🎧音频P1 顶会INTERSPEECH 2026
联合优化流式转换模块与轻量内容编码器，零样本 VC 感知质量更高且推理较 MeanVoiceFlow 约快 9 倍。
- MeanVoiceFlow2 联合优化流转换与高效内容编码器
- 转换蒸馏、扩散-GAN 与教师引导增强以提升真实感与解耦
- 零样本 VC 上质量优于 MeanVoiceFlow 且说话人相似度相当
🦾具身智能P1 顶会CoRL 2026
TacEx 将探索好奇心锚定在触觉通道，无任务奖励发现接触动力学并支持离线策略与 VLA 后训练。
- 跨模态分解模型不确定性，使好奇心聚焦触觉相关转移
- 无奖励与示范的探索阶段学习抓取与操作复杂接触
- 触觉驱动探索数据可离线学 pick-and-place，并高效后训练 VLA
👁️VLMP1 顶会NeurIPS 2026
无训练 CORAL 用对称扰动镜像统计估计虚假物体并控制每图期望误发现率以抑制 LVLM 多物体幻觉。
- 提出 CORAL，结合不确定性感知视觉划分与 mirror statistics 量化解码对比
- 数据驱动阈值控制每张图像期望 false discovery 比例，保留真实 grounding 物体
- 多基准多指标上 consistently 优于 SOTA 且无再训练
💬LLMP1 顶会NeurIPS 2026
揭示自然语言对齐难以迁移至代码域的安全泛化滞后，提出自动化黑盒越狱框架 CodeMimic。
- 识别安全泛化滞后与代码补全盲区导致的对齐失效模式
- CodeMimic 用面向对象代码提示诱导有害补全输出
- 对 8 个商用 LLM 平均约 1.51 次查询达 96.25% 攻击成功率，并做潜空间机制分析
👁️VLMP1 顶会ECCV 2026
无训练框架 IVL 利用 VLM 仍存的描述能力，从少样本构建可解释 trait 字典做远域 OOD 分类。
- 提出 Inductive Visual Logic，从描述能力归纳出分类知识
- 双模式提示提取语义与原始视觉 trait，层次过滤做空间 grounding 分类
- 在多个 distant-OOD 基准上取得较高聚合准确率且预测可追溯到 trait
🌍世界模型P1 顶会NeurIPS 2026
提出回顾式世界建模与自洽奖励，在强化学习中约束动作与状态转移的因果一致，提升 VLM Agent 鲁棒性与泛化。
- 提出回顾式世界建模，估计导致状态转移的动作归因分布
- 设计自洽奖励 SCR，衡量策略动作与回顾解释的概率一致性
- 将 SCR 融入强化学习，在多种 Agent 任务上优于仅前向预测的世界建模
🎬视频生成P1 顶会NeurIPS 2026
发布 387 段真实视频与三轴 13 项指标评测套件，并给出 ViTeX-Edit-14B 参考编辑器。
- ViTeX-Dataset 含文本区域 mask 与编辑指令及配对训练编辑子集
- 从文字正确性、时空质量与编辑局部性三轴建立可复现评测协议
- ViTeX-Edit-14B 在评估的视频原生编辑器中 CharAcc 均值最高
💬LLMP1 顶会NeurIPS 2026
理论分析 beam search 测试时算力需求，提出 CF-Beam 将覆盖依赖从二次降至近线性并给出 regret 界。
- 给出 vanilla beam search 最优响应存活所需样本数的下界
- 提出 confidence-filtered beam search，在固定设定下改善覆盖系数缩放
- 说明相对 Best-of-N 等序列级方法，beam search 在路径覆盖上随 horizon 多项式缩放的优势
🎧音频P1 顶会INTERSPEECH 2026
联合 VC 目标从内容编码器中间层提取并聚合说话人表示，提升流式转换的 F0 与元音声学细节。
- 提出 VOSSA，用 attentive statistics pooling 聚合中间层说话人信息
- 与 VC 联合训练，无需独立 ASV 预训练说话人编码器
- 六数据集上改善 F0 动态与可懂度等感知指标，NISQA-MOS/WER/相似度可比
👁️VLMP1 顶会ECCV 2026
发布最长约 1km 真实视频的空间布局理解基准，发现当前 VLM 多依赖 2D 识别与文本匹配而非路径整合与几何认知。
- 首个从真实视频探测千米级地理布局理解的 VLM 基准
- 按地标锚定、路线连接与全局心理地图分层评估空间认知
- 实验揭示模型与人类空间推理路径的根本差异
🌍世界模型P1 顶会NeurIPS 2026
无训练框架为文本生成的 3D 世界绑定几何声源并渲染随听者运动变化的空间音频。
- 将语义、几何与声学传播显式关联，持久化声源位置并随视点运动适配渲染
- 从全景 3D 代理分层识别发声物体与环境区，合成干声并做几何声学传播
- 在约 80 个生成场景上空间一致性显著优于多种文本/视频/全景基线
💬LLMP1 顶会NeurIPS 2026
将多路径推理形式化为多样性合并问题，用路径相关性解释 SC 饱和并给出 Adaptive-K 选 K。
- 用无线通信多样性合并视角刻画路径正确性相关与有效样本量上限
- GLS 分析支持标准 self-consistency 下均匀多数票为对称最优合并
- Adaptive-K 用四路径 pilot 选 K*，在多个基准保留 MV@32 大部分精度
💬LLMP1 顶会EMNLP 2026
用上下文门控选择性注入 FoNE 数值嵌入，兼顾标识性数字语义与运算精度，提升 LLM 数学推理且保持通用语言表现。
- 提出 ANI 混合框架，按语义上下文选择性注入数值特征
- 保留名义标识类数字的语义，增强定量操作数的算术能力
- 多 LLM 上 MATH 较官方参考模型提升 9.5 分
🎬视频生成P1 顶会NeurIPS 2026
构建带细粒度反应标注的倾听者数据集，提出音频驱动 flow-matching 基线 GLARE 与反应导向评测协议。
- 约 147 小时双人人脸视频与六类 64557 条事件级反应标注数据集
- GLARE 结合 Qwen2-Audio 韵律条件与时间反应损失监督帧级反应
- 提出 R-F1、R-tIoU 等反应导向指标，兼顾视觉保真与反应恰当性
🧾OCRP1 顶会EMNLP 2026
DocSem 共享任务系统 EVICALC 读 PDF 选段、LLM 写算术式本地求值；失败描述性分析指向 OCR 与分块问题。
- 报告 EVICALC 在官方最终测试上的联合准确率及公开验证集上的答案与 evidence 指标
- 保存中间结果便于检查；手工分析示例显示 OCR 与块合并导致误选段落
- 100 文档页图像探索中仅 22 份返回 evidence 标识，动机后续评估
🎧音频P1 顶会INTERSPEECH 2026
以 SVC 合成语音为语料，在相似度与语调识别任务上对比自然声与合成声的表现。
- 在相似度感知与语调识别两类实验中比较自然语音与合成语音
- 相似度任务中语调（疑问）与语音类型存在显著交互，可能作说话人线索且受合成特征影响
- 语调识别任务中语音类型与熟悉度存在显著交互，影响熟悉度对语音加工的作用
🎧音频P1 顶会INTERSPEECH 2026
行为与生理实验表明人声情感识别优于 AI 克隆音，合成语音解码受自上而下社会认知制约。
- 考察人声与 AI 源及说话人熟悉度对普通话情感识别准确性与认知负荷的影响
- 发现 AI 语音准确性与反应时显著差于人声，HRV 条件间无显著差异
- 指出当前 AI 合成在情感韵律感知上的局限与社交认知门控效应