MMGenre: Benchmarking Singing Voice Synthesis across Multiple Musical Genres（在新窗口打开）
构建覆盖 10 大流派 26 子类的 SVS 基准，揭示代表模型流派区分与泛化不足。
- 提出 MMGenre 及流派对齐谱面自动构建流水线
- 系统评测显示跨流派合成人声声学特征高度相似、可分性弱
- 表明轻量流派续训较零样本适配带来更明显提升
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
2026-07-09 周四共 6 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 2 · 音频 2 · 基础模型 1
- 生成
- 文生图 0图编辑 0视频生成 03D 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 1
- 理解
- VLM 2OCR 0
- 音频
- 音频 2
- 基础模型
- LLM 1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 6 篇
Text-Independent Speaker Verification Using Discrete Audio Tokens（在新窗口打开）
CFKD 将 Fbank 教师嵌入空间蒸馏到 codec 学生，显著提升离散 token 上的 ASV 表现。
- 证明显式 neural codec 离散 token 隐含说话人线索但常规训练利用不足
- 提出 Cross-Feature Knowledge Distillation 结构化监督 codec 表示
- VoxCeleb 上使 codec 系统接近 Fbank 教师验证精度
When Agents Go Rogue: Activation-Based Detection of Malicious Behaviors in Multi-Agent Systems（在新窗口打开）
提出 AcMAS，在激活空间检测 MAS 隐蔽恶意行为，异步场景 F1 显著优于图基线。
- 基于本地智能体内部激活分析检测语义隐蔽攻击，不依赖显式交互图
- 利用激活信号恢复受损智能体功能，替代粗暴隔离
- 在同步与异步 MAS 及多种开源 LLM 骨干上泛化验证
HIVE: Understanding Post-Hallucination Reasoning in Vision Language Models（在新窗口打开）
研究幻觉语义进入推理上下文后的 PHR，HIVE 框架揭示其对下游任务的模态依赖影响。
- 提出 Post-Hallucination Reasoning 并区别于生成时幻觉抑制
- 构建 HIVE 以对照忠实与幻觉 caption 的下游推理
- 发现幻觉 caption 在多种 VLM 任务上常提升准确率等结构化模式
Ego-Human Motion Prediction with 3D-Aware LLM（在新窗口打开）
Ego3DLM 在 3D 场景 grounding 下单次自回归联合预测姿态与叙述，在 Nymeria 上全面领先。
- 强调运动预测需显式 3D 空间语义，姿态与语言需 holistic 单次推理
- 同时解码 past/future pose 与 past/future narration 并互相 grounding
- 三阶段训练含 GRPO 模态内/间奖励以优化姿态—语言一致性
GReFEM: Multimodal LLMs as Zero-Shot Semantic Assistants for Physics-Guided 3D Mesh Refinement（在新窗口打开）
用 MLLM 与 orthoViews 零样本定位应力关键区，无 FEM 训练数据下缩小相对参考解的误差差距。
- 探索 off-the-shelf MLLM 作有限元网格 refinement 的零样本几何语义代理
- orthoViews 视图选择模块增强 3D 关键几何在 2D MLLM 下的可观性
- 在匹配单元预算下相对 blind heuristic 与粗 FEM 驱动 refinement 降低应力峰值误差
没有符合条件的论文。