CoMerge: Conflict-Driven Preference Optimization for Multi-Task Model Merging（在新窗口打开）
将模型合并表述为偏好优化，用 naive 合并缺陷作负样本优化合并系数，MergeBench 上达 0.9968。
- 冲突驱动自监督策略，无需外部标注构造偏好对
- 仅优化轻量张量级合并系数即可缓解参数冲突
- Llama-3.1-8B 上在指令遵循与安全等冲突敏感任务显著改进
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
2026-09-03 周四共 11 篇：生成 0 · 代码生成 0 · 智能体 0 · 世界模型与具身 1 · 理解 5 · 音频 2 · 基础模型 3
- 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 1
- 理解
- VLM 4OCR 1
- 音频
- 音频 2
- 基础模型
- LLM 3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 11 篇
MemeCULT-1K: Benchmarking South Asian Cultural Context and Humor Understanding of Multimodal Models（在新窗口打开）
发布含千条南亚多语 meme 的文化语境基准，评测 13 个 VLM 并分析文化知识缺口。
- MemeCULT-1K 含文化注释与多解释，覆盖孟加拉语、英语、印地语
- meme-only 与 context-aware 两设定下系统评测 13 个流行 VLM
- 细粒度错误分析区分闭源与开源模型在实体、文化、语言学上的失败模式
Scalable Direction-Following TTS via Voice Impression-Guided Pseudo Triplet Construction（在新窗口打开）
用印象可控 TTS 与 LLM 合成伪三元组，实现按文本指令相对参考语音改风格且保说话人与内容。
- 定义 direction-following TTS：相对参考语音按自然语言指令改演绎
- 可扩展伪三元组流水线：可控风格变体 + LLM 生成方向文本
- 伪三元组即可稳定保说话人；与录音数据结合可更好对齐指令
Auditory Illusion Benchmark for Large Audio Language Models（在新窗口打开）
首个 LALM 听觉错觉基准 AIB，覆盖十类音乐/语音/音效错觉并与人类听感对照。
- AIB 涵盖十类代表性听觉错觉并标注知识型先验
- 模型评估与受控人类听音研究配对，直接对比反应
- 揭示 LALM 在低层声学上偏信号忠实，语言/音乐先验时更接近人类但仍不匹配
LookStep: Efficient Vision-Language Navigation with Linguistic Foresight and Event Driven Memory（在新窗口打开）
端到端 VLN 框架用语言刻画未来状态与事件驱动滚动记忆，R2R-CE 未见过验证集成功率 49.7%。
- Language Centric Future State Modeling 为候选动作生成粗粒度进度与未来状态
- Event Driven Rolling Memory 语义角色决定是否写入有界滚动记忆
- VLN-CE 同设定下优于现有方法且内存与数据更省
Dual-Latent Memory Routing for Vision-Language Reasoning（在新窗口打开）
为 MLLM 增加压缩视觉证据与推理轨迹的双 latent 记忆及 Router，长程推理中保持 grounding 与连贯。
- DLMR：视觉记忆 + 推理记忆，Router 动态选择复用量
- 冻结 base MLLM 的三阶段训练，少量可训参数获 benchmark 提升
- 分析显示状态相关路由、记忆分工及长生成解码 token 减少
DocHop: Benchmarking Out-of-domain Multi-hop Reasoning in Information-Dense Documents（在新窗口打开）
构建图表与叙事联合的多跳文档推理基准，揭示 MLLM 与人类约 90% 准确率差距。
- DocHop 要求从叙事解析实体再在多图间聚合证据，共 2074 例六类任务
- 随机逻辑优先生成管道，可控推理深度与视觉密度
- 广泛 MLLM 实验显示最佳约 62.83%，推理增强模型随复杂度退化
Debias-SparseGPT: Bias-Aware Pruning for Large Language Models（在新窗口打开）
在 SparseGPT 剪枝中引入人口统计对比输入的二阶去偏项，多稀疏率下减剪枝放大偏差且保 perplexity。
- 训练后剪枝结合表示去偏的二阶项
- 25%/50%/2:4 结构化稀疏下一致降低相对 SparseGPT 的偏差
- 最严 2:4 下用长上下文丰富校准集可同时改善下游与公平性
Loom: Weaving Diagnostic Strands into Free-Text Consensus via Embedding-Space Reweighting（在新窗口打开）
工业根因分析中，嵌入空间迭代 centroid reweighting 聚合模块化假设，单次 LLM 合成共识，兼顾精度与延迟。
- Loom 生成式共识框架，连接弱监督离散类与 LLM Agent 表达力
- 假设投影到连续嵌入并用迭代 reweighting 消解冲突信号
- OpenRCA 上匹配 SOTA 自主 Agent 部分数据集，每事件单次 LLM 调用显著提速
YesTrack: Referring Multi-Object Tracking via MLLM-based Yes/No Verification（在新窗口打开）
将指代跟踪 reformulate 为 MLLM 判别式 Yes/No 验证，配合时序约束在 Refer-KITTI 上 SOTA。
- 两阶段 RMOT 直接利用 MLLM 视觉-语言对齐，避免文本生成与外部决策模块
- Temporal Confidence Prior 与 Temporal Reference Propagation 提升验证可靠性
- YesTrack-MOT 将判别范式扩展到通用 MOT，小尺寸 Qwen3-VL 仍高效
MARS: What Retrieval Signals Are Hidden in Multimodal Large Language Models for Text-Video Retrieval?（在新窗口打开）
多层多 slot 嵌入框架 MARS 融合解码器隐状态做文本-视频检索，四基准上达 SOTA。
- 多 layer 多 slot 自适应表示，slot 间相似度聚合用于检索
- hard-negative-aware slot specialization 增强混淆样本区分
- 直接相似度检索与 rerank 设定均优于现有方法
没有符合条件的论文。