GigaChat Audio: Time-aware Large Audio Language Model（在新窗口打开）
最长120分钟音频上带时间戳问答，合成监督与周期时间标记，长短基准上 temporal grounding 表现强。
- 连续音频token与周期时间标记交错表示
- 级联流水线大规模合成时间锚定监督
- 消融时间表示、标记频率、分词与时长混合对精度与算力影响
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
2026-07-14 周二共 17 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 6 · 音频 6 · 基础模型 1
- 生成
- 文生图 1图编辑 0视频生成 23D 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 6OCR 0
- 音频
- 音频 6
- 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 17 篇
DynEval: Holistic Evaluations of T2I Generative Models in the Wild（在新窗口打开）
构建 GenDB 与 DynEvalInstruct，蒸馏训练 DynEval 评测器，对齐人类判断并细粒度分析 T2I 模型。
- 提出动态评测框架，联合评估文本对齐与图像质量
- 构建 500K GenDB 与 250K DynEvalInstruct 支撑可扩展评测模型训练
- DynEval-2B/4B 在 11 个基准上与人类判断相关性更高
Cycle-World: Mitigating Error Accumulation in Long-term Video World Models via Reverse-Prediction Cycle Consistency（在新窗口打开）
提出 Cycle-World，在训练与推理中施加时序可逆循环一致性，抑制自回归长视频合成的误差漂移与结构崩塌。
- 以循环一致性目标理论上约束前向生成漂移的上界
- 训练期用反向预测模型嵌入因果约束，推理期作梯度循环引导的运行时校正
- 在 VBench 上提升约 60 秒长视频的整体质量与时序一致性
Global Merger-Arbitrage Forecasting with Language Models（在新窗口打开）
长上下文并购文档上微调LLM预测交易结果，类平衡Brier分0.151，优于市场隐含概率与XGBoost。
- 专家引导上下文工程与历史交易 hindsight 推理轨迹微调
- 输出交割/更高报价/终止三分类概率分布
- 400+笔跨国样本上显著优于前沿LM与结构化基线
Controlling Motion Transfer in Diffusion Transformers via Attention Heads（在新窗口打开）
在视频 DiT 的 attention head 层面区分运动与结构头，无训练实现可控运动迁移。
- 分析视频 DiT 中专门负责运动与空间结构的 attention head
- 提出 head 级可控框架：语义对应 refine 运动、选择性注入保结构
- 无需参数更新即可准确迁移参考运动并对齐目标 prompt
VoxENES 2026: Benchmarking Generalization of Speech Spoofing Detectors Against LLM-Era TTS and Voice Conversion（在新窗口打开）
VoxENES 2026 用当代 TTS/VC 与后处理条件评测检测器，揭示对 brittle 伪迹的依赖与大幅性能下降。
- 发布双语 53K+ 样本、10 种现代合成方法与 10 种后处理的标准化基准
- 八类预训练检测器零微调评测显示最佳约 28.98% EER、多数近随机
- 强调 temporal generalization gap 与鲁棒 countermeasure 测试床需求
Evidence-Backed Video Question Answering（在新窗口打开）
提出 E-VQA 与 ST-Evidence 基准，要求 Video LLM 同时给出答案与时空证据，160k 指令微调显著增强像素级 grounding。
- 定义 E-VQA：联合输出语义答案与时间片段与密集跟踪分割 masklet
- 发布人工校验的 ST-Evidence 及 ST-Evidence-Instruct（约 160k）数据与生成流程
- 指出 QA 精度与真实视觉感知脱节，微调 grounded Video LLM 优于同规模 UniPixel 基线
GigaAM Multilingual: Foundation Model for Underrepresented Languages（在新窗口打开）
200万小时HuBERT式预训练Conformer，簇级平衡与域感知采样，中亚语ASR优于Whisper等。
- 面向哈萨克、吉尔吉斯、乌兹别克等中亚语的Conformer基础编码器
- 预训练簇级数据平衡与微调域感知采样缓解头部语言主导
- 自发语音上显著增益并开源编码器与ASR模型
Spectral Heat Flow for Conservative Token Condensation in Vision-Language Models（在新窗口打开）
训练无关SpecFlow用谱热流与空间分区凝缩视觉token，LLaVA-1.5剪88.9%仍留95.6%性能。
- 从破坏性剪枝转向保守凝缩，保证空间覆盖与统计守恒
- kNN图上谱热流重要性场与coreset sink聚合丢弃信息
- 免微调即插即用，兼容FlashAttention，多架构高压缩比稳定
Unified Gradient Projection: Language-Balanced Continual Learning for Multilingual Low-Resource ASR（在新窗口打开）
UGP 在统一投影空间用语言平衡 replay 的参考梯度约束更新，减轻 Whisper 低资源微调遗忘。
- 提出 UGP，在投影中均衡各语言贡献以抑制主导语偏置
- 证明梯度投影与数据 replay 在稳定性与可塑性上互补
- Whisper-large-v3 上接近零平均遗忘
Actor as Its Own Critic: Unifying Region Understanding and Localization via CycleGRPO（在新窗口打开）
CycleGRPO 用 region→text→region 自评 RL，仅需区域输入同时提升 MLLM caption 与 grounding。
- 提出 CycleGRPO，利用理解与定位对偶性构建自评强化学习范式
- token 级 cycle-consistency 奖励以定位精度衡量 caption 语义可区分性
- SAMTok 上无任务特定微调即多基准一致增益
Prompting-MammAlps: Fine-Grained Text-to-Video Retrieval for Camera-Trap Data（在新窗口打开）
提出相机陷阱TVR基准与可解释检索流程，测试集F1达34%，优于零样本VLM。
- 首个相机陷阱文本到视频检索基准 Prompting-MammAlps
- ViT时空动作定位转结构化文本，LLM编码代理解析检索
- 自定义解析库函数约束LLM，降低幻觉并提升可解释性
Which Languages Transfer Best to Warlpiri? A Similarity-Based Study for Low-Resource ASR（在新窗口打开）
声学+类型学相似度排序源语言，Whisper微调Assamese/Hindi等对Warlpiri WER/CER显著下降。
- 预训练语音模型声学相似度与类型学/音系/句法语言相似度联合框架
- 排序高资源源语言并评估向极低资源Warlpiri的迁移
- 声学相似度最强预测微调，音系与类型学更好解释零样本迁移
MED-DSLC: Multi-Expert-Domain Classification via Domain Supervision and Logit Calibration（在新窗口打开）
通过域监督训练与分域 logit 缩放，恢复多域 LoRA 合并后的全局 logit 可比性，提升多域零样本识别。
- 指出域监督缺失与跨域 logit 失校准是多域 MED 分类的关键问题
- 提出 MED-DSLC，轻量结合域监督与 domain-wise logit scaling
- 在细粒度基准上显著提升均值精度与跨域鲁棒性
TextGaze: Prompting Gaze Target Estimation with Textual Scene Cues（在新窗口打开）
冻结视觉编码器+LVLM语义线索，Transformer融合预测注视热图与帧内外状态，跨数据集泛化无需额外微调。
- LVLM提供与注视对齐的文本线索，平衡多分支与显著性范式
- 层次文本监督的融合模块与轻量解码头联合预测
- 四数据集上竞争性能且跨数据集鲁棒泛化
Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial Memory（在新窗口打开）
PSC-AVDN 用解析-搜索-确认三阶段 CoT 与结构化空间记忆，无训练实现高空 UAV 对话导航 SOTA。
- 提出 Parsing-Search-Confirmation 与 Structured Spatial Memory 耦合框架
- S-CoT 逐步探索、C-CoT 细粒度验证以缓解方向 grounding 不足
- ANDH/ANDH-Full 上无训练设定达到或超过多种微调方法
Evidence Subspace Projection: Measuring How Much Evidence Explains Deepfake Detection in Self-Supervised Speech Models（在新窗口打开）
在 SSL 神经元激活共享空间中投影决策向量，量化各证据因子对 deepfake 判别的解释比例。
- 提出 Evidence Subspace Projection 连接 SSL 表征与检测决策
- 对攻击类型、编解码、性别等证据子空间给出可解释标量占比
- 多数据集上验证方法并揭示 raw/fine-tuned/post-trained 行为差异
没有符合条件的论文。