🎨文生图P1 顶会ECCV 2026
证明显式规划-解码文生图中解码器高度忠实，组合错误主因是规划器空间关系与几何错误。
- 用可编辑计划分离规划与解码失败，几何评分验证布局随计划交换而翻转
- 揭示规划器在左右等措辞上的 raster-order 偏差及 cluttered 几何问题
- 不改训练仅编辑计划即可显著提分，并发布 plan-fidelity 评测协议与数据
💬LLMP1 顶会ICML 2026
让 LLM 从自身轨迹提炼反思补丁，用反思条件打分把稀疏终局奖励变为稠密 token 信号，数学与 Agent 基准上高效 SOTA。
- 提出 SRPO，内化自反思以完成信用分配与策略优化
- 无需外部 critic、奖励模型或更大教师，实现 token 级训练信号
- 在 AIME'24 与 WebShop 等任务上以更少算力显著优于强基线
👁️VLMP1 顶会EMNLP 2026
用类条件 direction patching 干预十款 VLM，将空间编码与答题差距刻画为条件传输问题。
- 提出跨层、token 位置与提示格式的 direction patching 因果干预框架
- 空间信息对答案 logits 的因果影响主要出现在中深层，文本 CoT 常抑制即时 object-word 传输
- 归纳不同 VLM 的局部传输模式及随数据集、属性与编码幅度的变化
🎬视频生成P1 顶会TOG
揭示 DiT 各层位置嵌入时序控制强度不同，按层平移锚定层参考实现高质量循环视频生成。
- 分析 DiT 内各 attention 层位置嵌入对时序控制的差异并确定锚定层作循环参考
- 提出按层时序控制效应设定平移长度的 anchored shifting，将时序感知由直线变为圆环
- 通用框架 Loopy 支持 RGB/RGBA 循环视频及身份控制、风格迁移等特性
🖥️GUI AgentP1 顶会EMNLP 2026
994 项对比式基准显示 VLM 多因候选定位失败而非关系理解，严格点框准确率最高约 32%。
- 发布覆盖七种空间关系的 GUI-Primitives 对比指令对基准
- 区分候选区域外预测与区域内关系选择，定位主要失败模式
- 与 ScreenSpot-Pro 呈探索性正相关，并提供 oracle 候选标注诊断
👁️VLMP1 顶会EMNLP 2026
发布可审计证据覆盖的 VES-Bench，并提出无训练智能体 TRACE 逐轮扩展证据束直至答案稳定。
- VES-Bench 含时序排序与事件计数，可严格审计解码帧是否覆盖联合必要证据区间
- TRACE 在原始视觉片段上 grounding，证据束增长至答案收敛后做最终一致性 pass
- 同骨干审计下帧成本显著低于均匀解码仍接近更高帧数下的答题表现
🌍世界模型P1 顶会ECCV 2026
导航用潜在世界模型预测动作条件下的特征相容性而非重建观测，可无动作标注视频监督策略并在模型内 RL。
- 提出相容性预测 LWM，在潜空间评估动作后果
- 利用跨轨迹动作序列做反事实训练，预测更接近目标的序列
- 真实机器人导航数据上优于既有世界模型与模仿学习
💬LLMP1 顶会EMNLP 2026
ERPO 用 Query-KL 约束训练查询分布相对参考的漂移，替代 Policy-KL 以保留响应侧探索。
- 指出 Policy-KL 在稳定与探索间双 bind，且直接约束响应分布消耗探索预算
- 引入 QKL 与参考分布 derived 的静态 per-query 权重，梯度仅经 query 似然而非 response score
- 可接入 GRPO/PPO/REINFORCE 类管线，在数学推理基准上更稳且高精度
💬LLMP1 顶会EMNLP 2026
将检索经验作训练脚手架并蒸馏进策略，共进化经验库合成新引导，较强 RL 基线最高提升约 12.5 点。
- EDGE 在 rollout 中对比有/无经验轨迹，仅采纳正边际增益并 reverse-KL 蒸馏
- 共进化经验库从失败模式合成指导并 prune 过时条目
- 具身、网页与搜索 QA 等任务上有效且推理时可不依赖外部脚手架
🎧音频P1 顶会INTERSPEECH 2026
以预训练 diarization 作多模态验证，按时间与词级共识剪枝泄漏片段，高泄漏子集 cpWER 相对最多降约 29%。
- 提出与词级重标注互补的剪枝范式，识别并移除分离导致的泄漏伪影
- 三重共识：时间包含、词级交叉验证与时间对齐
- 在 LibriMix、LibriSpeechMix 与 AMI 上 consistently 降低 cpWER
👁️VLMP1 顶会ICASSP 2026
利用早期跨模态注意力熵指导推理裁剪与训练正则，极少参数微调提升多项 VQA 表现。
- 发现早期层图像-文本跨模态注意力熵与答案 grounding 质量及任务准确率强相关
- 推理期 ECS 在少量候选 crop 中选熵最小者以保留与提示相关的连续区域
- 训练期 ERT 在 next-token 目标上加入熵项以锐化关键视觉 token、抑制无关 token
💬LLMP1 顶会EMNLP 2026
从推理脚本提取阶段感知优化任务，经验引导 Agent 搜索并经模型内验证接受补丁，端到端延迟显著下降。
- 指出内核基准与真实 LLM 推理集成之间的 benchmark-to-deployment 差距
- LLM4LLM 闭环框架结合阶段感知任务提取与 episodic Agent 搜索
- 在 A100/H100 上十个推理 workload 均改善延迟，并报告 KernelBench 等内核加速证据
🎧音频P1 顶会EMNLP 2026
长语音输入下用锚定/潮汐/固定 KV 头分工与 CPU 分块召回，在少量 GPU 音频 token 上保持近全缓存精度。
- 分析长音频 prefill 注意力_sink 与 decode 广泛分布、排序弱重叠导致仅 prefill 压缩易失败
- WnW 离线标定 KV 头角色：锚定全留 GPU、潮汐 CPU 按锚定分数分块召回、固定头部分丢弃
- LibriSpeech-Long 上两 3B 语音骨干验证，prefill-only 基线无法终止时 WnW 仍可完成解码
💬LLMP1 顶会EMNLP 2026
字符级扰动通过分词碎片化引发注意力 diversion，内容与注意力分配耦合，单通道修复难以恢复推理。
- 在多推理基准上系统评估键盘噪声、字符交换与 filler 对开源与前沿模型的影响
- 将字符扰动损害归因于碎片化 token 在中后层吸引过量注意力
- 因子干预表明须同时恢复内容与注意力，解释 CoT/拼写检查等策略局限
👁️VLMP1 顶会TPAMI 2026
提出视频意图问答任务与 IntentQA 数据集，X-CaVIR 融合三类认知上下文并做可解释推理。
- 定义 IntentQA 任务并贡献面向动作背后意图的大规模 VideoQA 数据
- 用 LLM 构造五组 contrast sets 并引入 Contrast Performance Decline 评估鲁棒性
- X-CaVIR 结合 VQL 情境、对比学习与常识模块，透明整合字幕与 VQA 输出
🎨文生图P1 顶会SIGGRAPH Asia 2026
在 CLIP 潜空间用 OT 条件流匹配与混合解码器，从文本生成矢量笔触，视觉质量与风格优于基线。
- 用 CLIP 跨模态对齐与 GMM 先验缓解文本-素描模态鸿沟
- OT-CFM 学习从连续先验到素描特征分布的确定性向量场
- 混合 Diffusion 解码器将特征解码为高保真笔触轨迹，支持局部零样本与语义插值
💬LLMP1 顶会NeurIPS 2026
为医疗 MLLM Agent 组织语义、情节与视觉记忆并在推理中增量更新，随使用提升决策可靠性。
- 提出 MSM-Mem，将异构临床经验结构化写入并可检索的多模态记忆
- 推理过程中增量更新记忆，使 Agent 借鉴既往经验改进当前推理
- 在 MoE-LLaVA 等骨干上验证持续使用带来稳定性能提升
💬LLMP1 顶会EMNLP 2026
语音经 ASR 进入多跳 RAG 时，实体图链接与迭代改写等结构会放大相对朴素检索的 ASR 误差影响。
- 在四口音神经 TTS 上对比四种 RAG 配置与干净文本 oracle 于三个多跳 QA 基准
- richer 检索结构在 ASR 输入下绝对 F1 仍较高，但 clean 到高 WER 口音的 F1 差距更大
- 主导失败为查询实体被破坏；轻量 surface-form 缓解难以消除由下游结构放大的差距
💬LLMP1 顶会INTERSPEECH 2026
提出 STeReO，聚合语音与文本检索结果并重排序混合模态证据，提升 RAG 问答表现。
- 构建含查询、混合模态证据与相关性排序的训练数据
- 设计基于语音与文本检索器的重排序编排方法
- 单模态与混合模态场景下均优于基线检索组合