每日论文 2026-07-22 · PolySight

2026-07-22 周三共 6 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 1 · 音频 3 · 基础模型 2

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 0
理解: VLM 1OCR 0
音频: 音频 3
基础模型: LLM 2统一多模态 0

前一天后一天

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

音频P1 顶会INTERSPEECH 2026

Transcription Policy as a Latent Variable: Activating Controllable Verbatim ASR with Word-Level Timing（在新窗口打开）

用任务 token 可控激活 verbatim/intended 转写风格，改善 WER 混淆与词级时间戳。

揭示 ASR 已编码双风格，用 coverage-aware decoder 任务 token 可控激活
德语不流利 F1 零样本由约 10% 提升至 79%，英语微调全面优于基线
提出 verbatimize 任务以规模化构建高质量逐字转写语料

LLMP1 顶会EMNLP 2026

Selective State-Space Adaptation and Retrieval for Language Model Reasoning（在新窗口打开）

MaLoRA 与 MaRA 在 token 与上下文两级引入 Mamba 状态空间，提升多跳推理 F1。

MaLoRA：适配器缩放因子为输入依赖的动态函数，带跨 token 递归状态
MaRA：跨段推理状态与相关段落选择，小参数检索优于大稠密检索器
三骨干两多跳基准上相对 LoRA 平均 +6.4 F1

音频P1 顶会INTERSPEECH 2026

Towards Array-Invariant Speech Enhancement via Geometry-Aware Dynamic Convolution（在新窗口打开）

用麦克风坐标先验将固定阵列 SE 模型扩展为阵列不变系统，在 RealMAN 上跨拓扑一致提升。

提出 Geo-DConv，显式利用麦克风坐标实现阵列不变语音增强
将两种固定阵列 SE 模型适配到可变阵列几何
在 RealMAN 真实多通道数据集上验证多样阵列拓扑下的性能提升

音频P1 顶会INTERSPEECH 2026

Content is What Remains: Invariant Speech Tokenization from Parallel Utterances（在新窗口打开）

PINT 用平行语句对齐损失蒸馏共享语言学内容，降低 token 熵并服务语义音频编解码。

利用多说话人同句平行语料，语言学内容为唯一共享因子
PINT 微调 SSL 编码器，相同词坍缩为一致 token 序列
保留帧级时序，可作为音频编解码语义目标，显著降低说话人探测与 LM 困惑度

VLMP1 顶会ECCV 2026

ZeroSplat: Generalized Referring Segmentation in 3D Gaussian Splatting（在新窗口打开）

提出 GR3DGS 任务与免训练 ZeroSplat，将 2D VLM 先验经多视图几何提升到 3D 点级理解。

定义广义指代 3DGS 分割任务并构建 GR-LERF、GR-ScanNet 基准
ZeroSplat 免训练、零额外特征存储，实现内在点级 3D 理解
在广义与单目标场景显著优于 SOTA 且保持高效

LLMP1 顶会EMNLP 2026

SEGRA: A Structured Experience Guided Reasoning Agent for Property Graph Question Answering（在新窗口打开）

企业 IT 知识图谱 text-to-Gremlin 智能体，融合 schema grounding 与可复用技能库。

意图路由、schema/taxonomy grounded 查询生成与执行感知验证
课程引导技能库复用已验证查询模式，降 LLM 调用与成本
企业 IT 支持基准上 judge 分显著高于 CoT 骨干