前沿论文

  • 榜单数据10-16 17:00
  • 论文数据10-16 13:30
  • 周报10-16 11:26

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

2026-08-11 周二共 6 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 2 · 音频 1 · 基础模型 1
生成
文生图 2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 2OCR 0
音频
音频 1
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 6 篇

VLMP1 顶会ECCV 2026

Keep It Simple: Multi-Key Episodic Memory Retrieval for Ultra-Long Video Understanding

提出 MERIT 框架，以多键情节记忆与推理时时间扩展实现超长视频检索式理解，在三个长视频基准上达到 SOTA。

  • 提出情节多键表示，用简单键匹配实现细粒度记忆精确检索
  • 邻居过滤与推理时按需时间扩展，在不全局建图的情况下捕获更广语义上下文
  • agentic 框架 MERIT 在 EgoLifeQA、LVBench、Video-MME(Long) 上取得最优表现

Yeeun Choi, Youngbeom Yoo, Joon-Young Lee, Hyolim Kang, Seon Joo KimarXiv:2608.07663PDF 项目主页

LLMP1 顶会ICML 2026

Can LLM Agents Stick to the Script? A Benchmark for Long-Horizon Consistency in Interactive Narratives

提出叙事承诺保持 NCP 与 NCP-Bench（100 个叙事环境），显示强模型在长交互下仍频繁产生逻辑冲突。

  • 将长程逻辑一致性问题形式化为 Narrative Commitment Preservation (NCP)
  • 发布含轨迹、承诺与初始事实、可自动校验的 NCP-Bench 基准
  • 评测显示语言质量高不等于承诺保持，GPT-5.2 在 20 轮后存活率仅约 42%

Yingpeng Ma, Jianhao Yan, Bei Shi, Ka Hou Kam, Runnan Wang 等 9 人arXiv:2608.08160PDF

文生图P1 顶会ECCV 2026

SynVAR: Synergizing Spatial and Semantic Alignment in Visual Autoregressive Model

针对 VAR 跨尺度误差累积，提出免训练增强框架 SynVAR，用空间语义协同控制提升复杂场景生成质量。

  • 首个面向 VAR next-scale 范式的免训练增强框架 SynVAR
  • 全局引导、感受野约束与高频补偿三项策略抑制传播误差与早期语义混淆
  • 定量与定性实验显示复杂场景建模能力显著增强

Zhennan Chen, Tianxing Shi, Pengcheng Xu, Kepan Nan, Qian Wang 等 8 人arXiv:2608.07948PDF

VLMP1 顶会ECCV 2026

LEGO: Leveled Language Gaussian Splatting

将多视角 SAM 粒度自适应重整为 3D 一致语义层次，结合 CLIP 与层级语言场景图实现开放词汇 3D 分割与空间推理。

  • 自适应将 volatile 多视角 SAM 粒度重分级为统一、3D 一致的语义层次结构
  • 层级片段经 CLIP 接地并构建 level-wise 语言场景图，赋能 LLM 上下文空间推理
  • 在可提示与开放词汇 3D 分割基准上达到 SOTA 层次分解与视觉 grounding 表现

Yuning Peng, Haiping Wang, Yuan Liu, Yipeng Lu, Zhen Dong 等 6 人arXiv:2608.10057PDF 项目主页

音频P1 顶会UIST 2026

Dramarrator: Object-Based Audio Editing for Audio Drama Production from Books

以故事元素为可编辑对象，从书中抽取并生成联动语音/音效/音乐多轨广播剧，编辑可自动传播到依赖资产。

  • 对象式音频编辑范式，将角色、场景等表示为可编辑对象并自动更新依赖资产
  • 从书籍抽取对象、生成多轨广播剧并支持时间线级编排的一体化创作工具
  • 用户与听众研究表明可显著降低任务负荷并接近专业工具产出质量

Karim Benharrak, Oriol Nieto, Bryan Wang, Zeyu Jin, Amy PavelarXiv:2608.08349PDF

文生图P1 顶会NeurIPS 2026

Tokenizer-Generator Coupling in Medical Image Generation

在 ChestMNIST 64×64 受控网格上系统研究离散 tokenizer、生成器与采样器的联合排序，指出重建 PSNR 不足以选 tokenizer。

  • 在共享 latent 网格上交叉 tokenizer、生成器族与采样器，揭示最优量化器随生成器变化
  • 用 rate-distortion-modelability 视角解释 modelability 对生成器、采样与推理预算的依赖
  • LFQ-1024 上重调 D3PM/SEDD 采样可在更低 NFE 下显著降低 FID-192，并开源实现

Liam ChalcroftarXiv:2608.07713PDF 代码