Generation Models（在新窗口打开）
针对自回归文生图模型提出基于 guidance 的概念擦除 Obliviate，在 RAB 上显著降不当内容且保效用。
- 填补自回归图像生成场景的概念擦除空白
- KL 监督视觉 token、轨迹级更新与对齐视觉前缀三项设计
- 在 Liquid、Emu3-Gen、Janus-Pro 上优于现有方法
DTM-Codec: Dynamic Token Masking for VFR Speech Coding with Efficient Boundary Selection（在新窗口打开）
变帧率神经语音编解码器，在总码率匹配下较固定帧率基线明显提升重建与可懂度。
- 动态 Token 掩码保留选定 encoder token 并传 keep-mask
- PLE 线性时间边界选择，自适应分段开销极低
- 严格匹配总码率协议下验证相对固定帧率增益
Making Multimodal LLMs Reliable Chart Data Extractors: A Benchmark and Training Framework（在新窗口打开）
构建无数据标签图表基准与渐进式训练框架，提升 MLLM 图表数值抽取准确度。
- 提出含多样真实无标签图表的评测基准
- 从人类读图过程出发设计渐进式训练框架
- 7B 模型达 SOTA，用户研究支持人机协作抽取
BrainJanus: A Unified Model for Understanding and Generation across Brain, Vision, and Language（在新窗口打开）
首个统一脑—视觉—语言框架，离散脑 token 与自回归 any-to-any 实现双向编解码与零样本泛化。
- Unified Brain Tokenizer 将神经动力学量化并与视觉语言对齐于共享 Omni 空间
- All-in-One 自回归架构支持 image/text↔brain 等多向生成
- 多基准表现更优并保留可解释生物拓扑结构
MeloDISinger: Melody-Aware & Duration-Preserving Singing Voice Editing with Audio Infilling（在新窗口打开）
flow-matching 歌声编辑模型 MeloDRP 控制 span 时长比，在改词同时保旋律、总时长与非编辑段。
- MeloDRP 融合音素与伪 MIDI 旋律上下文做时长分配
- flow-matching mel 解码器做音频 infilling 保上下文
- WhisperX+LLM 构建时长感知编辑歌词评测流程
StanceBench: A Benchmark for Audio LLM-Based Interpersonal Stance Evaluation from Speech（在新窗口打开）
提出对话语音人际立场基准 StanceBench，以 Audio LLM 为自动评判并分析鲁棒性与偏见。
- 基于 Seamless Interaction 定义 9 维立场并构建评测基准
- 统一单说话人与交互式两种立场评估协议
- 报告 LLM-as-a-judge 在立场推断上的鲁棒性、偏见与维度难度
VIB-AVSR: Variational Information Bottleneck for Noise-Robust LLM-Based Audio-Visual Speech Recognition（在新窗口打开）
在 LLM 骨干关键位置加 VIB 层，多 SNR 与噪声类型下减轻 AVSR 性能退化。
- 针对 LLM-based AVSR 在噪声下的表示不稳定问题
- 目标位置插入 VIB 正则化表示
- 无需改架构或增训数据即提升噪声鲁棒性
Bridging VideoQA and Video-Guided Agentic Tasks via Generalized Keyframe Extraction（在新窗口打开）
发布 VG-GUIBench 评测跟视频教程做 GUI 任务，TASKER 关键帧算法提升 VideoQA 与 GUI 表现。
- VG-GUIBench 评估 MLLM 能否从教程视频泛化到 GUI 长程任务
- TASKER 联合任务相关性与场景动态抽取关键帧
- 在 EgoSchema、NExT-QA 等上较最佳基线有提升
Preference-ASR: A Preference-Aware Test Set for Benchmarking ASR in the Era of Speech LLMs（在新窗口打开）
评测 ASR 是否遵循自然语言偏好指令，揭示传统基准掩盖的模型差异。
- 四类偏好：归一化、实体、不流利、大小写
- LLM 辅助两阶段构建并经人工校验
- 偏好感知归一化器与公开数据集 PreferenceASR
Can LLM-as-a-Judge Reliably Verify Rubrics in Agentic Scenarios?（在新窗口打开）
发布 RuVerBench 系统评估 Agent 场景下 LLM 判分可靠性，并分析提示与投票策略。
- 提出 RuVerBench，覆盖深度研究与 Agent 编码等 2458 例
- 评估前沿 LLM 在 rubric 验证上仍有显著噪声
- 分析 prompt、批处理与多数投票对验证准确与效率的影响
BEST-RQ-2: Contextualize-Then-Predict, a Two-Step Approach for Self-Supervised Audio Representations（在新窗口打开）
保留随机投影离散目标，ViT 先上下文编码再轻量预测 masked 区，X-ARES 迁移整体优于单阶段且推理算力不变。
- contextualize-then-predict 两步预训练分解 masked 预测
- ViT 上下文编码器+预训后丢弃的 predictor
- 在 X-ARES/XARES-LLM 上一致优于一阶段基线
SICAGE: Speaker-Independent Culture-Aware Gesture Generation using TED4C-L Dataset（在新窗口打开）
SICAGE 用说话人无关文化表征驱动共语手势生成，并发布 TED4C-L 数据集。
- 提出模块化文化感知共语手势框架 SICAGE
- 引入 ALaDiT 实时扩散手势生成器与 TED4C-L 数据集
- 说话人不相交设定下提升真实感、节拍同步与文化一致性
没有符合条件的论文。