Editing Everything Everywhere All at Once（在新窗口打开）
MICE 无训练调节 MMDiT 联合注意力偏置，单次前向实现多实例并发编辑，减轻属性泄漏与串扰。
- 通过 mask 区分实例指令、潜变量与上下文 token 的注意力交互规则
- 允许实例内注意力、惩罚邻域 token 交互、抑制跨实例无关注意力
- 提出 MICE-Bench，平均每图约 8.5 处并发编辑
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
2026-07-01 周三共 23 篇：生成 5 · 代码生成 0 · 智能体 2 · 世界模型与具身 2 · 理解 7 · 音频 5 · 基础模型 2
- 生成
- 文生图 2图编辑 1视频生成 23D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 2
- 世界模型与具身
- 世界模型 0具身智能 2
- 理解
- VLM 7OCR 0
- 音频
- 音频 5
- 基础模型
- LLM 1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 23 篇
FlexiSLM: A Spoken Language Model with Dynamic and Controllable Frame Rates（在新窗口打开）
首个动态帧率 SLM，集成 FlexiCodec，推理可条件控制帧率，6.25Hz 约减半耗时且优于固定帧率 7B 模型。
- 将动态可控 FlexiCodec 语音 token 接入多任务 speech-to-speech SLM
- 输入侧帧压缩与直接帧率条件实现推理时精确控制
- 可降至 4.0Hz，在质量与速度间灵活权衡
MIRTH: Mutual-Information Reasoning with Temporal Hubs for Vision-Language-Action Agents（在新窗口打开）
VLA backbone 加双尺度时间记忆、互信息 latent 推理与并行动作解码，LIBERO 与真机表现 SOTA。
- 双尺度 temporal memory hubs 压缩长短期场景与运动信息
- 互信息目标优化 latent reasoning tokens 对齐语义与动作
- 并行向量动作解码替代自回归以提升控制吞吐
Learning from Failure: Inference-Time Self-Improvement for Computer-Use Agents（在新窗口打开）
用 LLM 诊断失败轨迹并生成经轻量人工核验的代码补丁，OpenCUA-72B 在 OSWorld 成功率由 42.3% 升至 48.9%，无额外训练。
- 提出以失败轨迹驱动的推理时自改进数据范式
- LLM 诊断失败模式、提出推理方案并生成 agent 代码补丁
- 与成功轨迹微调互补，仅 modest 推理开销
ADAPT: Attention Dynamics Alignment with Preference Tuning for Faithful MLLMs（在新窗口打开）
针对文本-图像 cross-attention 漂移，用锚点、在线校正与 Visual Attention Guidance DPO 降幻觉。
- 揭示幻觉与 cross-attention 逐步退化相关的内部机制
- 提出 cross-attention 视觉锚点与推理期注意力监督校正
- Visual Attention Guidance DPO 在多幻觉基准上显著降低幻觉率
A First Exploration of Neuromorphic OT-CFM for Multi-Speaker VSR（在新窗口打开）
LipsFlow 将 RGB 转为高时间分辨率事件流，用 OT-CFM 两步 ODE 推理，多说话人场景 WER 22.3%、延迟 240ms。
- 神经形态式事件表示捕获微秒级唇动，提升遮挡与运动模糊鲁棒性
- ByteTrack 与 TalkNet 切分为单说话人片段以聚焦分析
- OT-CFM 在语义潜空间直轨生成，Dual-Level 语义监督消解同形异义词
ZEBRA: Zero-Shot Entropy-Regularized Prompt Learning for Base-to-Novel Generalization in Audio-Language Models（在新窗口打开）
融合零样本与提示学习 logits，并用自熵正则缓解 ALM 提示学习在 novel 类上的退化。
- 揭示 ALM 提示学习存在 base-to-novel 泛化鸿沟
- 即插即用 ZEBRA：logits 融合 + 自熵正则减轻对 base 类过拟合
- 多音频分类数据集上提升 novel 类表现并保持 base 精度
Reasoning with Memory: A Temporal Granularity-Adaptive Framework for Training-Free Long Video Understanding（在新窗口打开）
ReMem 以双层级记忆做时序粒度自适应关键帧选择，免训练提升 MLLM 长视频问答。
- 提出 ReMem：面向免训练 LongVideoQA 的时序粒度自适应关键帧选择
- 查询级记忆驱动问题解析与视频级双语义帧对齐、结构感知动态路由
- 在四个 LongVideoQA 基准、三种 MLLM 上取得高效零样本 SOTA
What Counts as an Error? Dual-Reference Benchmarking for Atypical ASR（在新窗口打开）
以口吃语音为例，对比 verbatim 与 intended 两种参考对 11 个 ASR 模型排序的影响。
- 强调非典型 ASR 存在两种有效转写参考的评测歧义
- 在口吃案例上对多族 ASR 做双参考定量对比
- 说明需按应用场景选择合适的转写参考以公平选型
UniTac: A Unified Multimodal Model for Cross-Sensor Tactile Understanding and Generation（在新窗口打开）
首个触觉 UMM，双级表示编码传感器与物体属性，两阶段训练与传感器先验采样实现跨传感器理解与逼真触觉生成。
- 将非接触到接触的触觉过程建模为传感器—物体物理交互
- 理解侧含物体属性描述与传感器识别任务
- 重建+对齐两阶段训练及 sensor-prior 采样策略
Histogram-constrained Image Generation（在新窗口打开）
在扩散采样中用最优传输精确约束颜色或 latent 直方图，实现中等粒度的可控生成。
- 提出 HIG：将分布约束建模为 OT，采样中显式引导轨迹对齐目标直方图
- 粒度介于全局文本与 ControlNet 式稠密条件之间
- 支持颜色/latent 直方图约束及直方图级信息嵌入，可与现有控制机制组合
OopsieVerse: A Safety Benchmark with Damage-Aware Simulation for Robot Manipulation（在新窗口打开）
统一仿真框架将接触力、温度、液体等转为可量化 damage 信号，支撑家庭操作安全评测与更安全策略学习。
- DAMAGESIM：与模拟器无关的 navigation/manipulation damage 检测与量化
- 家庭任务套件区分任务完成与安全执行，可实例化于 OmniGibson 与 RoboCasa
- 用于更安全示教采集、damage 条件模仿/RL、VLA 安全 benchmark 与 sim-to-real 安全改进
Learning to Deny: Action Denial in Multimodal Large Language Models（在新窗口打开）
UCF101-AD 评测 MLLM 能否在相同语境下否定未发生的动作，CausalAct 可减误报。
- 发布 UCF101-AD 动作存在/否定配对视频基准
- 揭示 SOTA MLLM 在否定类上准确率骤降的系统性缺陷
- CausalAct 因果图式自然语言提示显著降低 false positive
Towards Flexible, Natural, Efficient Interaction for Conversational Talking Face Generation（在新窗口打开）
InterTalk 支持多人多轮实时对话 talking face，30 FPS 且交互质量更优。
- InterTalk 框架兼顾灵活多轮、自然反馈与实时生成
- 显式建模多参与者会话动态与迭代生成策略
- 构建多人对话数据集并做 3D 人脸数据增强
AC3S: Adaptive Conditioning for 3D-Aware Synthetic Data Generation（在新窗口打开）
扩散生成框架用自适应 ControlNet 强度与多智能体 VLM 提示，在保持真实感的同时对齐三维结构与姿态。
- 自监督视觉提示调制器动态调节 ControlNet，缓解过条件伪影
- 多智能体 VLM 生成与几何结构对齐的细粒度三维感知提示
- 可扩展产出带准确二维与三维标注的高质量合成数据集
MV-GEL: Language-Driven Multi-View Geometric Entity Localization on Meshes（在新窗口打开）
用多视角选视与 VLM 分割，在 polygon mesh 上按自然语言定位 CAD 级面/边等几何实体。
- 提出 GELviews，按语言提示的几何可观测性对视角排序选视
- VLM 推理分割 + 几何感知 ray casting 将 mask 提升到 mesh
- CAD 无关，仅依赖 mesh；面 IoU 与边 F1 显著优于 CLIP/随机视角基线
Criterion-Conditional In-Context Learning: Evaluating Criterion-Shift Adaptation in Vision-Language Models（在新窗口打开）
提出 CC-ICL 设定与 CC-Bench，度量 VLM 在任务语义固定下从上下文推断 latent 决策准则并调整预测的能力。
- 定义 Criterion-Conditional ICL：需推断 latent criterion 并据此调整预测
- Criterion Invariance 与 Criterion Sensitivity 两指标及多域 CC-Bench
- 实验显示多数模型存在 rigid boundary bias；简单多准则训练可显著提升 7B 模型准则敏感性
DriveWeaver: Point-Conditioned Video Inpainting for Controllable Vehicle Insertion in Autonomous Driving Simulation（在新窗口打开）
以点云为条件对插入区域做视频 inpainting，生成时序一致车辆并融合背景，服务驾驶仿真扩场景。
- 点云条件视频 inpainting，减轻对预重建 3D 资产与光照不一致的依赖
- 全局到局部层次 inpainting 保持长序列车辆身份与外观一致
- Urban 重建提取 3D Gaussian 以实时渲染；视觉与几何一致性优于基线
TaxoMIL: Taxonomy-Constrained Learning for Hierarchical Whole Slide Image Analysis（在新窗口打开）
将 WSI 诊断改为受临床 taxonomy 约束的多粒度文本生成，优于 MIL 与 VLM 生成基线。
- 双头解码器生成粗粒与细粒诊断文本
- taxonomy 引导目标约束标签嵌入与视觉表示
- 在三个 WSI 数据集上取得一致优于 SOTA 的层次化预测
Think While You Map: Asynchronous Vision-Language Agents for Incremental 3D Scene Graphs（在新窗口打开）
在线体素建图与后台 VLM 语义 refinement 异步并行，探索过程中可查询且语义逐步 enriched 的开放词表三维场景图。
- 概率体素骨干增量稳定物体身份，VLM 智能体渐进丰富图结构
- 语义回环消解重复 track，附加细粒度属性与空间关系
- 多目标帧调度联合覆盖多目标以摊销 VLM 成本
DigitalCoach: Communication and Grounding Gaps in Human and Agentic Computer Use Coaching（在新窗口打开）
发布 72 场专家带新手软件辅导多模态数据集，揭示 SOTA 模型在解释、诊断与视觉 grounding 上弱于人类。
- DigitalCoach：22k+ 轮对话，绑定屏幕与输入事件，覆盖五款应用
- 自动评测显示模型指令更直接但解释、错题诊断与知识检查更少
- 固定辅导方式后 utterance 仍难对齐视觉上下文；交互评测显示学员被动跟指令
Geometry-Preserving Orthonormal Initialization for Low-Rank Adaptation in RLVR（在新窗口打开）
分析 RLVR 下 LoRA 初始化，提出正交初始化变体 RLPO/RLMO，稳定训练并优于标准 LoRA。
- 理论说明 RLVR 下正交初始化可最小化 LoRA 与全量微调结果差距
- 提出 geometry-preserving orthonormal 初始化及 RLPO、RLMO
- 数学推理 benchmark 上稳定 RLVR 并解释 PiSSA/MiLoRA 在 RLVR 中欠佳原因
Beyond Cross-Reconstruction: Probing-Based Disentanglement Evaluation for Acoustic Teleportation Codecs（在新窗口打开）
用探针回归房间声学参数与说话人分类，以分区内外预测差距衡量内容、说话人与声学潜空间解耦。
- 扩展探针框架评估声学 teleportation codec 的解耦程度
- 发现说话人 largely confined 于分区，声学信息泄漏至语音嵌入
- 声学嵌入可无监督估计房间参数，接近有监督基线
没有符合条件的论文。