MemWM: Memory-Augmented Text-Based World Model（在新窗口打开）
用世界记忆库约束下一状态想象，提升结构化状态保真，并在规划任务中配合检索技能与逐步纠错。
- 引入含转移规则与难预测事实的世界记忆以条件化状态想象
- 提出 Structured State Fidelity 评估事实状态保持
- 冻结策略下用检索任务技能与逐步纠错提升 ALFWorld 等成功率
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
2026-08-10 周一共 7 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 1 · 音频 2 · 基础模型 1
- 生成
- 文生图 1图编辑 0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 1OCR 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 7 篇
HRDiT: Training-Free High-Resolution Image Generation with Off-the-Shelf Diffusion Transformer Models（在新窗口打开）
针对现成 DiT 高分辨率免训练合成中的空间失序与耗时长问题提出适配方法并验证有效。
- 分析 off-the-shelf DiT 高分辨率免训练合成的关键障碍
- 提出面向 DiT 的高分辨率图像合成适配方法
- 实验表明方法有效
Prune Once: Retraining-Free Task-Agnostic Pruning for Vision-Language Models（在新窗口打开）
PORTA 用通用校准数据的激活变化估计跨模态重要性，并按层自适应稀疏度，高稀疏下免重训压缩 VLM。
- 基于激活变化的任务与模态无关重要性度量
- 按输出特征变异性分配层间剪枝率的自适应稀疏机制
- 在 CLIP、BLIP、Qwen2-VL 上验证高稀疏免重训压缩
Enhancing Audio Reasoning via Semantic Summary Prediction（在新窗口打开）
SPARE 用 register token 与 Sentence-BERT 对齐结论语义，在推理前约束潜空间，提升零样本推理与对音频的早期关注。
- 指出长 CoT 可能使 LALM 注意力偏离音频输入
- SPARE 以 cosine 损失将 register token 对齐目标结论语义
- 在 MMAU、MMAR 与 SALMONN 上提升零样本推理且无额外推理成本
Cloud-Boosted Low-Compute Multi-Channel Speech Enhancement（在新窗口打开）
边缘-服务器协同：延迟服务端输出、层间特征提升与协作多通道维纳滤波，低额外开销显著优于纯边缘基线。
- 延迟服务端输出作为边缘额外输入
- 层间特征提升传递服务端中间表示指导边缘推理
- 协作多通道维纳滤波融合双方协方差矩阵改进波束形成
CustomDance: Customized 3D Dance Generation with Coarse-to-Fine Human-Centered Interactive Control（在新窗口打开）
三阶段交互系统：MLLM 解析音乐与文本锚点，检索动作片段，扩散 inpainting 衔接成完整编舞。
- 提出模仿专业编舞流程的粗到细 AI 辅助编舞范式
- 多模态检索为各时间锚点提供可预测的高质量动作候选
- 音乐条件扩散 inpainting 无缝连接所选片段并支持迭代精修
People Are Not Just Their Countries. Disentangling Social Determinants of LLM Value Alignment Across Europe（在新窗口打开）
基于欧洲社会调查，分析十款商业 LLM 与不同社会人口群体价值对齐的差异及国别与人口变量的互补作用。
- 从 15 项社会人口变量及居住国考察价值对齐
- 揭示教育、收入、职业、宗教等群体间对齐不均
- 国别与人口因素互补解释对齐模式且权重随问题变化
没有符合条件的论文。