🎧音频P1 顶会NeurIPS 2026
两阶段分离式框架在噪声混响等场景下编辑语音/歌声，并发布 AnyEditBench。
- 指令自回归编辑干净韵律内容 token，flow-matching 按源声学上下文渲染环境
- 噪声鲁棒韵律 tokenizer 与未修改区域感知监督
- 中英文语音与歌声上内容、主观质量与背景一致性优于强基线
📐3D2CodeP1 顶会ICML 2026
HiCAD 数据集与两阶段框架，将草图与文本等多模态意图映射为可执行参数化 CAD 代码。
- 构建对齐草图、文本与参数化 CAD 代码的大规模 HiCAD 数据集
- 协同多任务对齐弥合异构输入表示，空间感知 RL 保证几何拓扑一致
- 多任务上显著优于现有基线
🎨文生图P1 顶会NeurIPS 2026
揭示 masked 文生图解码中的 visual exploration trap，用语义锚定采样与全局熵过渡锚定改进 GRPO 对齐。
- 分析 MGM 置信度采样导致主体探索坍缩的 visual exploration trap
- 语义锚定路由采样与全局熵过渡锚定集中关键解码步梯度
- 多文生图基准上 GenEval 与 HPS 相对基座模型大幅提升
🦾具身智能P1 顶会CoRL 2026
全尺寸双足人形超 7 m/s 冲刺与高速大倾角过弯，因果 MHA 与技能条件 MAMP 解决高频振荡。
- 因果多头注意力建模高频本体反馈，突破 flat-MLP 速度上限
- 航向方向奖励替代偏航率跟踪，保留步态振荡下高速转向
- 技能条件多对抗 motion prior，避免单判别器导致低速技能失真
🎨文生图P1 顶会NeurIPS 2026
首个原生千兆像素病理全切片连贯生成，含病理报告文生图与自适应调度加速。
- 全切片级 flow-matching 生成，推理可达 32768×32768 像素
- 自适应调度优先重要区域，生成加速 3 倍以上且质量损失小
- 独立模型实现病理文本报告到 8k 分辨率密集条件网格的文生图
🦾具身智能P1 顶会CoRL 2026
提出 AIDA 数据采集与 AIDA-OWMM 智能体，用主动视觉示范训练开放世界移动抓取放置。
- 教师经 agent 技能接口直接选动作，采集含主动视觉的移动操作示范
- 模板化空间推理监督与统一训练推理 harness
- 170 条 held-out OWMM 全任务成功率 71.76%，真机零样本约 38%
🦾具身智能P1 顶会CoRL 2026
冻结仿真名义策略，仅微调轻量调制模块，在有限样本下恢复穿鞋后形态变化时的 locomotion 性能。
- 提出 SHOES：名义策略冻结，仅训练 identity 初始化的调制模块
- 引入 SafeBox 工作空间约束的在线适配路点采样
- 仿真与 Unitree Go2 真机穿鞋实验验证优于多种 adapter/RL 基线
🦾具身智能P1 顶会CoRL 2026
FreeBar 免训练插件，用屏障函数约束连续 action chunk 对齐，提升异步 VLA 实时执行成功率。
- 将 flow-based VLA 的 chunk 对齐表述为 action 空间屏障约束，闭式修正
- 相对朴素异步执行成功率平均提升 10%–15%，动态场景增益更大
- 通用插件：较 RTC 单 chunk 延迟降 45%+，跨骨干与延迟环境鲁棒
💬LLMP1 顶会NeurIPS 2026
SpecForge 用多前沿树搜索迭代精炼行为规格，缓解实体间输出耦合，提升冻结 LM 编码智能体。
- 形式化基于执行测试与规格精炼的递归自改进闭环
- Pareto 状态选择、依赖约束实体选择与错误多样化扩展应对 output coupling
- DevEval+ 上五类骨干最优，Claude-4.5-Sonnet 求解率 94.9%
🌍世界模型P1 顶会CoRL 2026
用 chunk 世界模型作可微评估器优化策略，单前向 H 步 rollout，避免 BPTT 不稳定。
- chunk 世界模型与 actor 协同，训练期无需循环调用动力学模型
- 直接优化 value expansion，缓解复合误差与高推理延迟
- HumanoidBench 19 任务验证，四足双足行走实机部署
💬LLMP1 顶会ICML 2026
LASE 仅在非中性 regime 启用 leader-supporter 结构化辩论，接近单智能体 token 获多智能体表现。
- 论证辩论需在合适时机与结构下才有效，对称辩论期望中性
- 非对称 leader-supporter 架构定向信息流与选择性信号放大
- 多推理基准上效率显著优于静态辩论与投票基线
🎧音频P1 顶会INTERSPEECH 2026
用 LLM 注入热词偏置，配合 MoE adaptor 与语言预测头，降低语码转换语音识别混合错误率。
- 首次将 LLM 引导热词偏置用于 code-switching ASR
- MoE adaptor 与辅助语言预测头增强多语表征区分
- ASRU2019 上相对 MER 显著下降并发布热词列表
🎧音频P1 顶会INTERSPEECH 2026
用 Schrödinger Bridge 在冻结异构编解码器 latent 间翻译，极低码率宽频重建。
- 解耦共训练编解码对，跨 codec 最优传输映射无需固定噪声先验
- Mamba 增强 U-Net 建模长程语音时序
- 8 kHz 编码至 48 kHz 解码、1 kbps 极端场景验证感知质量
🧩统一多模态P1 顶会NeurIPS 2026
在 MoE 架构上系统推导文本、视觉、音频预训练混合比例与算力最优规律。
- 268 组 457M–8.3B 实验，给出三模态数据混合的可操作 scaling 结论
- 揭示各模态算力最优不同：音频偏扩参，文本与视觉需参数与数据平衡
- 量化跨模态干扰不对称：视觉强干扰音频，音频对文本/视觉干扰可忽略
🦾具身智能P1 顶会CoRL 2026
双分支生成框架从混合触觉图像同时解耦 shading 与 marker，并构建真实配对数据集。
- DeTac 全图合成双分支框架，交叉分支协同互监督，摆脱 mask 依赖
- 自研硬件构建严格对齐的真实世界配对触觉数据集
- 解耦精度达 SOTA，利于表面重建与力估计并具跨传感器泛化
💬LLMP1 顶会NeurIPS 2026
全层 CKA 相似图+谱社区发现融合冗余层，2× 压缩在多数模型上优于 ShortGPT 等。
- 证伪冗余仅相邻假设：非相邻高相似层对数为相邻的 3.6–15.9 倍
- FCM 每社区保留最高 Block-Influence 层并 LoRA 恢复
- 2× Qwen2.5-7B 参数量减 46%、解码吞吐升 84%，多基准零样本与生成质量保持
💬LLMP1 顶会EMNLP 2026
用可移植 Skill（自然语言指令+轻量工具+导航索引层）替代复杂 RAG 栈生成客服解决流程。
- 部署案例：1–2 人日可搭建，跨 Agent 框架可移植
- 流程等价性 99.2%、证据充分性 83.3%，维护以改文本与数据为主
- 明确范围：成熟语料、可容忍延迟、人工复核场景，无延迟优势声称
👁️VLMP1 顶会NeurIPS 2026
Dual-Agent 用 VLM 验证跟踪是否仍跟对目标，失败时用校正智能体恢复后再传播。
- 失败感知框架在传播之外显式验证与恢复跟踪身份
- 基于 SAM3 真实失败与身份切换、干扰物扰动训练校正智能体
- LVOS-v2、SecVOS 提升 SAM3 的 J&F，并可迁移至 SAM2.1 等
🎧音频P1 顶会NeurIPS 2026
AAFI 动态选潜维、Mel-BAP 正则 mel 域，Whisper-small 上多基准平均 EER 1.51%。
- AAFI 模块用压缩池与随机探索适配异构伪造特征密度
- Mel-BAP 在 mel 谱域定向正则以学习不变决策边界
- 参数量远小于部分 SOTA 的同时平均 EER 更优，跨语种与失真鲁棒
🎧音频P1 顶会INTERSPEECH 2026
分析 SSL-ASR 中间层编码说话人身份，特征级遗忘在 VCTK 上去除特定说话人且保转写。
- 逐层分析揭示说话人身份主要在中层 encoder 表示
- 针对身份结构的特征级 unlearning 策略
- VCTK 上移除指定说话人影响同时保持转写性能