PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics（在新窗口打开）
将可微 MPM 与神经网络结合，在机器人操作下更准确预测可形变物体演化，并支持在线材质辨识。
- 提出物理校正残差世界模型 PhysCoRe，耦合 MPM 与 MfM、RfD 两模块
- MfM 从视觉推断粒子弹性，RfD 学习并修正仿真器动力学偏差
- 预测不确定性可引导探索，真实操作序列上优于现有基线
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
2026-07-24 周五共 8 篇：生成 2 · 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 1视频生成 03D 生成 1
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 1具身智能 0
- 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 8 篇
SlerpFlow: Spherical Trajectory Correction for Rectified Flow Inversion（在新窗口打开）
零训练 SlerpFlow 在 FLUX 上用球面线性插值校正流速度，提升反演重建保真与编辑语义对齐。
- 基于流形假设，用 Slerp 在超球面上校正 rectified flow 速度方向
- 缓存校正速度，在一阶 Euler 效率下实现高精度反演
- FLUX 重建与编辑任务上提升保真与语义对齐，无需额外训练
Axolotl3D: a Unified Framework for Faithful 3D Shape Completion（在新窗口打开）
多模态遮挡感知 3D 生成，联合图像、可见性、相机与部分点云，实现可控形状补全与编辑。
- 统一联合条件：图像、可见性掩码、相机参数与部分点云作几何锚点
- 大规模 3D 数据合成多样条件 regime 的统一训练策略
- Toys4K、OmniObject3D 及遮挡与真实重建、几何一致编辑上 SOTA
3D-Aware VLMs with Implicit and Explicit Geometries（在新窗口打开）
VLM-IE3D 仅从 RGB 视频引入 IGT/EGT 与 3D 适配器，增强细粒度三维空间理解与推理。
- Implicit/Explicit Geometry Tokens 分别从视频与重建 3D 属性编码几何
- 3D-aware adapter 融合两类几何表示与 2D 视觉线索
- 3D 检测、grounding、dense captioning 与空间推理等多 3D 任务一致优于基线
CRAG-MM-Diagnostics: Enabling Stage-Wise Analysis of Knowledge-Intensive VQA（在新窗口打开）
分阶段标注的 KI-VQA 诊断基准，定位 VLM 在 grounding、识别与知识检索推理上的瓶颈。
- CRAG-MM-Diagnostics 隔离语言 grounding、物体识别、知识检索与推理三阶段
- 对参数化与检索增强 VLM 细粒度分析，指出检索推理为主要瓶颈
- 提出 grounded bimodal RAG，裁剪目标后再检索，提升 GPT-5 与 Qwen 准确率
Designed Vocalizations Dataset: Sound-Designed Human and Animal Voices for Non-human Voice Conversion（在新窗口打开）
发布经专业音效处理的设计化发声数据集与标准化测试划分，并给出 voice conversion 基线评测。
- curated 语音与动物发声源并制作音效变体，填补设计化发声公开资源空白
- 提供显式 seen/unseen 音色组与 preset 风格的标准化测试集
- 报告基线 benchmark 以支持可复现评估
Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasks（在新窗口打开）
开源框架评测开放权重 LLM Agent 在队列研究数据清洗与合并等 20 项任务上的表现。
- 提供含 ground-truth 脚本、任务定义与 R 代码/数据自动评估的开源框架
- 覆盖类别 harmonization、多 wave 合并等 20 任务、102 变量创建
- 31–35B 开放权重模型在消费级硬件上任务完成率可达约 87.9%
Sonic Stage: Auto-Generating Interactive Spatial Soundscapes to Facilitate Dialogue Video Comprehension for Blind Viewers（在新窗口打开）
将对话视频转为交互空间声景，用空间化对白、画内音效与交互描述在说话时传递动作信息。
- 提出 Sonic Stage，在对话时段用沉浸式听觉线索传达角色动作与运动
- 结合空间化对白、画内音效与交互式描述三类听觉技术
- 12 名视障用户评估显示显著提升视频理解、空间临场与叙事参与
没有符合条件的论文。