每日论文 2026-08-24 · PolySight

2026-08-24 周一共 4 篇：生成 0 · 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 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 2OCR 0
音频: 音频 1
基础模型: LLM 1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 4 篇

VLMP1 顶会EMNLP 2026

Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning（在新窗口打开）

用多模态检索作推理信号，通过 CRS/CQA 精炼 caption，缓解幻觉与遗漏。

提出检索引导的 Re³Cap 策略，无需额外标注即可增强图像描述
设计 Caption Refinement Suggester 与 Caption Quality Assessor 识别幻觉与遗漏
在 COCO-LN500 关系推理上相对 GRPO 平均提升 8.64%

音频P1 顶会INTERSPEECH 2026

Neural Multichannel Distant Speaker Diarization and Source Separation with Beta Speaker Activity Prior（在新窗口打开）

为 neural FCASA 引入 Beta 说话人活动先验与变分下界，显著降低 AMI 上的 DER 与 JER。

提出基于 Beta 先验的贝叶斯日志模型以增强 model-driven 方法鲁棒性
用正则化连续说话人活动得分替代原交叉熵损失训练日志模型
AMI 上 DER 至少降 3%、JER 至少降 4%（相对约 16% 与 20%）

VLMP1 顶会EMNLP 2026

ReFrame: Evidence-Guided Test-Time Safety Alignment in Multimodal Large Language Models（在新窗口打开）

无需训练，用本地轻量 MLLM 双智能体重构输入，提升越狱防御与安全感知且保留多模态效用。

分析测试时对齐中的效用主导与推理惯性两类障碍
提出证据生成与改写路由双智能体，生成安全代理提示与图像路由
在多种 MLLM 与基准上提升防御、安全感知并缓解过度拒答

LLMP1 顶会EMNLP 2026

Test-Time Scaling for Scientific Equation Discovery（在新窗口打开）

将 LLM 方程发现统一为迭代搜索，发现搜索宽度是算力分配的主导因素。

把 Best-of-N、序贯精炼、树搜索与进化式方法统一为算力分配视角
在固定预算下对比最小并行控制器以隔离分配效应
LLM-SRBench 上表明宽度随算力增加而最优，并利于墙钟并行效率