AgentJudgeBench: A Multi-Difficulty Benchmark for Evaluating LLM Judges on Agentic Tool-Calling（在新窗口打开）
首个系统评测 LLM 评判者在工具调用 DAG 工作流上可靠性的基准，揭示难度与天花板。
- 3808例、六种DAG拓扑与三档难度的Agent评判数据集
- 多生成器与多规模评判者在有/无真值下的对齐分析
- 给出结构化rubric等缓解策略与评测实践建议
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
2026-08-28 周五共 14 篇：生成 1 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 5 · 音频 0 · 基础模型 6
- 生成
- 文生图 1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 2
- 理解
- VLM 4OCR 1
- 音频
- 音频 0
- 基础模型
- LLM 6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 14 篇
FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation（在新窗口打开）
为 VLA 引入 Retry/Reset，用扰动演示与 MLLM 分析 OOD 失败并调度复位技能，提升接触丰富任务成功率。
- Retry：扰动与桥接段解耦位姿与环境，支持执行偏差自恢复
- Reset：MLLM 离线分析视频并收集物体中心复位技能库
- 在线 MLLM 仲裁任务执行与 Reset 的集成推理框架
From Reasoning to Pixels: Grounded Medical Multimodal LLMs for VQA and Segmentation（在新窗口打开）
MedREAL 用 SARP 从 [SEG] 隐状态抽推理证据，R2V 注入分割头，文本诊断与证据 mask 一致。
- Seg Anchored Reasoning Pooling 联结 MLLM 推理与像素 grounding
- Reasoning-to-Visual 融合将推理特征注入 mask 解码
- MedRAVS-13K 数据集及 benchmark 上显著优于 SOTA
Double Trouble: Bilingual Pretraining Leaves Language-Conditioned Effects in Shared-Language Representations（在新窗口打开）
在严格对照的310M双语模型上，伴学语言会系统性改变英语概念在隐层中的语义位置。
- 40组架构与数据匹配的双语/仅英语对照预训练实验
- 对齐词表后测英语概念在50维语义对比轴上的位移
- 效应在上下文层强于词嵌入，且在中层最明显
Ancient-Bench: A Comprehensive Multi-millennial, Multi-medium, and Multi-script Benchmark for Ancient Chinese Artifact Text Recognition（在新窗口打开）
发布 2700 张古文物文字识别基准与介质定制标注规范，系统评测显示该任务仍未被现有模型很好解决。
- 多千年、九类介质、七种历史字体的 Ancient-Bench
- 符号、字符与解析三类介质定制标注标准
- 覆盖通用 VLM 与 OCR 专模型的 extensive 实验分析
MedFG-VQA: Low-Frequency Memory and Graph Attention for Lightweight Medical VQA（在新窗口打开）
FMF 与 GACA 增强 DCT 低频与图文对齐，并用 GPT-4o 构建 SynMed-VQA，小模型达 competitive 性能。
- Frequency-Memory Fusion 从可学习记忆库增强低频特征
- Graph-Aware Cross-Attention 做图文对齐与图卷积 refine
- SynMed-VQA 超200万 QA 及多生物医学基准上的高效表现
Fully Unleashing the Multimodal Attacker: Meta-Adaptive Jailbreaking of Vision-Language Models（在新窗口打开）
元级同时优化攻击策略提示与攻击者权重，在 MM-SafetyBench 上显著提升对前沿 VLM 的 jailbreak 成功率。
- MAMJ：攻击策略 prompt 与攻击者权重的元自适应优化
- LLM critique refine ASP，组级 ASR 奖励更新攻击者
- 学习到的攻击者可迁移至未见受害者并在部分防御下仍有效
Do LLMs Understand Personality? Rethinking Persona Fidelity Evaluation through Structured Behavioral Inference（在新窗口打开）
PRISM 将人设保真度评测改为 SFL 三维结构化逆推理，比整体式 LLM 评判更准更稳。
- 提出 PRISM：Task Framing、人际立场与语言风格三维证据聚合
- 基于系统功能语言学的可解释、可审计评测流程
- 实验显示优于传统整体评判与人格量表式静态评测
RubricRM: Generative Reward Modeling via Dynamic Rubrics for Image Generation and Editing（在新窗口打开）
提出按输入生成评价维度与权重的成对奖励模型，在文生图与指令编辑评测上优于现有专用奖励模型。
- 输入相关的动态 rubric 成对生成式奖励框架
- SFT 与 GRPO 两阶段及维度级奖励微调
- 分别训练文生图与图像编辑专用 RubricRM
RoboGesture: Real-Time Semantic-aligned Co-Speech Gestures Generation for Humanoid Interaction（在新窗口打开）
机器人-centric 框架含数据集、层次语义-声学对齐与扩散运动生成，在 Unitree G1 上实现更安全、同步的手势响应。
- RoboGesture 数据集与无碰撞机器人音-动对合成流水线
- 层次语义-声学对齐器与流式条件扩散运动生成
- Anti-Inertia CFG 与 MPC 安全滤波支持实时实体执行
Reason in the Words You Speak: Idiolectal Paraphrasing Off-Policy Traces for Reasoning Distillation in VideoLLMs（在新窗口打开）
Echo-GRPO 将教师离策略轨迹改写为学生 idiolect 再蒸馏，VideoEcho-R1 在多视频基准上稳定提升。
- 指出离策略 trace 导致关键推理 token 梯度裁剪、推理学不到
- Echo-GRPO 与 Dual-Reference Decoding 做语义保持的 idiolect 改写
- VideoEcho-R1 及 RL/SFT 推理蒸馏上的即插即用验证
RegulAR: Graph-Grounded Error Recognition and Assistance for Procedural Tasks in AR（在新窗口打开）
将步骤建模为层次依赖图，结合 MLLM 解读第一视角执行，识别错误类型并给出恢复干预。
- 层次任务依赖图与 MLLM 结合跟踪进度与偏差
- 按错误类型估计对后续步骤影响并分级干预
- HUD 可视化任务状态与用户研究显示结构理解与恢复更好
BALMS: Benchmarking Agentic LLMs for Longitudinal Mental Health Sensing（在新窗口打开）
首个系统基准，评测 LLM 智能体能否基于长期可穿戴信号预测 wellbeing 并给出证据化理由。
- BALMS 覆盖多纵向数据集、预测与理由生成两类任务
- 对比多种 agent 范式与开源闭源 LLM 骨干
- 分析时序 grounding、效率与特征语义性对性能的影响
Weaving Visual Narratives: Agentic Image Bundle Composition Beyond Atomic Visual Matching（在新窗口打开）
提出 Image Bundle Composition 范式与 BundleWeaver，用 LLM 补关系角色、VLM 验整束，优于原子打分检索。
- IBC 范式与 IBCBench 半自动验证基准
- BundleWeaver：查询条件下的增量超边发现 agent 框架
- 揭示嵌入与分解重排范式在关系组合上的盲区
没有符合条件的论文。