🌍世界模型P1 顶会NeurIPS 2026
用自监督动力学训练的 cross-attention 决定重建区域，双流解码在保留动态表征的同时抑制任务无关内容。
- cross-attention 在自监督动力学上学习何处施加重建监督
- 双流解码与 stop-gradient 隔离重建与表征目标，避免非预测信息污染 latent
- DeepMind Control 动态视频背景下在多种干扰设定下优于重建式与无重建基线
💬LLMP1 顶会NeurIPS 2026
面向大规模工具库的 RL 框架，通过多轮搜索与细粒度 credit 分配优化可兼容的工具选择与组合。
- 将大规模工具选择明确为 agentic RL 新挑战
- 类别约束工具判别、事件级搜索建模与轨迹对齐 credit 分配
- 大规模工具选择 benchmark 上 consistently 优于强基线
🎨文生图P1 顶会NeurIPS 2026
将全景场景程序作为与图像联合去噪的一等潜变量，提升计数、属性绑定与角色敏感关系等组合提示表现。
- PSP-DiT 双流 Transformer 联合去噪图像与场景程序潜变量
- 全景 grounding 与循环一致目标绑定实例、属性、关系与计数
- 在 GenEval 2、SANEval-Simple 等上优于强扁平文本基线且质量开销可控
💬LLMP1 顶会NeurIPS 2026
EoupCT 用可学习 soft prompt 生成易遗忘伪数据估计预训练梯度，并与新任务更新正交以缓解灾难性遗忘。
- 在无法获得原始预训练数据与梯度时估计预训练梯度
- Gumbel-Softmax soft prompt 动态生成对新任务最易遗忘的伪数据
- 一阶高效 Pareto 优化器联合优化 LLM 参数与 soft prompt 并 enforce 梯度正交
💬LLMP1 顶会NeurIPS 2026
将安全对齐视为塑造去噪能量 barrier，并给出三种互补、免训练的 jailbreak 检测信号。
- 统一解释越狱策略：初始化掩盖安全倾向或中途强制 denoising 路径跨越 energy barrier
- 提出 step-0 ratio 与两种 trajectory-velocity 动能信号，互补覆盖监测 blind spots
- 在多种 dense 与 MoE dLLM 上验证互补性；逃过检测的配置亦未产出有害内容
👁️VLMP1 顶会NeurIPS 2026
提出开放词汇域忘却协议与 Fisher 掩码加 TMS 的参数编辑，实现类无关视觉域擦除并保留零样本能力。
- 形式化 OVDU，要求域忘却须迁移到 held-out 类别而非闭集类别过拟合
- Fisher Information 掩码隔离域敏感权重以保护零样本泛化
- TMS 目标通过偏好挖掘局部打散忘却域风格几何，4-shot 超基线 8-shot 峰值
💬LLMP1 顶会NeurIPS 2026
揭示基于采样一致性的幻觉检测在 Ghost 与 Flickering 两类错误上存在持续、模型依赖的可检测性不对称。
- 按答案一致性划分 regime 并分析聚合指标掩盖的 detectability gap
- 冻结 regime 后词法与语义响应离散度仍保持不对称
- 不同模型 hard regime 占比与 prompt 间 regime 切换差异显著，倡导 regime 条件化评估
👁️VLMP1 顶会NeurIPS 2026
LIFT 从 base LLM 提取 Reasoning Vector 注入 VLM 语言侧激活，冻结 backbone 部分恢复退化推理。
- 将 Reasoner 与 Solver 路径的 answer-token hidden-state 差定义为 Reasoning Vectors
- 轻量向量干预把 base LLM 推理能力迁移到 VLM，支持可学习向量适配
- 两个 VLM、六个推理 benchmark 上 LLM 源向量 consistently 优于 VLM 源向量
👁️VLMP1 顶会NeurIPS 2026
系统分析 AVLLM 的三模态绑定机制，并用 ASD 视觉提示无训练提升多说话人对话视频推理。
- 揭示 AVLLM 利用模态符号变量实现听觉 utterance 与视觉实体绑定的机制
- 指出三模态绑定失败主要源于视听觉连接错位
- ASD 框叠加的训练_free 提示在四类对话基准及通用 AV 基准上带来增益
👁️VLMP1 顶会NeurIPS 2026
四层层次基准统一评估 VLM 自动驾驶的感知 grounding、上下文记忆、心理推理与闭环执行。
- 四等级能力层次与整合多数据集的开环 7.6 万 QA 及 100 场景闭环仿真
- 15 个 VLM 实验显示结构化非冗余能力差异及开环与闭环关联
- 为 VLM 自动驾驶诊断与基准引导优化提供统一框架
💬LLMP1 顶会NeurIPS 2026
Structured Thinking 两阶段先输出 schema 约束的 CPDAG 摘要再作答，提升 Corr2Cause 上因果判断表现。
- 将 Corr2Cause framing 为 latent-object reasoning，标签由 CPDAG 查询定义
- 两 turn pipeline 外化 typed、schema-constrained CPDAG summary 再基于图状态回答
- 打乱 emitted CPDAG 显著损害 F1，支持外化 latent 对象的设计原则
🦾具身智能P1 顶会NeurIPS 2026
用高分辨率卫星图构建 11.8 万条城市级无人机 VLN episode，并展示卫星训练可迁移真实 UAV 观测。
- SatNav 可扩展基准：59 场景 18 城，平均轨迹约 379 m 及 Boundary/Landmark/Route 任务族
- SwiftVLN 模块化可切换记忆框架与记忆设计系统消融
- 卫星到 UAV 迁移实验验证基准实用相关性
🧊3D 生成P1 顶会NeurIPS 2026
提出 articulation-aware 框架，用 SAM 与 TAC 从语音合成拓扑一致的 3D 面部可见 articulation 运动。
- 提出 Speech–Articulatory Memory，在音系语境下检索解码 spreading/opening/protrusion 三类运动
- Topology-aware Articulatory Composition 在网格拓扑下集成 directional 运动生成表面一致 3D 面部运动
- 在 VOCASET 与 TFHP 上重建指标达 SOTA，改善唇部 articulation 距离与速度误差
🎨文生图P1 顶会NeurIPS 2026
部署期仅凭单张生成图判断是否与登记生成器一致，训练时放大 generator artifact 以检测静默换模。
- 研究 opaque API 部署场景下的生成器完整性审计并提出 FARE
- 基于生成器 forensic artifact，用 hard sample 收紧 acceptance region 提高敏感度
- 在多种 generator swap 与所评估攻击设定下优于现有基线