OctWorld: Long-Range World-Consistent Video Generation with Octree-Based 3D Mapping（在新窗口打开）
单图沿用户相机轨迹自回归生成长程空间一致视频，OctMap 以动态稀疏八叉树 TSDF 融合作持久 3D 记忆。
- OctMap 可扩展、空间自适应的八叉树 TSDF 全局 3D 记忆
- 长程宽视角重访场景下的稳定自回归世界生成
- 长程设定与既有基准上优于 prior，优于点缓存与固定 TSDF
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
2026-09-04 周五共 10 篇：生成 2 · 代码生成 0 · 智能体 0 · 世界模型与具身 0 · 理解 5 · 音频 0 · 基础模型 3
- 生成
- 文生图 0图编辑 0视频生成 23D 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 5OCR 0
- 音频
- 音频 0
- 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 10 篇
EraseSAE: Surgical Concept Erasure in Text-to-Video Diffusion Models via Sparse Autoencoders（在新窗口打开）
用分区卷积 SAE 分解 DiT 文生视频时空激活，对比归因定位概念核并按 timestep 掩码精确擦除。
- Partitioned Convolutional SAE 解耦可解释稀疏时空特征
- 成对提示对比归因隔离概念特征核
- 推理阶段时空掩码限制擦除范围，多模型任务上优于 SOTA
Who Speaks for the Pruned? Visual Token Pruning as Coverage Optimization（在新窗口打开）
提出无训练剪枝器 CoverPruner，以表征覆盖最大化替代仅保留高分 token，多 VLM 与高压缩率下平均精度最优。
- 将剪枝表述为查询加权的表征覆盖最大化（RCM）
- 投影空间覆盖与首层注意力探针实现 CoverPruner
- 多架构与压缩率下优于对比方法，激进压缩增益最大
Seeing Before Synthesizing: VLM-Guided Transition Event Discovery for Weakly-Supervised Dense Video Captioning（在新窗口打开）
用 VLM 为事件间隙生成帧级叙述并检测语义过渡，再自适应提供视觉 grounded 的语言指导，在 ActivityNet Captions 与 YouCook2 上取得 SOTA。
- SBS：先在间隙内做视觉叙事与过渡检测，再合成过渡描述，避免 LLM 固定位置无 grounding 的辅助字幕
- 结合语义变化点与 temporal midpoint refine 事件间时间掩码并对齐宽度
- 弱监督密集视频描述与事件定位双任务上达到 state-of-the-art
CoFiE: Coarse-to-Fine Evidence Selection for Efficient Streaming Video Understanding（在新窗口打开）
编码前新颖性帧过滤与 LLM 预填阶段查询相关精炼，在流式视频理解上兼顾精度并显著降低端到端延迟。
- 粗（编码前）与细（预填时）两阶段证据选择解耦
- Novelty-Guided Frame Filtering 与 Query-Specific Evidence Refinement
- StreamingBench/OvO-Bench 上精度 SOTA，最高约 2.54 倍延迟改善
MedQA-MM: Shortcuts Behind Medical Visual Reasoning（在新窗口打开）
揭示医学多模态选择题中文字、选项等非视觉捷径导致的分数级推理虚高，并构建千条缓解捷径子集。
- 定义路线级推理虚高并在六大数据集上做提示与图像审计
- 模态消融与匹配修复量化各类捷径对精度的影响
- 发布 MedQA-MM shortcut-mitigated 子集以支撑路线级证据
Beyond Shallow Alignment: How Post-Training Methods Determine Refusal Circuits And Steering Robustness（在新窗口打开）
对比 SFT、推理增强微调与 ORPO 对三族模型拒绝内部机制的影响，尚无方法同时满足分散拒绝、能力与安全可编辑性。
- 训练方式（非仅数据）重塑拒绝的内部计算方式
- 推理增强微调在三模型上呈现一致的拒绝计算形态
- 架构独立影响内部结构与 refusal steering 可靠性
Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning（在新窗口打开）
FactoSR 用强化学习分别优化平面对应、深度一致与时间可逆，提升 VLM 在多视图与视频空间推理基准表现。
- 将世界一致推理分解为 XY、Z、T 三个可验证子目标
- 统一策略学习框架 FactoSR 优化分解约束
- VSI-Bench 与 All-Angles-Bench 上分别提升 5.9% 与 4.5%
What Else Needs Fixing? Exploring Cost-Effective Test-Time Compute for Revision Propagation in Artifacts Generated Through Conversation（在新窗口打开）
研究对话式产物在局部修订时向依赖部分的传播能力，新基准上评估九种修订与并行采样等测试时策略。
- 提出对话嵌入依赖语境下的修订传播基准
- 评估九种含顺序反思与并行采样的修订方法
- 三并行样本加 LLM/medoid 选择最省算力且精度提升 2.2–9.7%
Speak for Me: Giving LLMs the Situational Awareness to Participate in a Meeting（在新窗口打开）
提出 CAPA 架构，使 LLM 代理在在线会议代出席场景下判断何时发言并生成贡献，AMI 上沉默率由 51.4% 降至 2.5%。
- CAPA：感知更新会议状态、预测对话、控制是否发言及命题、生成风格化表述
- episode 级代出席评测协议，schema 约束 LLM 法官与人工标注 Cohen's κ=0.71
- 消融表明结构化 meeting state 是弥补“该说没说”的关键，单靠拉长上下文无效
没有符合条件的论文。