VINCIE-NExT: Unlocking Video Editing from Images via In-Context Modeling（在新窗口打开）
用图像编辑 in-context 示范与 Video→Image→Image→Video 链，在无大规模视频编辑配对数据下实现视频编辑。
- 将视频编辑分解为可组合子任务链，经图像域路由意图并统一扩散目标联合训练
- 共享空间坐标的新位置编码，像素级传播外观编辑到各帧
- Chain-of-Editing 测试时按子任务链渐进扩散以换算力提升质量
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
2026-10-09 周五共 13 篇：生成 4 · 代码生成 0 · 智能体 0 · 世界模型与具身 3 · 理解 1 · 音频 2 · 基础模型 3
- 生成
- 文生图 1图编辑 1视频生成 13D 生成 1
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 0
- 世界模型与具身
- 世界模型 0具身智能 3
- 理解
- VLM 1OCR 0
- 音频
- 音频 2
- 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 13 篇
PLaW-VLA: Predictive Latent World Modeling for Vision-Language-Action Policies（在新窗口打开）
在预测导向潜空间建模任务相关未来状态，以结构化因果注意力条件化 VLA 动作，提升长程控制与泛化。
- 在预训练预测表征空间建模任务相关未来，减轻无关视觉重建负担
- Mixture-of-Transformers 上用观测、语义与预测未来状态做因果注意力条件化动作
- 轻量潜变量世界模型并行预测未来，推理延迟约为同类生成式方法的 1/19
REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA Models（在新窗口打开）
REACT 用持久 action buffer 与交错 flow 时间步滚动去噪，提升 flow-VLA 反应性并保持长程平滑与上下文。
- 滚动去噪框架：每步用最新观测去噪全 horizon，执行最干净块并前移部分 refine 块
- 双解耦分离 sensing、VLM 编码、DiT 去噪与执行以支持高频观测与动作流
- 在 RoboTwin 2.0 与真实双臂/动态任务上提高成功率并降低反应延迟
DivMoE: Fine-Grained MoE Upcycling via Cross-Domain Expert Composition（在新窗口打开）
解决细粒度 MoE 从单源 dense 升级时路由坍缩问题，DivMoE 用域特化初始化与多样性约束路由提升多基准精度。
- 揭示单源细粒度 upcycling 导致路由坍缩、精度接近随机的结构性问题
- 提出域自适应 continual pre-training 初始化专家与硬约束跨域路由的 DivMoE
- 在两基座与 15 基准上优于六种 upcycling 基线，12B 模型达 64.5% 平均精度
Enabling Preference-driven Unlearning in Few-step Distilled Text-to-Image Diffusion Models（在新窗口打开）
针对少步蒸馏文生图模型提出与少步生成对齐的偏好优化遗忘框架，直接移除概念并保留非目标能力。
- 指出多步去噪假设在 FSD 模型上导致传统数据驱动遗忘失效
- 提出与少步生成动力学对齐的修改版偏好优化 formulation
- 在身份与 NSFW 等任务上验证有效遗忘与能力保留，并扩展物体级遗忘
VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation（在新窗口打开）
解耦相机集合表征与动作学习，任意位姿多视角映射为固定 scene token，部署时注入预训练 VLA。
- 统一 scene-token 接口将可变数量位姿 RGB 视图映射为定长潜 token
- 多信号目标视角预测与 WAPS 利用腕部相机运动增 pose 多样性
- 无需显式 3D 感知或新视角渲染，跨相机数量与未见 pose 仍稳健
From Retrieval to Reconstruction: Constructing Evolvable Cognitive Memory for Long-Term Dialogue（在新窗口打开）
提出 CogMem 认知记忆架构，用 PEC²F 图与确定性图算子重构上下文，提升长期对话多跳与时序任务表现。
- 设计 PEC²F 图模式，Claim 节点保留主观陈述溯源并区分信念与事实/事件
- 增量构图、 consolidation 与时间 scoped Claim 调和冲突更新
- 基于 LLM 意图的规则控制器组合锚定、遍历、交集与证据 grounding 算子检索
Is the Future Predictable? Modeling Future Predictability for Reliable Temporal Reasoning（在新窗口打开）
提出 ChronoRegime 与 CTR，据时序动态估计未来可预测性，仅在证据支持时承诺未来答案。
- ChronoRegime 要求判断历史证据是否足以承诺未来答案
- CTR 从时序动态估计可预测性并调节是否给出确定回答
- 多 LLM 上 strict overall accuracy 提升 6.7 pp、幻觉率平均降 18.4 pp
Cross-Lingual Speaker Verification with Self-Supervised Pre-Trained Models（在新窗口打开）
用大规模自监督音频 PTM 作前端特征，训练下游嵌入网络以解耦说话人与语种，在 TidyVoice2026 上取得较低 EER。
- 利用 PTM 从多样音频中学习语种无关的说话人表示
- PTM 特征训练下游嵌入网络，分离身份与语种声学线索
- 在语言不匹配基准 tv26_eval-A/U 上报告 2.21% 与 2.99% EER
Beyond Spatio-Temporal Priors: A Generalizable Approach for Dense Correspondence Matching（在新窗口打开）
FreeMatching 融合生成与语义基础表征及异构监督，在图编辑等身份保持变换下建立可泛化稠密对应。
- 打破平滑运动与刚体几何等时空先验，面向 IEG 中身份保持对应
- 统一框架结合生成/语义表征与经典、跟踪视频、合成场景监督
- Teacher 引导迭代 refinement，并可作为身份保持评测指标
Pose-Free Feed-Forward 3D Inpainting via Learnable Mask Attention and Support Token Refinement（在新窗口打开）
FreeInpaint 在无位姿多视角带 mask 输入上前向补全 3D 一致场景，含可学习 Mask Attention 与 Support Token refinement。
- 扩展 3D 基础模型，在无预估计位姿下联合补全与几何/位姿恢复
- Learnable Mask Attention 稳定跨视角对应与 mask 区域上下文吸收
- Support Token Refinement 注入扩散生成证据 refine 严重遮挡区域
OmniCapBench: A Deep-Structured Evaluation Framework for Fine-Grained Audio-Visual Captioning（在新窗口打开）
将音视频 caption 评测拆为实体、镜头与音频事件等可验证原子单元，诊断 MLLM 感知与长程推理短板。
- 预测目标从自由文本改为三类 track 的原子可验证评测单元
- 786 条密集标注视频，结合确定性约束与局部 LLM 语义比对打分
- 揭示前沿 MLLM 局部感知强但长程身份漂移与跨模态错配弱
EgoVoice: Proactive Spoken Assistance from Egocentric Multimodal Streams（在新窗口打开）
构建 HoloAssist 衍生训练数据，微调 omni-modal LLM 并 DPO，学习何时开口与说什么主动语音指导。
- 定义并数据化 egocentric 连续流上主动干预（静默 vs 语音指导）任务
- 从 HoloAssist 分离/重合成音频并格式化会话用于训练与评测
- 相较零样本 backbone 改善干预时机、内容相关性与人类偏好
没有符合条件的论文。