MoDex: Towards Universal Multi-Object Dexterous Grasping（在新窗口打开）
提出数据高效框架 MoDex，以残差修正参考轨迹统一多物体灵巧抓取，未见物体成功率 61.24%。
- 将多物体抓取表述为对参考轨迹残差修正的单步决策
- 近距单次抓取与分离布局顺序交互的空间自适应双策略
- 跨本体泛化，纯仿真视觉策略零样本 sim-to-real
前沿论文
17 大方向 · 三级优先筛选 · 每日更新
最近更新：2026-10-20 18:44
返回聚合视图2026-10-20 周二共 93 篇：生成 10 · 代码生成 0 · 智能体 9 · 世界模型与具身 26 · 理解 17 · 音频 3 · 多语 2 · 基础模型 26
- 生成
- 文生图 3图编辑 0视频生成 63D 生成 1
- 代码生成
- Visual2Code 03D2Code 0
- 智能体
- GUI Agent 4代码 Agent 4工具调用 1
- 世界模型与具身
- 世界模型 8具身智能 18
- 理解
- VLM 16OCR 1
- 音频
- 音频 3
- 多语
- 多语言与翻译 2
- 基础模型
- LLM 26统一多模态 0
本页要点由 AI 根据论文摘要生成，以原文为准。
共 93 篇
From Views to Worlds: Active Exploration over 3D Worlds for Vision-Language Models（在新窗口打开）
提出 V2W，让 VLM 在显式 3D 世界上多轮主动采集空间证据，实现无训练的世界中心空间推理。
- 重建含几何、相机位姿与语言语义的 3D 世界并供 VLM 访问
- 通过视觉与语言接口多轮交互获取跨视角空间证据
- 可训练-free 接入现有 VLM，RL 可进一步优化探索策略
SteadyThought: Mitigating LLM Under-Thinking via Thought-Level Preference Optimization（在新窗口打开）
提出思维级偏好优化框架 ST，在切换点约束单路径延续，降 token 耗且保持推理准确率。
- 将 under-thinking 形式化为切换点处的偏好问题
- 以新续写为 preferred、原响应为 dis-preferred 做思维级 DPO
- 多模型多数据集上 token 消耗最多降 63.8% 且推理仍强
CondenseVLA: Learnable History Condensation for Efficient Multi-Frame VLA（在新窗口打开）
在 VLA 解码端用可学习 slot 压缩多帧视觉历史，提升操作成功率并控制计算开销。
- 提出 decoder 侧可学习历史压缩模块，用 cross-attention 将帧特征蒸馏为固定 slot
- 辅助正则减少 slot 重叠与冗余，鼓励互补注意力
- 在 Simpler-WidowX、LIBERO 与真实任务上验证 selective condensation 有效
From Cause to Effect: Generating Intermediate Event Chains in Videos（在新窗口打开）
提出因果链生成任务与 SODA-Embedding、Causal-QA 指标，GRPO 微调后 VLM 叙事因果理解显著提升。
- 因果链生成（CCG）任务及 SF20K-CC、CMD-CC 测试集
- SODA-Embedding 与 Causal-QA 互补自动评测指标
- 复合奖励 GRPO 微调 VLM，优于强基线
FR-VLA: Implicit Force Reasoning VLA for Contact-Rich Manipulation（在新窗口打开）
在 VLA 内用视觉语言上下文估计力反馈相关性，调制 token 化力通路再生成动作。
- Vision-Language Force-Reasoning 模块用 force query 产生力准入信号
- 力准入随交互阶段变化，非固定注入力测量
- 五类接触丰富真实任务上平均成功率领先，两平台验证
How Data Scales in Agentic Reinforcement Learning: Laws and Synthesis Strategies（在新窗口打开）
分解 task/environment/trajectory 拟合 agentic RL 扩展律，环境轴优先，按 recipe 分配预算较主流 scale trajectory 算力效率约 1.7×。
- 三轴 cardinality 与 reward 密度分解，跨域拟合 per-axis 扩展关系
- 用扩展律为合成方法定价并识别各轴 synthetic-to-real 崩溃临界比
- 约束优化下 Chinchilla 式预算分配并在 held-out 规模验证
Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing（在新窗口打开）
用帧级时序场景变化与决策偏差刻画复杂度，预算条件层路由按场景选激活层，Bench2Drive 上推理算力约减 53.5% 且驾驶与语言能力损失可忽略。
- 提出场景自适应 VLA：结构级动态层路由而非仅序列适配
- scene-aware token 与 specialized queries 驱动 active parameter 比例选择
- 在 SOTA VLA 上端到端优化并显著降低 onboard 推理开销
Meta Inverse Prompting for Video Generative Models（在新窗口打开）
提出 MVIP，用 meta-learning 学习跨时间 meta-prompt，实现高效视频逆提示与更高重建保真。
- 面向视频生成提出实用逆提示框架，兼顾时序与算力
- 将逆提示形式化为 meta-learning，摊销测试时逐视频优化
- 相对图像逆提示与迭代 caption 基线提升重建质量与效率
When Empathy Misses the Goal: A Benchmark for Goal Displacement in LLM Advice（在新窗口打开）
定义 goal displacement 并发布 GDB（230 场景、18 模型人类评分），量化共情话术替代实质帮助及 DPO 等缓解效果。
- GDB 基准与 2×2 taxonomy（硬约束×情绪困扰）及 deletion-test 评分量表
- trap/reverse displacement 与 Chatbot Arena Elo 等系统性测量
- 支持模型对比、后训练评估与回归测试的可复现诊断工具
EmbodiedWorld-200K: Toward Embodied World Agents via Embodied-Planning Dataset and Interactive World Models（在新窗口打开）
发布 20 万级开放世界具身导航规划数据，并用视频世界模型作环境代理做 RL 后训练以泛化分布外场景。
- EmbodiedWorld-200K 含多层次标注与统一评测划分，支持 EWA 离线预训练
- 以视频世界模型为低成本交互代理，对世界模型内 RL 后训练 EWA
- 预训练与 WM 内 RL 后训练均提升开放世界具身规划与 OOD 表现
FrameScout: Scouting Query-Relevant Frames for Long Video Understanding（在新窗口打开）
流式 keyframe selector 与帧-查询对比训练，在三个长视频 benchmark 与六种 VideoLLM 上 consistently SOTA。
- 滑动窗口 KV 与 successor 聚合的流式 selector 生成时序上下文帧嵌入
- 帧-查询对比目标在共享空间对齐并区分相关帧
- 多 benchmark、多 base VideoLLM 上稳定优于现有 selector
Axiomatic World Modeling for Physics Reasoning（在新窗口打开）
定义建模漂移并提出 RLAWM：建模层与求解层物理 grounded reward，训练期惩罚推断公理世界与题设物理世界 divergence。
- 提出 modeling drift：内部公理化世界模型与题设物理世界的偏差
- RLAWM 分层奖励分别监督抽象建模与实例化推导一致性
- PhysReason、PHYSICS 及奥赛级任务上相对 baseline 显著提升并零样本泛化
Probing and Mitigating Hallucinations in Speech-augmented Language Models for Automatic Speech Recognition via Small Language Models（在新窗口打开）
用因果中介与行为分析定位 SLM-ASR 幻觉来源，提出小模型框架 AudioSLM 显著减轻幻觉并优于部分 LLM-ASR。
- 从因果中介与行为角度探测 SLM 在 ASR 中的幻觉机制
- 提出基于小 LM 的 AudioSLM，用对齐与 cross-attention 强化声学建模
- LibriSpeech 上减轻幻觉并优于部分 LLM 基线 ASR
NADS: Navigator-Guided Data Selection for Mitigating Catastrophic Forgetting in Fine-Tuning（在新窗口打开）
先训 navigator 暴露微调配方所致漂移，用其与预训练模型分歧为合成样本打分并做效用-多样性选集蒸馏保通用能力。
- navigator 在无保持正则的目标配方上刻画 recipe-induced capability drift
- 用 navigator 与预训练模型预测分歧做遗忘感知效用评分
- 高效 utility–diversity 约束集 + 新任务微调蒸馏，平衡新任务与通用能力
GeoV2V: Geometry-Grounded Video Diffusion Model for Driving Scene Generation（在新窗口打开）
融合 LiDAR/深度几何先验与全视频条件，沿新轨迹合成时序一致的驾驶视频并发布 Para4D。
- GeoV2V 在 Wan 2.1 上集成几何先验做 video-to-video 新视角合成
- Para4D 提供同步多车道驾驶视频以监督换道变换
- Waymo、nuScenes、Para4D 上视觉质量与几何一致性达 SOTA 水平
Behavioral Probes for Information Flow in LLM Swarms（在新窗口打开）
用 ECS/PKS 行为探针量化 swarm 节点对外部上下文与参数知识的依赖，用于剪枝与推理路径搜索。
- 将 ECS、PKS repurposed 为 swarm 信息流的外部上下文与参数知识依赖度量
- 发现 ECS 随输入相关性上升、PKS 随有效上下文累积下降等稳定模式
- 探针引导的节点剪枝与推理路径搜索可减通信/token 并加速收敛
Unbalanced Optimal Transport for Efficient Visual Document Retrieval（在新窗口打开）
将 VLM 视觉 token 压缩建模为 UOT，统一重要性、冗余与覆盖，在 ViDoRe 上改善检索效率与效果。
- UOT 框架将 token 重要性、语义冗余与覆盖容量统一于交替优化
- 理论证明最小化运输成本可上界 MaxSim 检索误差以稳定排序
- ViDoRe V1/V3 上保留细粒度文档语义并优于基线
Aligning Cultural Behaviors in Arabic Language Models via Preferences（在新窗口打开）
发布 pan-Arab 文化偏好数据集 ArabPref 与多国文化选择题基准，系统评估后训练对阿拉伯 LLM 文化对齐的效果。
- 首个大规模 pan-Arab、按国家条件的文化行为偏好训练与评测数据
- 英/现代标准阿拉伯语资源及母语者校验的多选文化对齐基准
- 在多语与阿拉伯-centric 模型上对比后训练并发布评测基准
Holo4D: Holistic 4D Reconstruction as Geometric Control for Video Diffusion（在新窗口打开）
用前馈 4D 重建轨迹作 scaffold 引导预训练视频扩散，实现新相机轨迹下的单目视频重拍。
- 重建 3D 轨迹投影为目标视角，编码几何与源外观引导扩散
- 源视频与目标相机结合 scaffold，未观测区域交给生成先验
- 可换不同 4D 重建器而无需重训视频生成器
LogicVal:A Logic-Formalized Benchmark for Constraint Satisfaction in Text-to-Image Generation（在新窗口打开）
将 T2I 评测形式化为约束满足，LogicVal 结合检测与逻辑推理评估生成图。
- 提出逻辑框架形式化指定对象、属性、关系及图像需满足的约束
- 揭示单对象与复杂多对象逻辑约束类别间显著能力差距
- LogicVal 在 CLEVR 上 ROC-AUC 约 0.88–0.98，与人类判断较一致
SWAP: Test-Time Steerable Humanoid Whole-Body Collision Avoidance（在新窗口打开）
高层扩散生成多模态避障全身运动，低层 RL 跟踪保平衡；hindsight 标注训练，测试采样可转向速度姿态等目标。
- 层次 SWAP：感知条件扩散高层提案 + 全身 RL 低层稳定跟踪
- hindsight labeling 在随机指令 rollout 上构造无碰撞监督
- 仿真与 Unitree G1 实机验证静态/动态避障，测试转向平均提升定向奖励约 34%
Time-JEPA: Grounding Video World Models with Physical Time Series（在新窗口打开）
以物理时间序列辅助监督微调视频世界模型，多域上改进当前与未来状态预测。
- 提出 Time-JEPA，用低维、时序对齐的物理序列连接视频与物理状态
- 在自动驾驶、机器人操作、人体运动等域优于视频微调对照
- 多域训练在三项任务上聚合优于匹配的单域训练
Action-Aligned Latent Planning for Versatile Humanoid Loco-Manipulation（在新窗口打开）
将任务策略投影到冻结 BFM 可执行 latent 空间，离线训练统一 flow planner，仿真 128 变体平均成功率 42.0%，真机 G1 验证迁移与技能串联。
- LPP 把任务专用策略映射为与局部控制响应一致的 latent 命令
- AH-BFM 用 multi-gamma FB 学习支持精确控制与长时 whole-body 行为
- 单一感知 planner 在 pickup、开门、抓取等多技能上大幅优于 kinematic 规划基线
Clean Forcing: Drift-Resistant Autoregressive Video Diffusion with a Frozen Base（在新窗口打开）
在冻结 AR 视频扩散基座上训练轻量 LoRA 校正器学习确定性漂移，长时文本生视频几乎不增推理成本。
- 揭示固定噪声下历史变化导致的 counterfactual velocity gap 约 95% 具系统性
- 提出 Clean Forcing：冻结基座 + LoRA 校正与闭环 DAgger、drift-contraction
- 无需真实视频亦可显著降低长程 Δ-drift，数据量远少于已有最优结果
DeepSEA: A Multilingual Evaluation Benchmark for Southeast Asia（在新窗口打开）
构建覆盖 12 种东南亚语言、五类任务的 DeepSEA 基准，揭示前沿模型在低资源语上性能骤降及经英语 pivot 的依赖。
- 经专业人工翻译整合 12 种东南亚语言与五类任务的综合基准
- 系统评估专有与开源前沿模型在不同资源层级上的表现差异
- 跨语言错误分析与跨文字 tokenizer fertility 分析
State World Models: Execute the Rules, Generate the Pixels（在新窗口打开）
Stateful Harness 将规则驱动的世界状态演化与冻结视频模型渲染解耦，在 WorldState-Bench 上显著提升隐状态交互的规则遵从。
- 提出 Stateful Harness，分离世界演化与视频渲染以支持有状态规则交互
- 构建 WorldState-Bench：50 组反事实孪生对评测隐藏状态下的规则结果
- 同冻结视频后端下完整 harness 将双结局正确率从 32% 提升至 92%
ContactBench 1.0: A Benchmark for Everyday Contact-Rich Robotic Manipulation（在新窗口打开）
基于八种日常操作技能定义 36 项任务与可复现资产，评测显示纯视觉策略难以感知接触，视触策略提升有限。
- 归纳八种接触丰富操作技能并实例化为 36 参考任务
- 提供可消费级 3D 打印资产与可调负载仿真模型
- 对六种任务评测近期视觉与视触策略并揭示接触感知短板
Latent World Models Should Plan with Distances Along the Latent Manifold（在新窗口打开）
指出 LeWM 用 ambient L2 作终端代价易陷伪低代价盆地，NGC 在训练 latent 的 mutual-NN 图上最短路径规划并显著提升成功率。
- 分析 L2 终端代价仅在目标邻域可靠、远处与物理状态不一致
- 提出 Neighborhood Graph Cost，仅改终端代价、无需重训
- 四基准上改进 LeWM，TwoRoom 与 Reacher 远目标处达 95% 与 100%
When Safety Fails Collectively: Robust Alignment Against Harmful Fine-Tuning via Joint Weight Perturbations（在新窗口打开）
发现有害权重扰动分块单独作用弱、联合作用超加性；对齐阶段 JWP 训练模型在组合扰动下仍安全响应。
- 识别有害扰动的集体失效：联合施加有害性超过各部分之和
- 提出对齐阶段 Joint Weight Perturbations，掩码组合有害扰动状态训练
- 多下游任务与模型族上抗有害微调强于先前防御且任务性能 largely 保持
Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience（在新窗口打开）
Ropedia W0 为跨人类与机器人具身的 egocentric loco-manipulation 世界基础模型，在五个跨具身基准上 SOTA。
- 策展 Xp-Data：统一多模标注的 10k 小时人类与 3k 小时机器人 egocentric 数据
- 统一 kinematic 表示编码相机位姿 locomotion 与投影 skeleton manipulation
- 蒸馏后支持实时分钟级 rollout，用于策略评估与基于模型的规划
LIBERO-Pro2.0: A Benchmark for Evaluating the Robustness of Embodied Foundation Models（在新窗口打开）
在 LIBERO 上扩展 22 类静态扰动与 20 类运行时干预共 1648 shifted 任务，17 种策略在运行时分布偏移下平均性能约降 26.5 个百分点。
- 六维分布偏移下系统化构造并人工六轮校验的 shifted 任务实例
- 收集 39390 条模型生成与人类示范训练轨迹支持鲁棒学习
- 评测 VLA、world-action 等范式并揭示名义 benchmark 与鲁棒性差距
Vector-Quantized World Model: Latent Feedback Motion Planning for Robot Manipulation（在新窗口打开）
VQ-WM 离散 latent 搜索与连续视觉反馈控制结合，汉诺塔真机短数据 100% 成功，仿真操控/ locomotion 大幅领先既有世界模型。
- VQ latent 转移预测 + 离散最短路规划 + 连续反馈控制器串联缓解复合误差
- 用 first-passage-time 准度量替代欧氏距离对齐规划与控制能力
- 短演示数据下组合长程解并在多仿真基准上优于最强世界模型基线
Scaling Synthetic Pre-training Data and Evaluation for Indic LLMs（在新窗口打开）
发布约 2.83T token 的 22 语印度语合成预训练语料与 Indic-LLM-Eval-Suite，并分析数据规模与脚本覆盖影响。
- Nemotron-Pretraining-Indic-v1 为目前最大公开印度语预训练语料
- GPU 流水线翻译、质检与修复，继续预训练显示合成+自然文本优于公开基线
- Indic-LLM-Eval-Suite 覆盖对话、推理、代码、翻译等多能力与语言
VeriCUA: Learning Proactive Verification for Reliable GUI Agent Rewards（在新窗口打开）
可训练 Judge 学习查什么与何时停，冻结 Probe 在线执行，跨 OSWorld/MobileWorld/WebArena 奖励一致性与成本 Pareto 最优。
- 单次验证约束下从执行中学习验证策略的 VeriCUA 架构
- Judge 优化判决正确性与 Probe 效率，跨终端状态归一化回报
- 作为 Actor RL 奖励提升整体任务成功与多应用泛化
Safety Mid-Training: Internalizing LLM Safety as a Foundational Capability（在新窗口打开）
在预训练与后训练之间加入安全中期训练，显著降攻击成功率并改善通用能力。
- 将安全与一般推理置于共享推理结构联合中期训练
- 相对 Qwen3 base 平均 ASR 降约 72%–81%
- 后续仅通用 SFT/GRPO 仍 largely 保留安全优势
Physical Words: A Vocabulary for Structuring Latent Reasoning in Robot Manipulation（在新窗口打开）
PhysWord 用原子动作词对齐物理动力学 latent 表示，在 UniVTAC 与 LIBERO-Long 等任务达到 SOTA 成功率。
- 提出 Physical Words 作为连续物理动力学与语义的原子动作锚点
- 构建 reasoning-before-acting 的 PhysWord 基础模型及时序结构化空间
- 在 visuotactile 与 vision 操作基准及真机双手/灵巧手任务上优于对比方法
OR-License: Evaluating LLM Agents as Real-World Operations Research Practitioners（在新窗口打开）
31 例工业 OR 端到端 benchmark，最强 coding-agent 配置 DAQ 0.87、严格可行率 88.39%。
- OR-License 保留原始需求、数据与交付格式，含 ORSim 客户模拟器
- 引入 DAQ 衡量相对专家解的质量，不可行交付计零
- 轨迹分析指向建模与实现失败，可评估任务链完成率约 24%–45%
NV-Generate-Body: 3D Latent Diffusion Model forControllable Anatomy, Tumor, and Demographic Body Mask Synthesis（在新窗口打开）
3D latent diffusion 在压缩掩膜 latent 中合成全身 CT 分割掩膜，联合控制器官、肿瘤与人口统计条件。
- 冻结 mask 自编码器 latent 上的 3D diffusion，19 维条件经 AdaGN 与 cross-attention 控制
- 尺寸自适应 ROI 损失、空间 halo 加权与配对肿瘤注入，缓解肿瘤标注稀缺下的尺寸条件
- 8,571 掩膜、26 队列、132 标签训练，报告器官尺寸、多部位肿瘤召回与 demographic 对齐指标
ACTS: Learning Visuo-Tactile World Models from Human Physical Interaction（在新窗口打开）
仅用人类 GelSight 交互数据训练 ACTS，联合预测场景/腕部/触觉未来，接触动力学较视觉更易迁移机器人。
- 提出仅依赖人类交互数据的视觉-触觉动作条件世界模型 ACTS
- 发布 React 数据集：4.9 小时双手操作，含第三人称/腕部视频与触觉力
- 在保留人类数据上 PSNR 优于基线，机器人 rollout 中触觉印记可零微调部分迁移
Long Listening Thoughts: Eliciting Open Auditory Reasoning with Deliberative Perception and Cognitive Refinement（在新窗口打开）
提出 LLT 四阶段数据管线合成 160 万条音频推理轨迹，SFT+DPO 后 Qwen2.5-Omni-7B 在 MMAU、MMAR、MMSU 上准确率明显提升。
- 四阶段构建后训练集：多 aspect 稠密描述、难题、错误推理与长链续写
- thought-continuation 激发验证、回溯等认知行为
- 在多个音频理解与推理 benchmark 上验证 LALM 后训练效果
AeroDASH: Asynchronous Vision-Language-Action Control for Continuous UAV Flight（在新窗口打开）
异步 VLA 框架用 B-spline 轨迹融合与 execution-aware GRPO，机载推理时仍连续飞行，UAV-Flow 成功率 76.56%。
- 语言条件连续飞行的异步 VLA：B-spline 初训与执行期轨迹融合
- execution-aware GRPO 用轨迹级奖励适配异步执行偏差
- UAV-Flow 上显著优于 OpenVLA-UAV 等并完成机载语言条件演示
OPDArena: Understanding Learning and Forgetting in On-Policy Distillation（在新窗口打开）
系统对比 SFT、RLVR 与 OPD 五种预训练模型，分析教师来源如何影响学习、遗忘与分布变化。
- 构建 OPDArena，联合评估数学学习、通用能力保持与预测分布变化
- RLVR 教师的学生更易保能力，SFT 教师伴随更大能力损失
- 域外分布变化与遗忘关联更稳定；教师任务偏好使更新更集中在域内
HandsOn: A Large-Scale Simulation Benchmark for Generalizable Dexterous Manipulation（在新窗口打开）
跨本体灵巧操作仿真平台与基准，多类策略在 Core-50 上成功率仍较低。
- 支持多臂多灵巧手与约 200 资产的可组合仿真环境
- Core-50 与 Transfer-16 覆盖演示学习、迁移与组合任务
- 诊断接触建立、动作协调与序列错误等失败模式
Agent World Model in the Wild: Computer-Use Agent Environment Synthesis（在新窗口打开）
WildAWM 用开源模型合成可执行 GUI/MCP/CLI 环境与长程任务，在此训练的智能体在 8 个 OOD 基准上泛化提升。
- WildAWM 流水线合成 341 组长程环境-任务对，支持 GUI、MCP 与 CLI 联合交互
- 执行式质量门控保障可解性、难度与可靠验证器
- 仅用合成世界训练 Qwen 模型，在 web/claw/computer-use 等 OOD 基准显著增益
ProbePO: Sparse Probes, Redistributed Credit for Critic-Free LLM Reinforcement Learning（在新窗口打开）
在有限 rollout 预算下用无 reward 不确定性选部分解并估计 verifier 期望，重分配 GRPO 轨迹优势，多模型多 benchmark 多数优于 GRPO。
- 将细粒度信用分配表述为预算内测量：选哪些部分解、如何 refine credit
- ProbePO 保留轨迹级 mean advantage 的同时用探测 continuation 作测量
- 相较 VinePPO 在 DeepSeekMath-7B 上六套 benchmark 更高精度且训练时间约减 76%
Dream What I Can: Sparse Visual Planning for Long-Horizon Robot Manipulation（在新窗口打开）
DreamCan 用预训练视频模型生成稀疏视觉子目标、低层 visuomotor 执行，在 LIBERO-Long 上报告 91.2% 成功率。
- 高层稀疏视觉子目标平衡可达性与任务效用
- 从无动作离线视频用动态规划选子目标序列
- 分层策略优于语言、稠密视频与均匀子目标等规划基线
Editing as Language: Teaching LLM Agents a Grammar for Native Context Editing（在新窗口打开）
NCE 用特殊 token 文法让 Agent 原生编辑上下文，在四套长程 SWE/终端基准上提成功率并降 token 用量。
- Native Context Editing：将上下文编辑编码为专用 token 文法并轨迹训练
- 相对外部 harness 工具代码生成，编辑内嵌于模型原生生成以更好泛化
- Terminal-Bench 2.0 与 SWE-bench 系列上提升成功率并减少平均 token
Manifold-Constrained Residual Adaptation with Frame-Adaptive Layer Aggregation for Speaker Verification（在新窗口打开）
MCRA 与 FALA 极少参数高效适配 WavLM，冻结基线上 VoxCeleb1-O 与 CN-Celeb 相对 EER 明显下降。
- 提出 MCRA：Sinkhorn 归一化矩阵在残差维组间交换信息，门控混原/混合路径
- 提出 FALA：共享 query 为每帧自适应聚合各层表示
- 可训参仅占 WavLM-Large 约 0.0009%–0.0016% 仍获显著 EER 相对降幅
HAF-VLA: Hierarchical Action Flow Framework for Humanoid Vision-Language-Action Control（在新窗口打开）
分阶段去噪全身动作空间并跨阶段 KV-cache 条件，将 flow-matching VLA 适配到人形 loco-manipulation 六项真实任务。
- locomotion/头→腰→全身 manipulation 的渐进 denoise 与 stage embedding
- cross-stage KV cache 保持阶段间结构依赖
- 继承预训练 VLA 权重的人形全身控制适配路径
HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs（在新窗口打开）
无标签演化 agent harness，在 Terminal/SWE 等基准上同时提升通过率并降低执行成本。
- 用 LLM 生成测试评估候选 harness，无需官方测试集
- 输出 lite/medium/heavy 多档 harness 适配不同预算
- 相对 RHO 在 heavy 模式平均 pass-rate 提升且单任务成本下降
Text-to-Image Generative Modeling Without Language Pretraining（在新窗口打开）
Halcyon 在 GPIC 上从零 early-fusion 预训练，表明强 T2I 可不依赖互联网规模语言预训练。
- Halcyon 系列纯 scratch 多模态自回归预训练于 100M 图文对 GPIC
- Halcyon-0.52B/1.6B 以远少于对比模型的预训练算力取得更好 gFD
- 对照实验表明 text-only 预训练不改善 T2I；同预算下 I2T 监督仍保持 T2I 质量
Coopshift: Post-Training Amplifies The Memory Curse In LLM Cooperation（在新窗口打开）
七条模型谱系上 SFT/对齐后，可见更长历史时合作率下降更明显。
- 比较 Base、SFT、Aligned 在七种社会困境重复博弈中的合作行为
- 后训练阶段扩大可见历史普遍进一步降低合作，SFT 已占大部分放大效应
- 主张后训练评测应覆盖重复交互下合作是否可持续
SPIDES: Information-Flow Control for Browser Agents（在新窗口打开）
以元素级 HTML 机密性/完整性标注驱动标签传播，门控浏览器原语动作，在 MicroNet 上 0% 攻击成功率且保持高任务完成率。
- 论证恢复 SOP 对 browser agent 既非充分也非必要，提出基于 IFC 的 SPIDES
- 不可信与机密内容对 agent 上下文掩码，策略阻断未授权跨源流
- MicroNet：28 站闭环生态与元素级标注；相对 SOTA 基线兼顾安全、自主性与效用
What Matters for NVFP4 Training? A Comparative Study of Low-Precision Pretraining Recipes（在新窗口打开）
系统对比 NVFP4 配方，8B 与 30B-A3B MoE 训练至 1T tokens，给出迄今该规模下相对 BF16 loss gap 较强的 FP4 训练结果。
- 融合无偏梯度估计等 SOTA，提出基于大规模稳定 NVFP4 原则的最终配方
- 消融：配方各成分可测改善 loss；规模化恢复精度需 selective 高精度层
- 反向 pass 并非所有张量同受益于 de-biasing，其余张量可互补降误差
Compile Once, Run Cheap: Frozen, Portable Skills for Embodied Agents, and What Recursive Self-Improvement Adds（在新窗口打开）
离线强模型在仿真中编写并验收操纵技能后冻结为代码，RoboTwin 上低成本复用且跨模型执行。
- 提出 Skill-RSI 与 compile/reuse 协议（隔离作者、隐藏布局、账本）
- Claude Code 在 7 项中编译出 4 项共 7 个冻结技能
- 隐藏布局上继承式修复优于从零重写；冻结技能可无模型或廉价 caller 运行
Design Considerations in Low-Resource Archival OCR: A Case Study in Lakota（在新窗口打开）
微调小 VLM 做拉科塔档案 OCR 后校正，35 页数据 CER 17.1%→3.9%，强调分割噪声与真实流程评测。
- 系统考察预算、分割噪声、扫描退化与正字法变异四类低资源档案 OCR 问题
- VLM OCR 后校正微调在双语语料上大幅降低 CER
- 自动分割下 CER 近翻倍，呼吁按社区真实工作流设计评测
FluidGen: Physics-Aware Fluid Video Generation via Motion-Guided Post-Training（在新窗口打开）
双流同时预测 RGB 与速度场，注入仿真与野外流体先验，并用速度感知 DPO 改善烟雾火焰等流体视频。
- 混合 Houdini 仿真速度场真值与 curated 野外流体视频训练先验
- 双流架构用速度场监督约束物理一致运动
- 将速度场作为 reward 做 velocity-aware DPO，流体动态优于强基线
Robotic Photography System based on Vision-Language-Action Model（在新窗口打开）
RoboPhoto-VLA 统一建模感知、推理与相机控制，ADPO 对齐审美偏好，真实场景摄影更符合人类审美。
- PhotoCoT 结构化动作规划与 Aesthetic DPO 对齐相机行为
- OpenPhotography 语言引导机器人摄影数据集
- 未见主体、视角与复杂指令上的真实世界泛化验证
Breaking Diffusion: Parallel Reasoning with Draft Refinement（在新窗口打开）
DRLM 用单去噪器并行修订草稿并以 cavity energy 筛选，在 Countdown、数独等复杂推理上优于自回归与离散扩散。
- Draft Refinement LM：统一去噪提出修订并单向前向估计 token 支持度
- cavity energy 聚合，无需额外打分模型
- 6M 参数在 Countdown-5 与 Sudoku-Extreme 上达到强结果
TokenGate: Adapting LLMs for Fast and Memory-Efficient Prefill with Learned Token Pruning（在新窗口打开）
轻量 TokenGate 在 prefill 阶段可学习剪枝，显著加速首 token 并降峰值显存且不降精度。
- 提出 token-gated attention 使 top-K 剪枝可端到端学习
- prefill TTFT 与峰值显存在多任务上显著优于 prior 剪枝
- 可 drop-in 适配 Qwen3 与 hybrid-attention 模型
OpenVLHarness: Real World Visual Agentic Tool-Use with Multimodal Memory（在新窗口打开）
OpenVLHarness 以能力层与持久多模态记忆组织视觉推理与异构工具，在 22 个基准上较无工具基线平均提升约 10 分。
- 能力层统一工具接口与 evidence rendering，输出可读的模型观测
- 持久多模态记忆保留图像、结构化数据与网页引用供迭代组合
- 编码接口在存储数据上执行程序，组合多工具结果
Language-Forcing: Advancing Humanoid Loco-Manipulation via Semantic Alignment of Whole-Body World Action Models（在新窗口打开）
用语言对齐 WAM 未来视觉中任务相关变化，HumanoidArena 平均成功率 79.17%，真机五任务由 53.33% 升至 71.33%。
- LANGUAGE-FORCING 用语言强调全身 WAM 任务相关未来视觉变化
- 冻结 VLM 评估进展，文本嵌入对齐动作条件未来视觉特征
- 辅助模块仅训练使用，推理无额外开销
RL Teaches VLMs Where to Attend but Not How to Perceive（在新窗口打开）
多轮 RL 提升 VLM 智能体主要靠 LLM 层更关注视觉 token，而非改善视觉编码感知。
- 用环境 grounded VQA 显示 RL 伴随 grounded 视觉理解提升
- 探测表明 vision encoder 精度较稳，LLM 层探测精度提高
- 固定 attention bias 可在未训练模型上部分恢复 VQA 增益
Encoder-Free Multimodal LLMs Learn Implicit Encoders（在新窗口打开）
对 Gemma-4 12B 与 Inkling-Small 实证：早期层充当与专用 encoder 类似的隐式音频/视觉编码，且分模态独立编码可达联合编码同等精度。
- 证明 encoder-free MLLM 早期层为跨模态上下文 largely invariant 的隐式 encoder
- 多模态推理任务上，全程独立编码各模态与从第一层联合编码精度相当
- 逐层 probing 显示隐式 encoder 行为与多种流行 encoder 模型相似
Over-Defense in Coding Agents Begins at Silent Forks（在新窗口打开）
指出 outcome reward 难以约束 silent fork 上的多余防御，ForkDPO 在行为分歧处对比学习以降低 disproportionate 行为。
- 分析 silent forks：各后继动作结果相同却仍被模型偏选的决策点
- 说明轨迹 outcome checker 难以改变多数 GRPO 组的相同奖励
- ForkDPO 在同前缀对比 proportionate 与 disproportionate 动作
Conformal Prediction-Enabled Sequence-level Policy Optimization for Reasoning Language Models（在新窗口打开）
CSPO 用近期训练统计自适应校准序列级 clipping，在数学推理与 ALFWorld 上优于 GSPO。
- 序列级 clipping 边界随策略漂移自适应校准
- 给出超出 band 概率及相对无 clip 目标/梯度误差的界
- Qwen3-1.7B 系列在难数学基准与 ALFWorld 上验证有效
TESS: LLM-guided Translation, Exploration, Simulation, and Search for Embodied Task Planning（在新窗口打开）
用 LLM 将自然语言转为目标条件、辅助部分可观测探索，并结合规则世界仿真与动作剪枝做搜索式规划。
- LLM 将指令翻译为格式化目标条件并剪枝候选动作
- 在部分可观测下用 LLM 常识辅助高效探索
- 规则世界仿真使经典搜索在具身域可行，VirtualHome/ALFWorld 表现更优
ForagerSim: Evaluating Embodied Map-Based Reasoning in Large-Scale Dynamic Worlds（在新窗口打开）
模块化仿真平台 ForagerSim 聚焦需地图推理的具身任务，对比 RL 与工程栈显示复杂拓扑下地图推理是瓶颈。
- 跨感知、尺度、拓扑、动力学与任务类型的模块化具身仿真平台
- 移动搜救与觅食等需认知地图的任务场景
- RL 基线、简单工程栈与人类在 8 个示例世界上的对比分析
SpatialScout: Can VLM Agents Actively Explore and Map 3D Scenes?（在新窗口打开）
提出主动物体级三维建图基准，评测显示前沿 VLM 在度量地图精度与覆盖上差距很大。
- SpatialScout 含 80 场景与 3140 目标物体的主动建图任务
- 在有限交互预算下需协调视角、跨视图关联与几何估计
- 最强评测模型 mean overlap 约 41.71%，高精度建图仍困难
Competing Learning in Hybrid Architectures（在新窗口打开）
揭示线性 recurrence 与 softmax attention 在混合架构中竞争学习同一函数的现象，并提出分阶段预训练以改善检索与语言建模。
- 分析 Competing Learning：一层学会检索会抑制其他层对应学习信号
- 发现 recurrence 通常更快学会检索导致 attention 难以学到检索
- 提出分阶段预训练，在至多 1B 参数模型上改善 LM loss 与检索类任务
UltraData-Code: From Raw Repositories to Algorithmically Dense and Task-Oriented Code Data（在新窗口打开）
四层 L0–L3 代码数据管线，L2/L3 在 10B continual pre-training 下显著提升 EvalPlus 与 MultiPL-E pass@1。
- L0–L3 连通数据状态，自仓库归档到任务导向合成
- L2 约 400B tokens、11 语言算法相关 continual pre-training 数据
- L3 约 150B tokens 结构化编程练习用于 mid-training/SFT
Write Once, Query Many: Evolving Compact Reusable Memory for Long Videos（在新窗口打开）
Video-EMem 用时间锚定感知观测作可演化记忆，Writer/Reader 分工进化，存储约降 99.86% 且长视频 QA 优于直接输入 2048 帧。
- 时间锚定文本+稀疏图像记忆，支持无固定 schema 的时序导航
- Writer 优化源保真与覆盖，Reader 由 QA 证据定位失败驱动进化
- 冻结底座模型下进化 workflow，平均准确率较未进化 harness 提升 7.2%
ReTrace: Visual Backtracking for Efficient Multimodal Large Language Models（在新窗口打开）
揭示 MLLM 中层 Visual Backtracking，ReTrace 用 dormant token 与回溯窗口再激活，显著降 FLOPs 与 KV 并加速预填。
- 层间注意力分析发现 pivot 在中层回溯早期低显著 token
- dormant 状态分离暂不参与计算与不可逆剪枝
- 在 Qwen2.5-VL 与 InternVL3 上近 90% 计算/KV 降幅且性能保持
Map2Vid: Embodied Navigation Video Generation with Human-Friendly Motion Control（在新窗口打开）
将导航视频生成为 BEV 地图到视频任务，建 10 万+序列基准与多信号统一框架。
- Map2Vid 任务：用 BEV 地图表达全局布局与路线，便于人类控制
- 61 室内场景、10 万+导航序列及配套数据集
- 课程训练逐步弱化非地图输入，支持全条件或仅地图推理
From Seeing to Reporting: A Theory of Reliable Visual Set Generation in Vision-Language Models（在新窗口打开）
提出 FSR 理论与推理时协议，在不微调 VLM 下改善计数、检测与 GUI grounding 等视觉报告一致性。
- 将 reporting 建模为响应→记录→集合→答案链，给出删记录、坐标平均等精确关系
- 面向计数、检测、版面、屏幕解析与 GUI grounding 的无标签推理程序
- 合成密集场景与 ScreenSpot-Pro 上显著降低计数误差与 grounding 漏检率
TempoMoE: Identifying and Steering Fast-Slow Thinking Experts for Efficient Multimodal Reasoning（在新窗口打开）
无训练两阶段框架：通过 tempo 对比路由识别快慢专家，按样本难度重分配 top-k 路由以自适应推理深度。
- 固定输入仅变 reasoning tempo 时路由模式稳定，抑慢/快专家因果影响链长
- TempoMoE 识别快慢专家并在原 top-k 内按难度重分配权重
- 在 Kimi-VL、Qwen3-VL、ERNIE-4.5-VL 上提精度并最多减约 35.4% token
Learning When to Trust and Reobserve Sparse-Frame VideoQA from Temporal Sampling Perturbations（在新窗口打开）
PhaseGuard+ 分别估计答案可靠性与 rescue 动作价值，Qwen3-VL-8B 可靠性 AUROC 74.8%，30% 路由大模型达 67.87% 准确率。
- 在可控时序偏移上探测冻结 VLM，预测 phase-vote 答案可靠性
- 预测 denser frames 或更强 VLM 的逐例正确性增益并选择性路由
- 轻量预测器在公开数据上训练，VLM 保持冻结
Joint, Decoupled, or Agent: When Each Multimodal Alignment Paradigm Wins（在新窗口打开）
16 组数据上三范式无全面占优；诊断级联 leave-one-group-out 选胜者约 71.4%。
- 系统比较 JOINT、DECOUPLED、AGENT 在五域多标注预算下的 mean utility
- JOINT 在五 QA 数据集全预算领先，高 unimodal 5-NN 更倾向 DECOUPLED
- 结合几何、表征诊断与元数据的二步级联降低相对 regret
UpLoop: Upcycling Large Language Models with Gated Loop（在新窗口打开）
对已预训练非 loop LLM 做层内局部循环与 residual 门控，UpLoop 在 R=3 时二十项基准平均准确率提升 6.17%。
- 层-wise 局部循环保留预训练深度结构，减轻特征空间不匹配
- 在 attention 与 MLP 残差上加 hidden-wise 门控实现渐进 refine
- 缓解以往 loop 模型在 R=2 饱和的问题并扩展有效循环深度
Distillation, Self-Training, and the Fragility of Learned Chemical Reasoning（在新窗口打开）
Resonance 通过蒸馏开放教师推理轨迹与自训练验证输出，将小模型 bootstrap 为正向反应预测器，并指出准确性与推理鲁棒性可分离。
- 前沿监督一次性 bootstrap 开放权重模型于正向反应预测
- Resonance：蒸馏推理轨迹 + 自训练 verified 输出，强学生可仅蒸馏超越教师
- 强调应同时评测推理鲁棒性：小模型继承单遍风格，易在反驳下放弃正确答案
Where and Why Search-Augmented LLMs Fail When Reasoning over Rapidly Evolving Knowledge（在新窗口打开）
TREK 套件归因检索后推理瓶颈，显示前沿模型常被冲突证据误导而非检索不足。
- TREKTRACE 将失败归因到检索与推理各阶段
- TREKBENCH-WILD 面向真实演化知识的 meta-benchmark
- TREKBENCH-CTRL 控制 distractor 类型，揭示过时干扰低估难度
When the harness decides success: state that cannot be re-observed（在新窗口打开）
预注册实验显示上下文截断在事实不可重观测时成功率跌至随机，ARC-AGI-3 上 harness 组件分解解释 Provider 差距。
- 不可重观测事实下截断与可 lookup 事实的成功率差约 92.5 百分点
- ARC-AGI-3 Standard 与 Adapter harness 差距的单组件分解
- 深层关卡相对早期关卡 Adapter 优势的模式描述
SPELUNKA: A Framework for Finding Unanticipated Associations in Vision-Language Models（在新窗口打开）
推理期自动发现 VLM 检索中未预设的虚假关联，四数据集识别强关联 query 平均 AUROC 0.93。
- 无需标注子群、人工监督或微调，自动生成 caption 并挖掘语义关联
- 频率规则比较 top 输出与全分布检测过/欠表示的 spurious 关联
- 恢复合成与自然虚假相关，优于基线关联发现
AVTime: Reinforcing Dense Audio-Visual Captions with Bidirectional Alignment（在新窗口打开）
提出 AVTime-50K 数据集、BiTSA 奖励与 AVTime-Bench，优化密集时序音视频 caption 的语义与时间双向一致。
- AVTime-50K 提供高时间分辨率、较长视频与精确对齐的 dense caption
- BiTSA 奖励显式约束时间与事件的双向对齐
- AVTime-Bench 双向评估事件语义正确性与时间精度
MotionShift: Environment-Compatible Motion Transfer via Planner-Evaluator Synergistic Adaptation（在新窗口打开）
LLM 规划、VLM 评估迭代适配运动，再作 I2V 条件实现与场景物理兼容的高保真迁移。
- 规划-评估迭代机制，训练无关地适配参考运动到目标场景
- LLM 生成轨迹，VLM 依据视觉感知修正运动
- 可接入现有轨迹条件 I2V 模型扩展运动迁移能力
The Window Is in the Reasoning: When LLM Agents Decide to Follow Prompt Injections（在新窗口打开）
分支 rollout 显示开启 thinking 后注入后果更少在读取时定死，需多次运行评测。
- 量化读取注入时与之后各自占 outcome 方差的比例
- Qwen3 开 thinking 时读取时刻固定方差占比从 0.91 降至约 0.62
- thinking agent 单次标签与重跑不一致可达 35%，主张 benchmark 多次运行
Comparing Computer Use Behavior Across Multiple Levels of Abstraction（在新窗口打开）
提出 MAP 层次语义表示，在统一词汇下比较人机计算机使用轨迹的差异与模式。
- MAP 将交互轨迹映射到多层 linked 抽象的共同词汇
- 支持按序列、模式与 effort 比较并定位差异层级
- 显示智能体轨迹缺少人类常见的纠错、求助与恢复行为
Conjugate Compilation: Self-Improving Agentic Co-Compilation for Speculative Decoding（在新窗口打开）
将 draft/target 联合为跨模型编译，LLM agent 在编译与 GPU 执行中搜索计划，单卡推测解码几何平均约 1.37× 每轮加速。
- 以共址共享执行的实测性能驱动 cross-model 编译优化
- 交错 operand layout 在同 tile 内共置两模型计算块
- 结合 MCTS 与编译反馈的自改进 agent 搜索优化方案
LEAP: Accelerating ODE-based Diffusion Sampling with Optimal Linear Leaps（在新窗口打开）
依据采样轨迹低维与跨轨迹一致性，局部最小二乘线性跳跃近似未来状态，粗步长下优于通用 ODE 求解并可即插即用。
- 提出 optimal linear leaps，针对扩散 ODE 采样轨迹几何设计
- 局部子空间监督最小二乘逼近未来状态，减少模型评估次数
- 在 SD3.5、FLUX.1-dev 与 TRELLIS.2 等多模态扩散上优于先前加速法
GazeAgent: VLM-Guided Implicit Gaze Calibration from Egocentric Multimodal Behavior for AI Glasses（在新窗口打开）
VLM 从 IMU、gaze 与手部信号识别 PVA 事件并定位伪标定目标，10 人脚本研究中设备扰动下中位 gaze 误差较显式标定降 44.1%。
- 无需打断用户的连续自适应 gaze 标定框架，由 VLM 验证任务相关 PVA
- 脚本研究检测全部 820 次预定 PVA 机会；案例研究中自主标定 workload 与打断评分最低
- 从自然多模态行为推导任务关键目标，支持 egocentric AI 眼镜低负担 gaze 交互
The Effectiveness and Durability of Pretraining Data Filtering in Protein Language Models（在新窗口打开）
在 ESM-2 上评估预训练过滤病毒蛋白对能力与可微调恢复的影响及随规模变化。
- 过滤病毒蛋白显著损害病毒相关 MLM 与结构预测任务
- 非病毒蛋白性能 largely 保留，效应集中于人类感染病毒
- 严格微调可用 modest 算力恢复被过滤带来的性能损失
recAMPLIFY: Large-Scale Pretraining of Recursive Protein Language Models（在新窗口打开）
将递归预训练用于 masked pLM，参数量更少却在多项任务上优于 AMPLIFY-350M。
- 权重共享 Transformer 多轮 refine 残基 hidden states
- 155M 唯一参数在 CASP 接触与监督任务上整体提升
- GMR 混合递归深度并自适应门控，可降期望深度
没有符合条件的论文。