🎨文生图P1 顶会NeurIPS 2026
像素空间扩散用冻结视觉基础模型做 representation grounding，解耦表示与像素生成，ImageNet 256/512 上取得低 FID。
- representation grounding 在去噪全程提供 per-patch 显式表示引导
- 端到端像素扩散，无需自编码器或 latent 重建瓶颈
- ImageNet-256 与 512 分辨率上报告 FID 1.46 与 1.48（摘要给定训练轮数）
🎧音频P1 顶会INTERSPEECH 2026
构建副语言特征框架与大规模 Audio-QA 数据，训练 ParA-LLM 并在 ParA-Bench 上超越前沿 Audio LLM。
- 定义 22 维副语言特征并构建超 120 万 Audio-QA 对数据集
- 两阶段课程训练 ParA-LLM，支持多属性联合推理
- 发布 ParA-Bench 基准，ParA-LLM 较 GPT-4o-Audio 等 SOTA 提升明显
🦾具身智能P1 顶会CoRL 2026
GLIDE 在难以人类演示的机器人操作任务中自动生成护栏，显著改善遥操作数据采集与策略部署成功率。
- 界定动态稳定与灵巧协调等不可演示场景下的模仿学习问题
- 推断任务失败模式并生成过滤遥操作与策略指令的护栏
- 三任务数据采集成功率由约 0–10% 提升至 70–90%
🖥️GUI AgentP1 顶会EMNLP 2026
针对坐标 digit-token 的位值不对称，提出 PACE 按位加权熵，单次前向即可优于或匹配 K 采样基线。
- 分析 bounding-box 正确性下高位 digit 更关键导致的 place-value asymmetry
- Place-Aware Coordinate Entropy（PACE）按位值加权各 digit 的 Shannon 熵
- 在 ScreenSpot-Pro 与 ScreenSpot-v2 上 AUROC 与 selective accuracy 全面领先或持平
💬LLMP1 顶会EMNLP 2026
针对 LoopLM 迭代不稳定与 hard token，推理时用早期与末轮 logits 对比采样，免训练低开销提升推理任务表现。
- 揭示 LoopLM 存在 loop instability 及与推理错误相关的 hard token
- 提出 LoopCD：对比早期迭代与末轮 refined logits 形成采样分布
- 推理开销可忽略、无需额外训练，在多类推理任务上提升代表 LoopLM
🌍世界模型P1 顶会ECCV 2026
将世界建模表述为神经算子学习，从视觉观测学习统一内在动力学表示，支持零样本推断与少样本对齐真实动态。
- NeuIDO 框架从视觉观测分布学习可泛化的内在动力学映射
- 两阶段训练策略，推动 physics-informed 4D 生成向真正世界模型靠拢
- 零样本从视频推断动力学，并可通过 few-shot 适配复杂真实动态
🎧音频P1 顶会INTERSPEECH 2026
在 UniARC 下系统对比 LALM 的连续特征与离散 token，揭示语义约束与表示保真对理解的关键作用。
- UniARC 框架在语音、音效、音乐上双策略评估两种表示范式
- 指出 tokenization 语义约束对音频理解的关键性
- 发现 backbone 扩规模难以弥补离散表示的信息损失
💬LLMP1 顶会EMNLP 2026
TRACE 为肿瘤学 LLM 构建可更新的树关系医学结构，推理时检索紧凑证据，在多项任务上优于 vanilla RAG 与 GraphRAG。
- 离线结构学习与轻量在线推理分离的可部署框架
- 用 LM-loss 证据组织概念关系并支持零样本证据检索
- 十项肿瘤分类与 MedQuAD 上提升微调与无标签评测
🎧音频P1 顶会INTERSPEECH 2026
发布覆盖 22 种印度语言的 100 小时 ASR 基准，缓解干净音频与 rigid 转写带来的评测偏差。
- Vimarsha 结合现场多样录音与声学困难的 in-the-wild 音频
- lattice of variations 框架支持每条 utterance 多种合法转写
- 评测 10 个 SOTA ASR 揭示真实条件下排名变化与系统性失败模式
🎧音频P1 顶会INTERSPEECH 2026
提出 pinhole loss 微调已训练匿名化模型，降低同源 utterance 可链接性并兼顾可用性。
- 受针孔效应启发，用 pinhole loss 度量同源匿名语音的可链接性
- 对已训练匿名化框架进行微调以进一步抑制残留说话人属性
- 在多框架、伪说话人生成方法与数据集上验证隐私与效用权衡