GeomVLA: Unifying Scene, Motion, and Action in 3D（在新窗口打开）
在共享机器人三维坐标系中统一感知、场景运动 latent 预测与动作生成的 VLA，多基准 SOTA 或具竞争力。
- 将 VLM 特征提升到几何一致的机器人中心三维 scene tokens
- 三维场景轨迹去噪器与几何感知动作去噪器闭环耦合
- 消融表明感知—运动—动作几何一致是主要增益来源
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
2026-09-15 周二共 12 篇：生成 0 · 代码生成 1 · 智能体 1 · 世界模型与具身 5 · 理解 2 · 音频 0 · 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 13D2Code 0
- 智能体
- GUI Agent 1
- 世界模型与具身
- 世界模型 0具身智能 5
- 理解
- VLM 2OCR 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 12 篇
X-WBC: A Cross-Embodiment Foundation Model for Humanoid Whole-Body Control（在新窗口打开）
分离共享人体运动语义与具身执行，跨九种仿真与四台真机联合训练全身控制策略。
- 提出跨具身框架，用人中心指令 token 对齐人体运动、参考轨迹与稀疏 VR 观测
- 因果 Transformer 从多机 rollout 学可复用时序结构，轻量机专属模块映射到各机本体与动作空间
- 联合训练提升跟踪，对齐表示支持多指令源一致控制，策略可超出训练语料仍具竞争力
Compositional SVG Generation via VLM-Driven Hierarchical Semantic Parsing（在新窗口打开）
VLM 代理式自顶向下分解生成可编辑语义层次 SVG，新基准上结构分组与可编辑性优于扁平生成上限。
- 递归语义—几何层次解析与 amodal 遮挡恢复管线
- 发布 Semantic SVG Benchmark 及结构可编辑性指标
- 原生层次结构在分组与编辑性上超越扁平方法上界
Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing（在新窗口打开）
TacV5 自监督触觉编码器加行为克隆策略，无视觉追踪线缆，成功率由 0% 升至 93%。
- 首个系统刻画编码器预训练、控制频率、时序上下文与空间分辨率对触觉策略的影响
- 32×32 压阻传感器 TacV5 自监督预训练 + 轻量 Transformer 行为克隆，60 Hz 部署
- 纯触觉相对本体基线显著改善追踪，并可零样本迁移到未见线缆与走线条件
AGENTQ: Quantization-Conditioned Backdoor Attacks on LLM Agents（在新窗口打开）
首次系统研究量化后 Agent 可执行结构化恶意载荷，AGENTQ 在保效用下量化后攻击成功率可达极高。
- 揭示 Agent 场景下 QCA 比文本生成危害更严重的结构性风险
- 提出层带 LoRA 注入与部分 PGD 修复的 AGENTQ 框架
- 多触发—动作对与多 codebook 上验证需量化感知安全评测
AnchorGUI: Asymmetric Memory for Dual-Scale Learning in GUI Navigation（在新窗口打开）
用认知状态锚点对比预期与观测，非对称记忆支撑试内纠错与跨试蒸馏，AndroidWorld 成功率 57.3%。
- 发现 GUI 导航中预期转移可文本压缩、意外结果需保留截图作因果证据的信息不对称
- 提出 Cognitive State Anchor，将被动多模态轨迹转为显式预测误差信号
- 双尺度非对称记忆：试内滑动窗口保留失配视觉证据，跨试聚焦信用分配搜索失败步
Func-R1: Incentivizing Mathematical Function Reasoning in Multimodal Large Language Models（在新窗口打开）
针对函数任务中模态干扰，用解耦架构与 PATO 后训练强化视觉证据与理论推理，开源 MLLM 中表现领先。
- 揭示数学函数场景下视觉线索被忽视或误读的模态干扰
- 层次化后训练逐步锁定关键视觉证据并深化理论推理
- PATO 策略对齐理论性质并动态校正异质视觉信息
Visible Touch: Rendering Contact for Visuomotor Policies（在新窗口打开）
在与场景同一空间帧中呈现接触信号，无需改架构即可提升 BC 与 VLA 在 LIBERO 及真实接触任务上的表现。
- 提出接触信息与视觉同帧对齐的集成思路
- 开源低成本磁接触传感器及 CAD 制模流程
- LIBERO 与真实任务上显著成功率提升
MoARa: Module-Aware Rank Allocation and Structure-Preserving Decomposition for Low-Rank LLM Pre-training（在新窗口打开）
按模块敏感度分配投影秩并对梯度做块级幅值—方向分解，在多种规模上显著减少达到同等困惑度的步数与时间。
- 静态 profiling 实现模块异质的投影秩预算分配
- 块级 magnitude-direction 分解缓解投影对梯度幅相的联合衰减
- 在 GaLore 等六种低秩预训练设置上一致减少训练步数与墙钟时间
MessyMem: Learning-from-Doing Memory for Mobile Manipulation（在新窗口打开）
持久 3D 场景图融合交互所得属性与结果，移动操作机器人在长时多任务中复用经验。
- 维护空间 grounded 的 3D 场景图，用交互学习属性与结果并链接视觉观测细粒度回忆
- 解决紧凑场景表示缺交互知识、视频难查询、VLM 规划不持久更新机器人所知的问题
- 25 任务连续仿真中任务进度 80.0%，可从数千关键帧与一小时前检索相关证据
Not All Prompts Are Equal: Exploration-Guided Prompt Scaffolding for Multimodal Reinforcement Post-Training（在新窗口打开）
用 EPS 动态筛选提示并由教师改写脚手架化难例，结合 GRPO 在 Geo3K 等基准上稳定优于基线。
- 提出基于 rollout 的 Exploration Potential Score 衡量提示训练效用
- 教师生成保任务意图的脚手架改写而非输出模仿
- 与 GRPO 集成后在域内与 OOD 多模态数学基准上取得相对增益
One Example Is Enough to Pass Fairness Benchmarks: Rethinking Fairness Evaluation for Aligned LLMs（在新窗口打开）
指出 BBQ 等基准过易，单例 GRPO 或 one-shot ICL 即可大幅抬分，呼吁更全面的公平对齐评测。
- 证明单条 BBQ 样例训练或 ICL 可显著接近大规模 RLHF 公平分数
- 交叉条件分析表明增益来自特定推理轨迹模式
- 论证选择题弃权式基准不足以代表真实公平对齐
没有符合条件的论文。