SeDeM: Selective Decompression of Hidden-State Memories for Long-Context Question Answering（在新窗口打开）
提出选择性解压框架，解耦紧凑记忆与解码条件，长上下文 QA 优于压缩基线并提升推理效率。
- 隐状态记忆块存上下文，仅对查询相关块解压供解码器条件化
- 四组长上下文 QA 上优于主要压缩基线，3B 在三数据集超全上下文微调
- 相对 ICAE 降低首 token 时延、提高自回归吞吐，答案质量保持较好
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
2026-08-04 周二共 12 篇：生成 1 · 代码生成 1 · 智能体 0 · 世界模型与具身 2 · 理解 3 · 音频 1 · 基础模型 4
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 1
- 代码生成
- Visual2Code 13D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 0具身智能 2
- 理解
- VLM 3OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 3统一多模态 1
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 12 篇
SVGEval: A Vision-Grounded Framework for Perceptual-Quality Benchmarking and Evaluation in Text-to-SVG Generation（在新窗口打开）
提出面向文生 SVG 的视觉 grounding 基准 SVGEval，并训练可解释的多维度质量打分器。
- SVGEval 结合渲染图与人类标注评估 SVG 质量
- 揭示模型在几何与布局判断上明显弱于语义与美学
- 视觉 grounding 与推理监督对空间几何评估尤为关键
When Replanning Becomes the Bottleneck: Budgeted Replanning for Embodied Agents（在新窗口打开）
BRACE 将重规划建模为预算控制环，E-RECAP 剪枝重规划上下文，在 Habitat/RoboFactory/AirSim 上大幅降 token 与 SLO 违约。
- 揭示 LLM 重规划上下文膨胀导致尾延迟与实时 SLO 违约、成功率仍高的难检 failure mode
- 提出 BRACE：决定是否/如何重规划并分配 token 预算与延迟 SLO
- E-RECAP 跨层预测 token 效用并剪枝，保留关键头尾 token；多平台 token 降 62–92%，SLO 违约显著下降
SC$^{2}$-WM: A Self-Correcting World Model with Closed-Loop Feedback for Vision-and-Language Navigation in Continuous Environments（在新窗口打开）
为 VLN-CE 提出自校正世界模型，用前瞻反馈在动作前 refine 计划并在测试时自适应。
- 世界模型前瞻驱动闭环状态级计划修正
- 条件世界感知测试时选择性更新世界模型
- 标准 VLN-CE 基准上提升鲁棒性与泛化
PROGRESS: Coverage-guided RL to Train Search-augmented LLM Agent（在新窗口打开）
用冻结教师分解复杂查询为 essential search queries，以 coverage reward 显式塑造策略模型的搜索与分解行为。
- 指出 outcome-level reward 对搜索行为与查询分解监督不足的问题
- 提出 PROGRESS：teacher-guided coverage reward 引导策略生成 essential 搜索查询
- 嵌入 R1 式训练框架，在无需稠密过程监督下轻量引导分解决策
Position: It's Time to Optimize LLMs for Self-Consistency（在新窗口打开）
主张以自洽性框架理解并优化 LM 的谄媚、逻辑与幻觉等跨输出关系型失败。
- 指出单条输入输出评估难以发现诸多 LM 失败
- 将多种改进技术统一为一致性优化特例
- 展望一致性感知 LM 的新性质与能力
DiffuseAgent-MI: Distributionally-Grounded,Tool-Integrated Self-Evolving Agents for Faithful Visual Reasoning（在新窗口打开）
用 KL 最小能量模型约束视觉 grounding，并结合轨迹级 verifier 与修复分支，提升多步视觉推理精度与解释忠实度。
- 以特征单元上的 KL 最小能量模型提供分布视角的视觉 mechanistic interpretability
- verifier 提供轨迹级忠实奖励，repair 分支在 unfaithful 步骤上重条件能量
- 在 GeoQA、SciVis、VQA-v2 等上较 prior 自进化 agent 最高约 +5.1 点，忠实度与可解释一致性显著提升
Illuminating Visual Identity in Universal Multimodal Embeddings（在新窗口打开）
为通用多模态嵌入补充视觉身份判别能力，提出 MVEB 基准与联合训练框架。
- 统一形式化视觉身份判别 VisID 问题
- 发布大规模基准 MVEB 支持评测与训练
- 身份感知采样联合优化通用多模态与身份表示
PartInteractor: Intent-Driven Part-Aware 3D Authoring for Continuous Co-Creation in XR（在新窗口打开）
生成带显式部件层级的 3D 资产，支持语音/草图/图像与 LLM 意图脚手架，实现组件级 XR 共创而非单体一次生成。
- representation-to-interaction：语义部件 hierarchy 作为可操控一等公民纳入生成式 XR 创作
- LLM 解释器与检索-生成策略脚手架用户意图，再生成语义分解 3D 资产
- 评测表明部件感知表示提升生成后控制、减少整物体重生成，意图脚手架改善对齐
Beyond One-Size-Fits-All: Personalized and Culturally Adaptive Emotional TTS via Interactive Optimization of Individual Emotion Perception Spaces（在新窗口打开）
用交互遗传算法为听者优化个体 arousal-valence 感知空间，使情感语音表达更符合个人与文化感知。
- 针对离散情感标签与平均 A-V 值难以匹配个体与文化差异的问题提出框架
- 通过 Interactive Genetic Algorithm 交互优化 individualized A-V perception spaces
- 日、中、印尼受试者评测表明个性化与文化适配对情感 TTS 的重要性
3DZip: Spatial-Aware Feature Diversity-Guided Token Compression for 3D Question Answering（在新窗口打开）
三阶段压缩 3D VLM 几何 token：体素粗化、DPP 多样性选 anchor、空间约束合并，128 token 保留约 94.7% 性能并加速推理。
- 针对 3D token 空间结构与 object-level 不平衡，提出空间与特征多样性联合压缩
- 粗体素化去点级冗余，DPP 选 anchor，空间约束 merge 保几何一致
- 在三个 3D QA 基准上优于现有压缩法，128 token 约保留 94.7% 性能、约 1.92× 推理加速
Decoding Children's Gait Behavior（在新窗口打开）
从标准 RGB 视频细粒度分析 3–17 岁儿童步态，发布数据集并给出端到端基线，指出现有步态基础模型与 MLLM 难以捕捉临床细微模式。
- 定义儿童步态细粒度分析新任务域，面向发育与神经肌肉 disorder 相关临床场景
- 发布 110 名受试者、1100+ 段 60 FPS 视频及同步匿名 pose 的 walk-around 数据集
- 提出统一端到端框架解码儿科步态基本成分，并分析 erratic 细微运动模式的技术难点
没有符合条件的论文。