搜索Ctrl K
  • 榜单数据10-19 16:51
  • 论文数据10-19 14:23
  • 周报10-19 16:07

前沿论文周报 · 2026 年第 29 周

未发布阅读约 11 分钟AI 起草 · 人工审核已核查

本期周报由 AI 根据每日论文数据起草，深度精读基于论文正文，经独立的 AI 事实核查未发现存疑项，未经人工逐篇审核；数字与结论以论文原文为准。

各期周报

本周概览

在顶会口径一致的前提下，本周 VLM 10 篇、音频 9 篇，均明显低于前 4 周 P1 周均的 20.0 与 35.8；总入选 36 篇，亦低于近几周总量，其中部分差异与历史补采的机构识别口径有关，不宜单独解读为领域降温。生成侧仍集中在视频：长时自回归误差、无训练运动迁移与单步物体移除并行推进 [1][2][3]。理解侧则把「答对」与「可核验证据」绑在一起，Video QA 与开放场景 IQA 均强调时空或工具级 grounding [4][5]。基础模型侧，live MCP 上的效果检查点基准与仅用成功轨迹的失败归因，共同指向 Agent 长链路的可测性与可调试性 [6][7]。

研究热点

按重要性排序；动向由 AI 依据下方统计和论文内容判断

1生成模型评测对齐人类偏好

持续

文生图视频生成VLM

文生图与音视频生成本周各有多篇 ECCV 工作把评测从单一分数扩展为可训练、可对齐人类判断的体系。[8] 以 500K GenDB 与 250K DynEvalInstruct 蒸馏 DynEval 评测器，在 11 个基准上强调与人类相关性；[9] 则将 Omni-LLM 适配为无参考音视频同步指标，并用成对排序与 R-GRPO 内化全局因果结构。方向篇数上，文生图 2 篇、视频生成 4 篇；本周生成评测工作关注人类相关性与无参考音视频同步。

代表论文

2VLM 证据 grounding 与可解释推理

持续

VLM

本周 VLM 主方向 10 篇，低于前 4 周 P1 周均 20.0。[4] 提出 E-VQA，要求同时输出答案与时空证据，并以约 160k 指令微调增强像素级 grounding；[5] 为 MLLM 引入噪声残差等工具证据，在七个 IQA 基准上强调可解释质量判断。[11] 用 CycleGRPO 统一区域理解与定位，以 region→text→region 自评强化 RL。本周 VLM 工作覆盖证据 grounding、工具证据与区域循环 RL。

代表论文

3长视频一致性与无训练可控迁移

持续

视频生成

视频生成本周 P1 4 篇，与前 4 周 P1 周均 4.0 相当。[1] 的 Cycle-World 用反向预测循环一致性约束长时自回归漂移，并在 VBench 上针对约 60 秒长视频提升整体质量与时序一致性；[2] 在视频 DiT 的 attention head 层分离运动与结构，实现无参数更新的运动迁移；[3] 则以特权蒸馏把多步 draft 精修压到单步物体移除。三篇工作分别关注误差累积、运动迁移与编辑延迟。

代表论文

4低资源 ASR 与 LLM 时代伪造检测

持续

音频

音频主方向 9 篇，低于前 4 周 P1 周均 35.8，但 INTERSPEECH 集群覆盖基础模型、持续学习与安全。[14] 以 200 万小时 HuBERT 式 Conformer 预训练服务中亚低资源语系；[15] 在 Whisper-large-v3 上用 UGP 逼近零平均遗忘；[16] 的 VoxENES 2026 用 53K+ 样本与 10 种现代 TTS/VC 暴露检测器泛化缺口，最佳 EER 约 28.98%。本周音频工作覆盖低资源预训练、持续学习与伪造检测标准化。

代表论文

5具身记忆、力觉与 sim-to-real 部署

持续

具身智能VLM

具身智能本周 4 篇，低于前 4 周 P1 周均 7.8。[19] 从 egocentric 视频构建 Embodied Action Memory，在 Robot-Grounded Plan 上报告最高约 16.6% 提升；[20] 的 LIFT 在 VLA 后训练并联力觉专家，强调接触遮挡场景；[21] 的 REAL 在 REAL-Bench 241 项任务与实体机器人 60 个 episode 上给出 78.3% 端到端成功率。[22] 则以无训练 CoT 与结构化空间记忆推进 aerial 对话导航。本周具身工作覆盖记忆、力觉与 sim-to-real 部署。

代表论文

6LLM Agent 基准与安全表示攻防

持续

LLM

LLM 主方向 5 篇，低于前 4 周 P1 周均 9.8。[6] 在 live MCP 上以效果检查点与 pass^3 评分，显示最强 agent 约解一半任务且工具链越长越易失败；[7] 的 OAT 仅用成功轨迹训练即可对失败 rollout 逐步归因，并报告相较 prompt 基线快 200–5000 倍。[23] 从拒答方向几何出发改进激活引导对抗后缀，Soft-GCG 约 33× 加速。Agent 评测与对齐安全本周形成「外部工具链 + 内部表示」的双线压力测试。

代表论文

热点统计

由站点根据每日数据计算，与周报起草时提供给 AI 的统计口径一致

本周入选 36 篇：P1 顶会 36

各方向本周与前 4 周均值

按论文主方向 · 对比 W25、W26、W27、W28

本周 P1前 4 周均值（P1）
各方向本周与前 4 周均值（只算 P1）14 个研究方向的 P1 论文本周篇数与前 4 周均值的对比，按论文主方向计数；详细数值见数据表。文生图图编辑视频生成3D 生成Visual2Code3D2CodeGUI Agent世界模型具身智能VLMOCR音频LLM统一多模态2 篇4 篇2 篇4 篇4 篇2 篇1.5 篇0.3 篇2 篇1.3 篇4 篇7.8 篇10 篇20 篇1 篇9 篇35.8 篇5 篇9.8 篇1.5 篇
查看数据表
研究方向本周前 4 周均值本周 P1前 4 周均值（P1）
文生图24.024.0
图编辑02.002.0
视频生成44.044.0
3D 生成21.521.5
Visual2Code00.000.0
3D2Code00.300.3
GUI Agent02.002.0
世界模型01.301.3
具身智能47.847.8
VLM1020.01020.0
OCR01.001.0
音频935.8935.8
LLM59.859.8
统一多模态01.501.5

口径：按论文主方向计数；均值为前几周中有每日数据的周的周均篇数，保留 1 位小数。2026-10-14 及以前为历史补采，作者单位只来自 OpenAlex，P3 论文明显偏少，前 4 周全部是补采数据；前后对比以 P1 为可比口径（默认显示）。

本周高频关键词

AI 要点关键词 · 前 15 个，按论文数

本周高频关键词共 15 个分类、1 个系列；最大值为 VLM（5 篇）。详细数值见数据表。VLMbenchmarkMLLMASRevaluationinterpretabilityLLM agentWhisper3D generation3D scene generationactivation steeringalignmentALLMart understandingattention head5 篇3 篇3 篇2 篇2 篇2 篇2 篇2 篇1 篇1 篇1 篇1 篇1 篇1 篇1 篇
查看数据表
关键词论文数（篇）
VLM5
benchmark3
MLLM3
ASR2
evaluation2
interpretability2
LLM agent2
Whisper2
3D generation1
3D scene generation1
activation steering1
alignment1
ALLM1
art understanding1
attention head1

口径：同一篇论文中的同一关键词只算一次，大小写与全半角归并。

深度精读

基于论文正文撰写；每条出处的英文原句都经管线核对，确认在正文中逐字出现，结论中的数字出现在原句中

Evidence-Backed Video Question Answering

证据支撑的视频问答

arXiv:2607.11862P1 顶会正文（arXiv HTML）参考来源 [4]

要解决的问题
现有 Video LLM 视频问答强但多为黑盒，只给文本答案、缺少可核验视觉依据；文本推理或稀疏框难以覆盖遮挡、连续形变等动态，出错时难以追溯是否真「看见」了关键线索。
方法
定义 E-VQA：给定视频与问题，联合输出语义答案、非重叠关键时间片段与密集跟踪 masklet。发布人工校验 ST-Evidence（Gen 生成三元组、MCQ 四选一），mask 以 6 FPS 标注。另建双向自动管线合成 ST-Evidence-Instruct（约 160k 三元组），并在 UniPixel 上以 LoRA 联合训练 QA、时间段与分割头。
主要结果
ST-Evidence 上，高 QA 分并不等价于强 grounding：MCQ 空间子任务上多数开源模型接近约 25% 随机基线；Gen 上 Gemini-2.5-Pro QA 领先但空间 J&F 仅 44.0。在 ST-Evidence-Instruct 微调后，7B 相对同规模 UniPixel 的 t-mean 增 27.2、J&F 增 13.8，Ours-7B 的 J&F 为 54.1，时空证据明显强于原基线。
局限
作者强调单靠扩参不足以解决 E-VQA；密集 mask 标注极耗人力，人工 benchmark 规模为 Gen 2706 题、MCQ 1298 题。General Video LLM 的空间证据经 UniPixel-3B 代理生成，结论主要绑定 ST-Evidence 与所述训练配方。
意义
把「证据 grounding」写进视频 QA 输出格式，用像素级 masklet 约束推理与感知对齐，并提供 benchmark 与大规模指令数据。结果表明对齐 QA 与时空标注的微调，可在联合任务上建立较可复现的 grounded Video LLM 基线。

正文出处

  1. Abstract在 ST-Evidence-Instruct 上微调 grounded Video LLM，7B 相对同规模 UniPixel 的 t-mean 提升 27.2、J&F 提升 13.8。

    Fine-tuning grounded Video LLMs on this data yields substantial gains over the corresponding size-matched UniPixel baselines (e.g., +27.2 t-mean and +13.8 𝒥&ℱ on a 7B model)

  2. AbstractST-Evidence-Instruct 为约 160k 规模，用于衔接高层推理与细粒度 grounding。

    we develop scalable, automated generation pipelines to create ST-Evidence-Instruct, a 160k-scale dataset bridging high-level reasoning with fine-grained grounding.

  3. AbstractSOTA 评测显示 QA 精度与真实视觉感知脱节，单靠 scaling 无法弥合。

    Evaluations of state-of-the-art models reveal a critical decoupling between QA accuracy and true visual perception that scaling alone fails to bridge.

  4. §5.2ST-Evidence-MCQ 上，多数其他模型空间证据准确率接近约 25% 的随机猜测水平。

    In contrast, most other models perform near the random-guess baseline (∼25%), highlighting a widespread lack of fine-grained discriminative capability to distinguish between correct and incorrect spatial regions.

  5. §5.2ST-Evidence-Gen 上，最强 General Video LLM 的空间 J&F 仅 44.0，由 Gemini-2.5-Pro 取得。

    even the strongest General Video LLM obtains only 44.0 𝒥&ℱ: Gemini-2.5-Pro ranks first at 44.0, followed by Gemini-2.5-Flash at 42.9

  6. Table 2Ours-7B 在 ST-Evidence-Gen 的 S-Evidence 指标 J&F 为 54.1（相对 UniPixel-7B 提升 13.8）。

    Ours-7B 76.0(+1.0) 21.1(+19.7) 37.1(+34.7) 29.1(+27.2) 52.8(+14.5) 55.4(+13.0) 54.1(+13.8)

DynamicMCPBench: A Trace-Grounded, Effect-Scored Benchmark for LLM Agents over Live MCP Servers

DynamicMCPBench：面向 live MCP 服务器的轨迹 grounded、效果评分的 LLM Agent 基准

arXiv:2607.20531P1 顶会正文（arXiv HTML）参考来源 [6]

要解决的问题
LLM Agent 经 MCP 调用外部工具已常见，但多数基准仍比对最终自然语言答案或预设工具列表；在 live、有状态数据下参考答案易过期，固定工具表也无法从提示唯一恢复，难以可靠衡量 Agent 是否真正完成用户目标。
方法
DynamicMCPBench 是可重跑流水线而非固定数据集：在 live MCP 上正向生成目标、由探索 Agent 求解并记录成功轨迹，再蒸馏为路径无关的效果检查点（含等价工具集、minefield 与偏序），评测在确定性重放下只检查是否复现这些效果，不评最终答案；任务以 pass^3 计分，写操作服务器须沙箱运行。
主要结果
大规模运行在 121 个服务器、750 条任务（15 类各 50）、24 个模型上：最强 Agent pass^3 约仅解一半任务，31% 任务无任何模型解出；聚合准确率随工具链变长从短链 39% 降至长链 13%。人工校验显示自动效果评分可靠，chance-corrected agreement 为 0.76。
局限
作者指出评分器偏保守，未显式列出的等价路径会被判失败，报告准确率宜作下界；12% 任务会改服务器状态、更依赖沙箱；人工研究仅覆盖最强本地模型之一；底库偏英文与公共 API，对私有或非英语部署未系统验证。
意义
把 MCP Agent 基准的 ground truth 从答案或工具表转向轨迹蒸馏的可审计效果，并允许在自有服务器与模型上重跑同一套流程，对 live 环境下评估长链、跨服 agentic 任务较有参考价值。

正文出处

  1. Abstract24 模型、121 服务器、750 任务分 15 类各 50，用于展示框架在大规模 live 底库上的评测结果。

    we run it at scale: 24 models over 121 servers and 750 tasks spread evenly over 15 task categories (50 each)

  2. §1最强 Agent 在 pass^3 下约只解一半任务，31% 任务没有任何模型解出。

    even the strongest agents solve only about half of the tasks under pass^3 (a task counts as solved only if all three independent attempts succeed), 31% of tasks are solved by no model at all

  3. §4.2工具链越长越难：短链 pass^3 为 39%，长链为 13%。

    accuracy falls monotonically with the length of the required tool chain, 39% on short chains (1–2 tools), 23% on medium (3–4), and 13% on long (5+)

  4. Abstract人工验证支持自动、不依赖答案的评分，chance-corrected agreement 为 0.76。

    A human validation study confirms the automatic scoring is reliable (chance-corrected agreement of 0.76)

  5. Limitations12% 任务会改变服务器状态，因而更依赖沙箱，复现更 fragile。

    Second, 12% of tasks change server state and so depend on sandboxes

Cycle-World: Mitigating Error Accumulation in Long-term Video World Models via Reverse-Prediction Cycle Consistency

Cycle-World：通过反向预测循环一致性缓解长时域视频世界模型中的误差累积

arXiv:2607.11836P1 顶会正文（arXiv HTML）参考来源 [1]

要解决的问题
因果自回归长视频合成中，逐步依赖自身预测会放大 exposure bias，微小偏差随步数复合，导致生成漂移、结构崩塌与非物理的结构幻觉（穿模、主体消失或凭空出现等）。
方法
Cycle-World 假设物理合理的因果序列应时序可逆，以 Cycle-Bounded Drift 定理将前向漂移与单步 cycle 误差绑定。训练期 CCL 在共享 latent 上联合优化前向生成器与反向预测模型，用 Intrinsic Latent Reversibility 直接最小化 ℒcycle，避免 Decode-Flip-Encode。推理期 CGI 冻结反向模型，在 denoising 早窗内对 cycle discrepancy 做梯度 latent refine，作为 plug-and-play 运行时校正。
主要结果
VBench 上 5s 设定 Total 84.36、Quality 86.14、Semantic 77.25；60s 设定 Total 82.88、Semantic 76.86，长时域 Semantic 领先对比方法。Self-Forcing 的 Total 由 5s 的 84.31 跌至 60s 的 71.86，而本方法长时退化更小。Physical Commonsense 与 PACE 平均 75.66，PC 69.40、PACE 81.91，物理一致性优于所列基线。
局限
附录指出效果依赖 reverse-predictability，难以适用于高熵、离散或信息严重损失、宏观不可逆的序列。CCL 需全量参数再训练；CGI 要求前向模型与反向校正器共享同一 Video VAE latent。主文实验集中在 VBench 与 1.3B 自回归扩散管线。
意义
把时序可逆性写成可证明的漂移上界，并拆成训练结构约束与推理零样本校正，为长时域 world model 与交互式流式生成提供抑制结构幻觉的一条可复用路径。

正文出处

  1. Table 1VBench 短时域上 Total 84.36、Quality 86.14、Semantic 77.25；长时域 Total 82.88、Semantic 76.86。

    Ours 1.3B 84.36 86.14 77.25 82.88 84.39 76.86

  2. §4.25s 生成在 Total 与 Quality 上为对比中最优之一，优于 LongLive 与 Self-Forcing 等强基线。

    For 5-second generation, our model achieves the highest Total score and Quality score, outperforming strong baselines such as LongLive and Self-Forcing.

  3. §4.260s 设定下 Semantic 得分最高，长时域上有效抑制相对基线的误差累积。

    our method effectively bounds this generative drift, maintaining a remarkable Total score and achieving the highest Semantic score at 60 seconds.

  4. §4.2Self-Forcing 长视频 Total 从 5s 的 84.31 降至 60s 的 71.86，SkyReels-V2 从 82.67 降至 70.47。

    the Total score of Self-Forcing plummets from 84.31 (5s) to 71.86 (60s), and SkyReels-V2 drops from 82.67 to 70.47.

  5. Table 2物理一致性 PC 69.40、PACE 81.91，平均 75.66，为对比中最高。

    Infinity-Rope 60.45 78.58 69.52 Ours 69.40 81.91 75.66

  6. §3.3CCL 需全量参数再训练。

    While the proposed Cycle-Consistent Learning paradigm ensures the generator intrinsically preserves temporal reversibility, it requires full-scale parameter retraining.

论文推荐

按必读、方法亮点、数据与评测、开源项目分组，每篇附推荐理由

必读3

方法亮点2

数据与评测2

开源项目3

领域洞察

按研究方向分组，各写一段本周的研究动向与判断

生成

本周 8 篇

3D 生成 2 文生图 2 视频生成 4

生成组 8 篇中视频占 4 篇，与前几周 P1 周均持平；长视频 [1]、head 级运动迁移 [2] 与单步视频物体移除 [3] 分别攻击时序漂移、可控性与编辑延迟。3D 方向 2 篇略高于前 4 周 P1 周均 1.5：DiffGI 走可微薄壳表示，HIVE-3D 强调单图层次体素场景增强。本周文生图工作关注评测与安全推理时干预 [8][10]。

相关论文

世界模型与具身

本周 4 篇

具身智能 4

世界模型与具身组 4 篇均为具身主方向，低于前 4 周 P1 周均 7.8。本周四篇具身工作覆盖部署、力觉、记忆与导航：[21] 强调开放世界移动操作与 sim-to-real 基准，[20] 补力觉后训练，[19] 用 egocentric 记忆支撑 OOD 规划，[22] 探索无训练 aerial 对话导航。本周未见 world_model 主方向新文。

相关论文

理解

本周 10 篇

VLM 10

理解组 10 篇全部由 VLM 主方向构成，低于前 4 周 P1 周均 20.0。证据化与工具化推理是主轴：[4] 的时空证据 Video QA、[5] 的工具链 IQA、[11] 的区域循环 RL；[25] 则从推理效率侧用 SpecFlow 保守凝缩 token。[12] 对局部性与长度泛化的诊断提示：视觉推理仍需抑制全局捷径。

相关论文

音频

本周 9 篇

音频 9

音频组 9 篇，低于前 4 周 P1 周均 35.8，主题呈「基础能力 + 安全 + 音频 LLM」三角：[14][15][18] 围绕 Whisper 系低资源与持续学习；[16][28] 分别建立伪造检测基准与 SSL 证据子空间解释；[17] 与 [27] 推进长音频时间 grounding 与文本到音频指令 DPO（S3Bench）。

相关论文

基础模型

本周 5 篇

LLM 5

基础模型组 5 篇均为 LLM 主方向，低于前 4 周 P1 周均 9.8。Agent 线 [6][7] 分别解决 live 工具链怎么评、失败怎么归因；安全线 [23] 把越狱优化对准拒答表示几何；[24] 以 AIMO 挑战赛推动数学推理可解释与鲁棒基准。应用向 [29] 展示长上下文金融文档预测，与多模态主线交叉较弱但体现 LM 专业域微调仍活跃。

相关论文

下周关注点

  • 关注 ECCV/INTERSPEECH 放榜后视频编辑与 unified 多模态方向是否回补 P1 篇数。
  • Whisper 持续学习与 VoxENES 类伪造基准或引发更多 countermeasure 与 temporal robustness 跟进。
  • MCP Agent 效果检查点范式是否扩散到其他 live 工具协议与开源 agent 栈。
  • 具身记忆与力觉后训练的开源复现与真实机 benchmark 对比值得跟踪。

参考来源

  1. [1]Cycle-World: Mitigating Error Accumulation in Long-term Video World Models via Reverse-Prediction Cycle ConsistencyarXiv · 2026-07-14 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  2. [2]Controlling Motion Transfer in Diffusion Transformers via Attention HeadsarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  3. [3]From Draft to Draft-Free: One-Step Video Object Removal via Privileged Distillation and Fast PlantingarXiv · 2026-07-17 · 摘要 · 访问于 2026-10-19↩
  4. [4]Evidence-Backed Video Question AnsweringarXiv · 2026-07-14 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  5. [5]IQA-T1: Tool-based Visual Evidence Reasoning for Image Quality AssessmentarXiv · 2026-07-15 · 摘要 · 访问于 2026-10-19↩
  6. [6]DynamicMCPBench: A Trace-Grounded, Effect-Scored Benchmark for LLM Agents over Live MCP ServersarXiv · 2026-07-13 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  7. [7]Tracing Agentic Failure from the Flow of SuccessarXiv · 2026-07-15 · 摘要 · 访问于 2026-10-19↩
  8. [8]DynEval: Holistic Evaluations of T2I Generative Models in the WildarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  9. [9]Beyond Time Shifts: Adapting Omni-LLM as a Reference-Free Evaluator for Generative Audio-Visual ModelsarXiv · 2026-07-13 · 摘要 · 访问于 2026-10-19↩
  10. [10]Introspective Attention Modulation for Safe Text-to-Image GenerationarXiv · 2026-07-17 · 摘要 · 访问于 2026-10-19↩
  11. [11]Actor as Its Own Critic: Unifying Region Understanding and Localization via CycleGRPOarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  12. [12]On Locality and Length Generalization in Visual ReasoningarXiv · 2026-07-13 · 摘要 · 访问于 2026-10-19↩
  13. [13]MED-DSLC: Multi-Expert-Domain Classification via Domain Supervision and Logit CalibrationarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  14. [14]GigaAM Multilingual: Foundation Model for Underrepresented LanguagesarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  15. [15]Unified Gradient Projection: Language-Balanced Continual Learning for Multilingual Low-Resource ASRarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  16. [16]VoxENES 2026: Benchmarking Generalization of Speech Spoofing Detectors Against LLM-Era TTS and Voice ConversionarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  17. [17]GigaChat Audio: Time-aware Large Audio Language ModelarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  18. [18]Which Languages Transfer Best to Warlpiri? A Similarity-Based Study for Low-Resource ASRarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  19. [19]MEMORA: Embodied Action Memory from Egocentric Videos for Reasoning and PlanningarXiv · 2026-07-17 · 摘要 · 访问于 2026-10-19↩
  20. [20]Never Too Late for Force: Accelerating VLA Post-Training with Reactive Force InjectionarXiv · 2026-07-17 · 摘要 · 访问于 2026-10-19↩
  21. [21]Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile ManipulationarXiv · 2026-07-16 · 摘要 · 访问于 2026-10-19↩
  22. [22]Parse, Search, and Confirmation: Training-Free Aerial Vision-and-Dialog Navigation with Chain-of-Thought Reasoning and Structured Spatial MemoryarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  23. [23]Optimizing Against Safety Representations: Activation-Guided Adversarial Suffixes and the Geometry of RefusalarXiv · 2026-07-13 · 摘要 · 访问于 2026-10-19↩
  24. [24]AIMO Interpretability ChallengearXiv · 2026-07-16 · 摘要 · 访问于 2026-10-19↩
  25. [25]Spectral Heat Flow for Conservative Token Condensation in Vision-Language ModelsarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  26. [26]HIVE-3D: Hierarchical Voxel Enhancement for High-Quality 3D Scene GenerationarXiv · 2026-07-16 · 摘要 · 访问于 2026-10-19↩
  27. [27]Improving Text-to-Audio Instruction Following via Fine-Grained Feedback from Audio-Aware Large Language ModelsarXiv · 2026-07-16 · 摘要 · 访问于 2026-10-19↩
  28. [28]Evidence Subspace Projection: Measuring How Much Evidence Explains Deepfake Detection in Self-Supervised Speech ModelsarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩
  29. [29]Global Merger-Arbitrage Forecasting with Language ModelsarXiv · 2026-07-14 · 摘要 · 访问于 2026-10-19↩