GS-Codec: A Gaussian-Splatting Bottleneck for Neural Audio Coding（在新窗口打开）
以 1D 高斯基元分解替代 VQ 瓶颈的神经语音编解码器，单 checkpoint 可后验控码率。
- 将 Gaussian splatting 适配为一维 latent 的参数化分解瓶颈
- 用 GS Predictor Net 避免推理时内层迭代优化
- 在可比码率下匹配或优于 EnCodec、DAC 等多项语音质量指标
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
2026-10-06 周二共 19 篇：生成 3 · 代码生成 0 · 智能体 0 · 世界模型与具身 4 · 理解 3 · 音频 4 · 基础模型 5
- 生成
- 文生图 0图编辑 1视频生成 03D 生成 2
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 1具身智能 3
- 理解
- VLM 3OCR 0
- 音频
- 音频 4
- 基础模型
- LLM 5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 19 篇
Scalable Minimal-Change Learning for Controllable Image Editing（在新窗口打开）
用 VLM 奖励模型 RL 优化指令编辑，惩罚未实现改动与无关改动，提升 EditScore 并减少离目标像素变化。
- 将最小改动原则作为 RL 目标，代理 VLM 审计两类编辑失败
- 组级 rubric 合并验证问题，无需逐指令人工标注即可一致奖励
- 在 FLUX.1 Kontext-dev 上 EditScore 由 5.21 提至 5.88，离目标像素变化相对降 8.4%
Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLA（在新窗口打开）
用动作重预测离散度作不确定性信号，自适应触发双系统 VLA 的通才推理以省算力。
- 提出 TUD 框架按预测不确定性跳过不必要的通才调用
- 在 VLA-Arena 上以相同调用预算取得更高成功率
- 真机实验在更高成功率下相对固定间隔基线大幅减少通才调用
EpicWorldModel: Exploration-driven Planning with Latent World Models（在新窗口打开）
为部分可观测不确定性训练随机 JEPA 式世界模型，用 flow 匹配多未来预测与方差引导 CEM 规划平衡到达与探索。
- 联合训练预测器与 latent 空间，在目标相关历史缺失时用 flow-matching 预测多未来
- 将 flow 预测方差作为探索信号纳入 CEM 规划
- latent 规划实验中较 LeWorldModel 等最高约 22% 成功率提升
LongSocialBench: Do Long-Context LLMs Understand Online Discussion Threads?（在新窗口打开）
提出结构感知的长帖社交推理基准，显示现有长上下文模型仍远逊于人类。
- 发布含完整回复树与四选一题的 LongSocialBench 基准
- 验证题目可答性、选项唯一性与证据 grounding
- 表明瓶颈在结构化回复树上的社交理解而非单纯上下文长度
When and What to Prune? Stage-Aware Visual Token Pruning for Efficient VLA（在新窗口打开）
提出免训练 SAPrune，按动作—视觉注意力稳定后再剪枝，大幅减 token 并加速 VLA 推理且保持成功率。
- 用校准集观察层间动作—视觉注意力，再选剪枝层而非固定 schedule
- 双路径规则保护高注意力 token 与周围有用上下文
- 在 LIBERO、SIMPLER 及真机任务上剪约 87.5% 视觉 token、最高约 1.718× 加速
BrainTRACE: Tracing Longitudinal, Multimodal, and Volumetric Evidence in Brain MRI Clinical Reasoning（在新窗口打开）
发布脑 MRI 纵向解读的 report-grounded VLM 基准，分层评估证据链，现模型难做 grounded 纵向综合。
- 7273 条 VQA、1778 例纵向患者与约 29k 配准 3D MRI 序列的 BrainTRACE 基准
- 五级临床推理与纵向、多序列、体素空间等证据需求组织评测
- 支持标准 VLM 渲染输入、3D 证据条件与六步证据链审计轨道
NAMVIS: Next-Scale Autoregressive Multi-View Image Synthesis（在新窗口打开）
无扩散的几何条件 next-scale 自回归框架，稀疏视角新视角合成更快且指标更优。
- 将多视角合成表述为几何条件的 coarse-to-fine 自回归
- 提出 Multi-scale Projective Pose Encoding 注入相机几何
- 相对扩散基线推理加速超 3 倍并在多数据集上提升重建指标
Quantifying the Stability of Multi-Step Reasoning via Error Amplification（在新窗口打开）
用跨步输入雅可比谱范数乘积刻画推理误差放大，并给出压缩 CoT 与量化感知训练以控稳定性的算法。
- 给出由雅可比谱范数乘积约束的推理误差界，作为稳定性度量
- 在简单函数预测 transformer 上证明稳定性度量可衰减、长步近零损失
- 七项评测平均较基线约 +3.5%，长输入约 +8.2%，稳定性度量降 3–8×
Rethinking Long-Video Efficiency: A Joint Allocation Perspective on Frames, Pixels, and Front-End Latency（在新窗口打开）
提出训练无关框架 LoHi，在同等 token 预算下提升长视频 VLM 精度并降低解码延迟。
- 实证揭示低分辨率密采样、高分辨率选帧与前端解码耗时规律
- 提出 LoHi 融合密采样低清视频流与稀疏高清图像帧
- 在多个长视频基准上相对基线与既有高效方法显著提升准确率
ROT: Rotating Hidden States towards Contextual Vectors for Hallucination Mitigation in LVLMs（在新窗口打开）
免训练 ROT 在中间层检测语义偏离，保范数旋转隐状态回多模态上下文平面并平滑后续表示以减物体幻觉。
- 发现幻觉 token 在中间层对文本与视觉上下文相似度异常偏低
- 层特异旋转校准隐状态，后续层引入表示平滑稳定轨迹
- 多基准多架构上 consistently 降低幻觉，几何驱动且高效
CreativeFlow: A One-to-Many Analogical Relation Transfer Method for 3D Asset Generation（在新窗口打开）
类比发散式生成框架缓解 text-to-3D 同质化，专家评估显示创意性与视觉吸引力提升。
- 显式建模类比发散思维以生成关系相似但几何多样的资产对
- 构建支持关系感知 3D 训练的数据与基准基础
- 专家评估证实创意新颖性与视觉 fascination 显著提升
MLLMs Fail to Refuse when Using Tools Agentically（在新窗口打开）
发现具身调用工具的 MLLM 在安全基准上拒答能力显著下降，并分析可能原因。
- 揭示 agentic 工具使用范式下 MLLM 更难拒绝有害请求
- 在多项安全基准上对比工具与非工具设定并量化拒答失败增幅
- 基于超十万条回复提出两类可能的安全退化原因
Task-Aware Joint Pruning and Distillation for Efficient Audio Deepfake Detection（在新窗口打开）
提出任务感知联合剪枝与蒸馏，在大幅压缩 SSL 检测器的同时保持近基线检测性能，便于端侧部署。
- 结合跨域蒸馏与 movement 引导结构化剪枝，保留伪造判别关键结构
- 在多种数据集上相对未压缩基线平均性能仅降约 1.30%
- 参数量约 31.9M、FLOPs 约降 6.3 倍，面向资源受限设备
Behavior-Preserving KV Cache Compression（在新窗口打开）
无训练 KV 压缩以 KL 对齐全缓存下一 token 分布选 eviction，同预算下优于注意力启发式。
- 以保留全缓存预测行为为准则，替代注意力质量等代理信号
- 用 pre-eviction 前向统计估计压缩 logits，避免逐候选 masked forward
- prefill 与生成阶段、多架构下激进压缩时下游质量增益最大
Tracing a Sparse Emotion-Control Circuit in LLM-Based Text-to-Speech（在新窗口打开）
用激活 patching 在 LLM-TTS 中定位稀疏情绪控制电路并关联到 pitch 等声学变化。
- 提出 codec 轨迹与 late residual 方向两类情绪敏感指标
- 识别约 5% 组件可恢复或抑制大部分情绪 readout 偏移
- 证明内部 readout 单独不足以解释解码后的声学变化
RMMBench: A Comprehensive Benchmark for Robotic Mobile Manipulation（在新窗口打开）
提出统一导航—操作评测基准，覆盖 70 类长程与复合任务，揭示领先 VLM 在空间定位与长程交互上的短板。
- 融合高低层具身任务，构建连续空间中的语言指令长程任务套件
- 70 个典型场景，从局部操作到复合导航—操作
- 系统评估 VLM 在移动操作中的空间定位与长程感知需求
Revisiting Label-Free Speaker Embedding Enhancement with vMF Profile Likelihood（在新窗口打开）
单位超球面上用 vMF 与 profile 浓度参数做无标签嵌入增强，难 mismatch 集上更稳、 formulation 更简单。
- 干净目标用 vMF 似然建模并 profile 样本浓度，得带自适应加权的闭式目标
- VoxCeleb1、VoxSRC23、CN-Celeb 等上 largely 保持 baseline，难 mismatch 集增益更清晰
- 单视图设定下较 diffusion baseline 更稳定，说明不必高度结构化建模
Data-Driven Personas for Survey Simulation: Insights into Simulation Alignment Across Data-Access Regimes（在新窗口打开）
用公开行为数据诱导 demographic persona 模拟问卷回答，分析数据源域、规模与粒度对对齐的影响。
- 研究群体级调查模拟，persona 来自异构匿名公开行为数据
- 域外 persona 常难优于仅基本人口统计条件，人口不匹配是主因
- 目标域调查数据诱导的 persona 随问题历史增多泛化更好
没有符合条件的论文。