HuRo: Robotizing Human Videos for Scalable VLA Pretraining（在新窗口打开）
提出人类视频机器人化流水线并构建 HuRo 数据集，用于 VLA 预训练以提升真实操作任务表现。
- 系统化验证机器人化人类视频可作为可扩展的机器人对齐监督来源
- 构建约 63 万条 episode、1.42 亿帧的 HuRo 数据集
- 四项真实操作任务上预训练将完成率从 51.5% 提升至 80.3%
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
2026-09-11 周五共 6 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 2 · 理解 0 · 音频 1 · 基础模型 0
- 生成
- 文生图 2图编辑 0视频生成 13D 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 0OCR 0
- 音频
- 音频 1
- 基础模型
- LLM 0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 6 篇
ObstaDiff: Generalizable Diffusion Policy Learning via Obstacle-aware Representations（在新窗口打开）
分解式扩散策略与轻量障碍感知编码器，在真实温室杂乱场景中提升操作成功率并降低碰撞。
- 目标-障碍-背景结构化表示，支持瓶颈位姿与障碍推理的轨迹生成
- 61 次/方法共 366 次真实机器人温室试验评估
- 平均任务成功率 75.41%、障碍碰撞率 8.20%，优于模仿学习基线
From Evaluation to Enhancement: Benchmarking and Improving Think-with-Video Reasoning for Video Generative Models（在新窗口打开）
提出 VWG-Bench 与 Vid-PRE 提示重写器，诊断并提升视频生成模型的规则与目标推理能力。
- VWG-Bench 覆盖 9 维推理与 38 细粒度任务及三级 VLM-as-Judge 协议
- 揭示渲染分高但逻辑/规则约束任务普遍失败的现象
- Vid-PRE 用纯文本 RL 奖励将推理卸载至 VLM，多生成器上提升推理
Automatic Lyric Transcription for Greek Songs: Scaling and Task Composition Effects in Whisper Adaptation（在新窗口打开）
首次系统研究 Whisper 希腊语 ALT，Large-v3 两阶段适配 WER 27.2%，建立希腊 ALT 基准。
- Whisper 适配下模型规模、多任务 transcribe-translate 比例与两阶段语音到歌唱适配
- 基于 GAD 的源分离与 CTC 强制对齐构建段级歌唱数据集
- 建立首个希腊语 ALT 基准并报告 scaling 与 multitask 规律
Prompt Revision as a Source of Cultural Bias in Text-to-Image Systems（在新窗口打开）
WORLDVIEW 多语言基准审计 DALL-E-3 等系统的隐式 prompt 修订层，揭示其为主要刻板印象来源。
- 8960 条 prompt、15 语言 31 语境的 WORLDVIEW 基准与三步修订层分析
- 非西方/非英语语境更易被标记、词汇窄化与刻板化
- 对比无修订层模型，将偏见因果归因于部署中的修订层
Shedding Light: A Benchmark for Evaluating Lighting Understanding in Generative Image Models（在新窗口打开）
通过 inpainting 光探针物体并估计光照参数，量化评估生成模型的光照一致性与光度 realism。
- 提出可扩展协议：在新物体插入真实照片时评测光照理解与 harmonisation
- 利用多光照数据集与 inpainting 对比 ground-truth 光探针
- 从 inpainted 探针估计光照方向、颜色与辐射分布作为定量指标
没有符合条件的论文。