ProLaViT: Learning Progressive Latent Visual Thoughts in Structured Latent Space（在新窗口打开）
在连续 latent 空间做结构化视觉推导，用自蒸馏与两种推理链提升复杂视觉推理效率与可解释性。
- 端到端自蒸馏，用自身视觉编码器监督 latent visual thoughts
- 设计由粗到细因果链与辩证推理链两种推理范式
- 提出 Distance-Weighted Diversity Loss 约束拓扑与语义区分
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
2026-07-06 周一共 14 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 8 · 音频 2 · 基础模型 3
- 生成
- 文生图 0图编辑 0视频生成 13D 生成 0
- 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 0
- 理解
- VLM 7OCR 1
- 音频
- 音频 2
- 基础模型
- LLM 3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 14 篇
Reinforcement Learning for Data-Efficient Code-Switched ASR（在新窗口打开）
用可验证奖励的 GRPO 强化学习微调 Qwen2-Audio，少量 TTS 语码转换数据即可逼近全量 LoRA 监督效果。
- 提出结合错误率与书写系统保真奖励的 RLVR 配方及两遍草稿精修流程
- 仅用 10% TTS 语码转换训练数据达到全量 LoRA 监督微调水平
- 在人类录制语码转换语料上零样本迁移有效
BVS: Bayesian Visual Search with Multimodal Large Language Model for Fine-grained Perception（在新窗口打开）
将超高分辨率细粒度感知建模为空间-尺度流形上的全局优化，先验与后验修正结合，精度与效率优于 SOTA。
- 提出 BVS，用 MLLM 注意力 rollout 构造推理感知先验
- 尺度感知非平稳核与 GP-UCB 迭代局部观测修正先验噪声
- 给出次线性 regret 理论保证并在实验中验证精度-效率权衡
MORE: A Multilingual Document Parsing Benchmark and Evaluation（在新窗口打开）
覆盖 149 种语言及表格、代码块等结构元素的真实文档基准，为 VLM 多语解析能力提供可验证基线。
- 构建迄今语言覆盖最广的多语言文档解析评测基准
- 评测范围扩展至代码块、表格、目录等结构要素
- 模型辅助与人审 refined 的真实文档标注流程
Reading Between the Dots: Decoding Hidden Computation across Filler Tokens（在新窗口打开）
在无可见 CoT 的 filler 推理上，无监督 pipeline 从隐状态恢复中间值达 82–94% 准确率。
- 展示 DeepSeek V3、Kimi K2 在 filler 上 attention 与 logit-lens 可读的隐式推理
- 提出仅依赖隐状态、无需标签的训练外解码 pipeline
- KV-cache 移植等因果实验表明行为不可见的计算仍可从 residual stream 读取
PPE-Bench: A Benchmark for Evaluating MLLM Unlearning under Private-Public Entanglement（在新窗口打开）
构建含公众人物与地标等需保留信息的遗忘基准，揭示现有遗忘方法常严重损害相邻公开信息。
- 提出反映真实视觉复杂性与公私纠缠的 MLLM unlearning 基准
- 引入两种简单方法以在遗忘时更好保留公开信息
- 实验表明现有方法减泄露但常大幅伤害应保留的公开上下文
Incentivizing Vision Language Models to Search for Long Video Question Answering（在新窗口打开）
VSeek 用自然语言驱动多轮检索与 RL 后训练，以神经符号时序逻辑提供可验证奖励，提升长视频 QA。
- 将长视频 QA 转为带 targeted search 的多轮检索智能体框架
- 用形式化时序逻辑分解问题并给出检索层面的稠密可验证奖励
- 在长视频理解基准上相对基座提升 Pass@1 与 Pass@4
Aligning Language Models with Selective Prediction（在新窗口打开）
在后训练阶段以风险-覆盖率 AURC 为目标，RLSR 对齐框架优于多种对齐基线。
- 将 selective prediction 引入 LLM 对齐以平衡风险与覆盖率
- 提出 RLSR，以 AURC 为强化学习对齐目标
- 在域内与域外任务上取得更优 risk-coverage 权衡
Conversational Human Audio-visual Talking Dialogue Generation（在新窗口打开）
CHAT 从单条文本提示生成成对、互响应的语音—面部对话片段，并构建 CHAT-AVD-50k 预训练数据。
- 提出统一 LLM 与 talking face 的 DIADG 框架及交互音视频行为 refinement
- 合成数据集可提升下游交互头部生成模型在 REACT 2024 上的表现
- 主客观评测上优于同类相关方法
Natural Language Camera Movement Understanding（在新窗口打开）
定义相机运镜 NL 理解任务与原子级基准，微调 VLM-8B 在真实/合成视频上优于 Gemini 3.1 Pro。
- 揭示现有 VLM 常混淆平移与旋转、左右及物体与相机运动
- 提出两级摄影运镜分类法及含真实与合成视频的大规模基准
- 构建多源训练集与相机运镜增强，微调 VLM 显著超越强基线
Learning Taxonomic Trees with Hierarchical Representation Regularization for Large Multimodal Models（在新窗口打开）
HiR² plug-and-play 正则项结合双曲蕴含与 dispersive 损失，提升 LMM 层次视觉识别一致性。
- 提出语义感知视觉树构建，从中间层提取由粗到细视觉特征
- 在 Lorentz 双曲锥上施加 taxonomic entailment 与球面 dispersive 目标
- 在多种 LMM 与微调设置上验证层次结构捕获有效
CacheSpec: Finding the Sweet Spot for Small Models in Large Language Models（在新窗口打开）
将 PoT 程序转为可复用缓存，小模型负责变量抽取与投机草稿，延迟最高约 3.1× 加速。
- 提出以可复用程序缓存为核心的 LLM 推理优化框架 CacheSpec
- 同一小模型承担 cache-hit 语义变量抽取与目标 LLM 投机 drafting
- 在 WebShop 等任务上保持质量同时显著降延迟并提高并行吞吐
S-DiverSe: Spanish Diverse Speech（在新窗口打开）
发布 22 名神经疾病说话人野外西语 ASR 语料与基线，发现启发式后处理比微调更鲁棒。
- 提供 3.2 小时、444 段人工转写及疾病与可懂度元数据
- 面向神经受损西语 ASR 评测与开发设计 in-the-wild 基准
- 报告基线 ASR 与适配实验，强调需专用西语神经语音基准
$C^3$ASD: Multi-Level Consistency-Driven Representation Learning for Robust Active Speaker Detection（在新窗口打开）
嵌入、序列与预测三级一致性约束融合音视频，在噪声与遮挡等退化下显著优于现有方法。
- 提出嵌入级跨模态、序列级 track-aware 对比与预测级蒸馏三类一致性
- 缓解模态捷径学习，提升联合与单模态 corruption 鲁棒性
- 干净数据上仍保持 competitive 性能
没有符合条件的论文。