OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models（在新窗口打开）
用语义关键状态与目标条件过程奖励做 VLA 离线后训练，提升偏离演示轨迹后的恢复与鲁棒性。
- OGPO 将离线演示从逐步动作模仿转为关键状态可达性学习
- 自适应轨迹重标注与目标条件过程奖励，无需额外在线交互
- 在 LIBERO、MetaWorld 及扰动基准上优于标准 SFT
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
2026-10-12 周一共 9 篇：生成 0 · 代码生成 0 · 智能体 1 · 世界模型与具身 2 · 理解 2 · 音频 3 · 基础模型 1
- 生成
- 文生图 0图编辑 0视频生成 03D 生成 0
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 1
- 世界模型与具身
- 世界模型 0具身智能 2
- 理解
- VLM 2OCR 0
- 音频
- 音频 3
- 基础模型
- LLM 1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 9 篇
When Charts Deceive Web Agents: A Paired Benchmark for Misleading Visualization-Grounded Tasks（在新窗口打开）
发布 MisVisAgentBench 与诊断框架，显示误导图表可使 13 个视觉语言 Web Agent 平均成功率下降超 34 个百分点。
- 首个可执行的 clean–misleading 配对 Web Agent 评测基准（280 实例）
- 诊断框架区分误导所致失败与基线任务难度及执行层效应
- 揭示 Agent 多沿误导分支决策，可视化鲁棒性是安全薄弱环节
LAPT-Scale: Scaling Embodied Policies with Latent Action Pre-Training on Human Videos（在新窗口打开）
从大规模 egocentric 人类视频学习连续潜在动作，预训练 VLA 并在真机任务上将成功率从 63.3% 提至 85.0%。
- 提出 LAPT-Scale-LAM，用连续潜在动作解释人类视频帧间变化作为无机器人标签的监督
- LAPT-Scale-Policy 经人类视频预训练、目标机器人 embodiment 对齐与任务后训练形成 VLA 策略
- 融合感知、语义与光流对齐的 transition 级监督，23.3K 小时视频上随数据规模稳定提升
Emo-BPO: Emotion Bidirectional Preference Optimization for Diffusion-based Emotional TTS（在新窗口打开）
从同文本情感对联合学习对齐与对比 score，无需奖励模型即可增强扩散 TTS 情感可控性。
- Emo-BPO 同时建模目标情感与竞争情感模式，适配 CFG 对比轨迹
- 利用重排同文本情感对学习双向偏好，无额外标注
- 可无缝接入现有扩散 TTS 以提升 controllability 与表现力
Shift-Aware Identity-Guided Latent Refinement for Referring Audio--Visual Segmentation（在新窗口打开）
提出 SAIL 框架，缓解 Ref-AVS 中目标移位导致的身份不一致，在两套基准上显著优于现有方法。
- 双 token 策略解耦帧级动态与全局语义锚点，显式建模 target shift
- 移位感知 refinement 模块用域内证据对齐 token 纠正漂移
- 解码器结合连续记忆更新以保持时空一致与身份一致
Host-Aware Web Crawling for LLM Pretraining Data（在新窗口打开）
分析 host 间/内质量差异，主张先抽样再加深高质 host，可较均匀深度多收集高质量页。
- 质量分类器分数约一半方差来自 host 间差异
- host 级中心性对选 host 增益有限，抽样驱动加深策略更省 fetch
- 已知未爬 URL 中仍存大量高质量页且集中于少数 host
Does Financial Speech Need Continual Learning Regularization? A Study of EWC and mini-KFAC on Earnings Call ASR（在新窗口打开）
Whisper 适配 Earnings22 时出现任务互补而非遗忘，需正则时 mini-KFAC 优于对角 EWC。
- 财报电话 ASR 持续更新场景下多种方法同域 held-out 上均改进而非灾难遗忘
- 任务互补时正则反有害，应用前先评估互补性
- 需要正则时 layer-wise mini-KFAC 较对角 EWC 更低 WER、优化更稳
Revisiting Accent Classification with DistilHuBERT: Speaker-Disjoint Evaluation and Cross-Corpus Generalization（在新窗口打开）
文件级评测高估口音分类性能，说话人不相交与跨语料测试更能反映未见说话人泛化。
- 系统比较 file-level 与 speaker-disjoint 及外部数据训练设定
- in-corpus 与外部评测差距大，speaker-disjoint 更贴近部署
- 仅外部数据训练难泛化至 L2-ARCTIC，平衡监督与伪标签在域不匹配下有限
X-AVDD: Cross-Attentive Audio-Visual Dataset Distillation（在新窗口打开）
交叉注意力显式保跨模态语义对应，合成成本约降 8× GPU 小时且在 VGGSound 等上大幅优于 AV 蒸馏基线。
- 解耦跨模态对齐与联合优化，显著降低端到端合成显存与时间
- 在 VGGSound、AVE 等多设定提升 top-1 与跨架构泛化
- 可扩展至 AudioCLIP，用约 5.65% 数据接近全量精度
没有符合条件的论文。