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 30 周

未发布阅读约 10 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

本周入选 24 篇顶会论文，音频 10 篇、VLM 5 篇、LLM 4 篇、生成 4 篇，视频生成与具身方向本周无 P1 入选，较前几周 P1 周均明显偏少。本周代表工作覆盖三维几何、诊断评测与 token–算力联合自适应：ASR 转写策略与口音场景实体召回 [1][2]、VLM 从 RGB 引入隐式/显式几何 [3] 与 3DGS 广义指代 [4]，以及 rectified flow 零训练反演编辑 [5]。LLM 侧 Agent 工作流生成、图问答与开放权重纵向数据准备评测 [6] 形成小集群。世界模型仅 PhysCoRe 一篇，将 MPM 与残差学习用于可形变操作 [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可控逐字 ASR 与口音会话实体召回

持续

音频

本周音频方向 10 篇 P1，数量低于前 4 周该方向 P1 周均，但 ASR 与不流利相关主题成簇。新进展是把转写风格建模为潜变量，用任务 token 切换 verbatim 与 intended 转写并改善词级时间戳 [1]；另一路针对口音会话，用实体更稠密训练数据与区域 LoRA 微调 Qwen2.5-Omni，强调实体与 filler 召回而非仅 WER [2]。本周音频工作覆盖可控 ASR、实体召回与评测维度细化。

代表论文

2VLM 三维几何与广义 3D 指代理解

持续

VLM

VLM 本周 5 篇 P1，低于前 4 周 P1 周均，但多篇同周推进「2D 先验 + 3D 结构」。VLM-IE3D 从 RGB 视频构造隐式/显式几何 token 与 3D 适配器，统一提升检测、grounding 与空间推理 [3]；ZeroSplat 定义 GR3DGS 任务与基准，免训练将 2D VLM 提升到 3DGS 点级指代 [4]。CRAG-MM-Diagnostics 把知识密集型 VQA 拆成 grounding、识别与检索推理阶段，指出检索推理为主要瓶颈 [9]。本周 VLM 工作覆盖 3D 几何、诊断评测与自适应推理。

代表论文

3多模态 LLM 预算内联合自适应推理

新出现

VLM

SmartVL 将视觉 token 数量与 LLM 计算量纳入同一自适应框架，用共享预算编码与可微延迟估计做联合调度 [11]；MOON 在类别不平衡下用 von Mises-Fisher 混合与动态收缩做测试时 transduction，模型无关且免训练 [10]。本周两篇工作分别关注联合算力调度与测试时 transduction。

代表论文

4神经音频编解码、增强与可信音频

持续

音频

HARP 仅改 RVQ 训练损失即按频段有序划分残差阶段，推理与标准 RVQ 一致而听感与客观指标提升 [12]；PINT 用平行语句对齐蒸馏不变语言学内容，服务语义编解码 [8]。伪造检测侧，XLS-R 逐层决策融合在 In-the-Wild 跨数据集 EER 达 6.90% [13]；新闻短视频场景则用双对齐似然比做音频交叉验证 [14]。本周音频工作同时覆盖编解码、表示学习与 forensics。

代表论文

5扩散安全、反演编辑与 3D 形状补全

持续

文生图图编辑3D 生成

UniNDM 利用扩散早期噪声可分离性，统一色情提示检测与负引导缓解，并扩展到 DiT [15]。SlerpFlow 在 FLUX 上用球面线性插值校正 rectified flow 反演速度，零训练提升重建与编辑语义对齐 [5]。Axolotl3D 联合图像、可见性、相机与部分点云做遮挡感知形状补全与编辑 [16]。生成组本周 4 篇 P1、无视频生成入选，热点落在安全合规、编辑反演精度与可控 3D 补全。

代表论文

6LLM Agent、状态空间适配与开放评测

持续

LLM

MaLoRA/MaRA 在 token 与上下文两级引入 Mamba 状态空间，相对 LoRA 在多跳推理上平均 +6.4 F1 [18]。SEGRA 面向属性图 Gremlin 查询，用 schema grounding 与技能库降调用成本 [19]；ComfyUI 工作流 Agent 从真实工作流蒸馏层级知识 [20]。开放权重 LLM 在 20 项纵向数据准备任务上、消费级硬件任务完成率可达约 87.9% 的开源框架 [6] 将 Agent 能力拉到可复现实验。LLM 本周 4 篇 P1，低于前 4 周 P1 周均；agent 主题覆盖本周四篇 LLM 工作。

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 24 篇：P1 顶会 24

各方向本周与前 4 周均值

按论文主方向 · 对比 W26、W27、W28、W29

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1 篇4.3 篇2 篇1.8 篇4.8 篇1 篇1.8 篇0.3 篇1.5 篇1 篇1.3 篇7.5 篇5 篇19.5 篇0.8 篇10 篇25 篇4 篇8.3 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14.314.3
图编辑21.821.8
视频生成04.804.8
3D 生成11.811.8
Visual2Code00.000.0
3D2Code00.300.3
GUI Agent01.501.5
世界模型11.311.3
具身智能07.507.5
VLM519.5519.5
OCR00.800.8
音频1025.01025.0
LLM48.348.3
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（4 篇）。详细数值见数据表。VLMagentASRbenchmarkdisfluencyLoRAmulti-viewvisual grounding3D editing3D Gaussian Splatting3D shape completion3D spatial reasoningaccented speechaccessibilityadaptive inference4 篇3 篇2 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）
VLM4
agent3
ASR2
benchmark2
disfluency2
LoRA2
multi-view2
visual grounding2
3D editing1
3D Gaussian Splatting1
3D shape completion1
3D spatial reasoning1
accented speech1
accessibility1
adaptive inference1

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

PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics

PhysCoRe：面向材质感知可形变动力学的物理校正残差世界模型

arXiv:2607.20653P1 顶会正文（arXiv HTML）参考来源 [7]

要解决的问题
机器人操作可形变物体前，需预测动作引起的形变；材质刚度、塑性等潜变量无法从 RGB-D 直接读出。逐物体标定材质慢且难泛化，纯学习方法又易违背物理结构、分布外外推差。
方法
PhysCoRe 以可微 MLS-MPM 为骨架，串联两个前馈模块：Material from Motion（MfM）从短窗视觉与跟踪位移推断每粒子弹性参数及置信度，并判别弹性/塑性本构；Residual from Dynamics（RfD）在网格更新与 G2P 之间注入有界速度残差，吸收离散化与理想本构带来的 sim-to-real 偏差。先在合成增广数据上预训练 MfM，再冻结 MfM、在真实片段上训练 RfD。
主要结果
在真实弹性与黏弹性物体操作序列上，未来帧预测整体最优。相对 PhysTwin，弹性物体 Chamfer 降 43.7%、黏弹性降 30.5%，跟踪损失分别降 15.2% 与 8.3%。仅 MfM 已较强，加入 RfD 后 CD 再降 13.1% 与 17.8%。材质辨识约 11.4 s， rollout 约 8.5 s/episode；目标条件规划两任务对称 Chamfer 均为最低。
局限
论文聚焦弹性与黏弹性，本构为预定义集合，未覆盖撕裂、切割、黏附、流体化或极复杂接触。真实实验为类内物体与交互，未验证跨类别零样本；RfD 仅在有限物体上训练，更广动力学上的可扩展性未验证。
意义
在 world model 路线中保留 MPM 的动量结构，用一次前馈完成未见物体的在线材质 grounding，并以残差修正 analytical sim 的系统误差，为可形变操作中的预测、探索与梯度规划提供了可核对物理的中间表示。

正文出处

  1. §5.2相对 PhysTwin，弹性 CD 降 43.7%、黏弹性降 30.5%；跟踪损失降 15.2% 与 8.3%。

    Against PhysTwin it reduces CD by 43.7% on elastic objects and 30.5% on elastoplastic objects, and tracking loss by 15.2% and 8.3%

  2. §5.2前馈材质辨识约 11.4 s，PhysTwin 为 930.0 s，PGND 为 8280.0 s。

    identifying material in 11.4 s against 930.0 s for PhysTwin and 8280.0 s for PGND (Table 5)

  3. §5.3加入 RfD 后，弹性 CD 再降 13.1%，黏弹性再降 17.8%。

    adding RfD further reduces CD by 13.1% on elastic objects and 17.8% on elastoplastic objects

  4. §5.2测试时单 episode rollout 约 8.5 s，约合每预测帧 110 ms。

    At test time PhysCoRe rolls out an episode in 8.5 s, about 110 ms per predicted frame.

  5. §5.6目标条件规划两任务上，PhysCoRe 的 Chamfer 误差均为最低。

    PhysCoRe attains the lowest error on both tasks, showing that its more accurate forward prediction yields plans that leave the object closer to the goal configuration.

  6. §7方法可能无法扩展到撕裂、切割、黏附、流体化或高度复杂接触等动力学。

    our implementation relies on a predefined set of material behaviors, so it may not extend to dynamics that involve tearing, cutting, adhesion, fluid-like motion, or highly complex contacts.

ZeroSplat: Generalized Referring Segmentation in 3D Gaussian Splatting

ZeroSplat：3D Gaussian Splatting 中的广义指代分割

arXiv:2607.18801P1 顶会正文（arXiv HTML）参考来源 [4]

要解决的问题
现有 Referring 3DGS 假定每条指令仅对应单一目标，无法处理零目标或多目标等开放指令；主流范式在 2D 渲染像素上做语义匹配，缺乏对 Gaussian 原语的点级 3D 理解，且逐场景优化与向百万级 Gaussian 嵌入语义特征带来高昂算力与存储成本。
方法
ZeroSplat 不改 3DGS 本体，将 2D VLM 先验经多视图几何约束提升到 3D。流程三阶段：曲率加权贪心选关键帧，VLM 先抽语义标签再出 2D 框作空间锚；SAM3 生成多视图 mask，按渲染贡献反投影初始化前景 Gaussian，并做跨视图背景裁剪；最后用关键帧框做多视图验证，并以 KNN 空间标签扩散填补遮挡造成的内部空洞。
主要结果
在 GR-LERF 与 GR-ScanNet 上，ZeroSplat 平均 mIoU 分别为 50.8 与 41.2，明显领先既有 3D 语义方法。标准单目标 Ref-LERF 测试集平均 mIoU 为 32.7，较全监督 ReferSplat 仍高 3.5。开放词汇 LERF 上达 52.4 mIoU。相对需逐场景优化的方法，本框架无场景优化、无额外特征存储，峰值显存约 10 GB。
局限
作者指出失败多源于 VLM 能力边界：密集 clutter 干扰 2D 定位，或指代文本导致错误语义标签会误导全流程。实验主要在 GR-LERF 四个 LERF 场景与 GR-ScanNet 十个室内 ScanNet 场景及 ReferSplat 发布测试集上验证，结论适用范围受这些数据规模与域限制。
意义
将指代分割从单目标推广到 0/1/N 的 GR3DGS，并提供像素级与点级评测基准；免训练、零特征存储的点级方案为资源受限部署与后续 embodied 场景交互提供了可复用的技术路径，性能随更强 VLM 仍有上升空间。

正文出处

  1. Table 2GR-LERF 平均 mIoU 50.8，GR-ScanNet 点级 mIoU 41.2，为表中 ZeroSplat 主结果。

    Ours 46.5 56.3 52.1 48.4 50.8 41.2

  2. §4.5单目标 Ref-LERF 上平均 mIoU 32.7，较全监督 ReferSplat 高 3.5 mIoU。

    ZeroSplat achieves a strong mean mIoU of 32.7. Notably, although ZeroSplat is entirely training-free, it still outperforms the fully supervised ReferSplat (+3.5 mIoU).

  3. §4.6开放词汇 LERF 上 mIoU 52.4，较此前最佳高 2.0 mIoU。

    it achieves 52.4 mIoU on LERF, surpassing the previous best by 2.0 mIoU and establishing a new state of the art

  4. Table 1无逐场景优化、无额外特征存储，峰值显存约 10 GB。

    Ours – 3D Point Yes (generalized) None None 0 ∼10 GB

  5. §4.7VLM 空间锚定与 KNN 扩散组合在 GR-ScanNet 上达 41.2 mIoU，与全局定位及局部几何 refinement 互补。

    Combining both modules yields the best performance (41.2 mIoU), demonstrating that global semantic localization and local geometric refinement are highly complementary.

  6. Appendix 0.E失败主要出现在 VLM 严重受限：密集 clutter 或错误语义标签会误导管线。

    Failures mainly occur under severe VLM limitations:(1) dense clutter disrupts 2D localization; (2) wrong semantic labels from the referring text mislead the pipeline.

CRAG-MM-Diagnostics: Enabling Stage-Wise Analysis of Knowledge-Intensive VQA

CRAG-MM-Diagnostics：知识密集型 VQA 的分阶段诊断评测

arXiv:2607.21155P1 顶会正文（arXiv HTML）参考来源 [9]

要解决的问题
知识密集型 VQA 基准多仅报告端到端准确率，难以判断失败来自指代 grounding、目标识别还是外部知识检索与推理，阻碍系统改进。
方法
在 CRAG-MM 上构建 CRAG-MM-Diagnostics：人工与自动标注目标框、实体名、指代表达类型、消歧与 text-only 问题及视觉显著性等，将评测拆为语言视觉 grounding、物体识别、知识检索推理三阶段；并实验 grounded bimodal RAG，先 Grounding-DINO 裁剪目标再双模态检索。
主要结果
知识检索与推理是主瓶颈；给出 gold 实体名后平均仍仅约 8.7 点提升，GPT-5 仅 20.9% 错误可借此消除。grounded bimodal RAG 使 GPT-5、Qwen 准确率分别提高 13.3 与 8.5 个百分点。第一阶段中 Qwen2.5-VL 族 grounding 最高 67.8%；消歧 query 带来平均 44.0% 的 grounding 增益。
局限
结论主要基于 CRAG-MM 衍生的 1,149 条第一人称复杂场景样本；附录在 EVQA 上显示 grounding 并非普适，landmark 等需全局上下文时加入裁剪可能整体变差。
意义
提供可隔离三阶段的 KI-VQA 诊断基准与元数据，支持参数化与 RAG 细粒度对比，并给出「先识别再检索」等模块化设计线索，有助于从黑盒准确率转向可解释评测。

正文出处

  1. Abstract知识检索与推理是 KI-VQA pipeline 的主要瓶颈。

    Our results point to knowledge retrieval and reasoning as the primary bottleneck

  2. Abstractgrounded bimodal RAG 使 GPT-5 与 Qwen 准确率分别提升 13.3 与 8.5 个百分点。

    boosting GPT-5 and Qwen's respective accuracies by 13.3 and 8.5 percentage points

  3. §1仅 20.9% 的 GPT-5 错误可通过提供 ground-truth 目标实体名消除。

    only 20.9% of GPT-5's errors can be resolved by providing the ground-truth target object name

  4. §4.2Qwen2.5-VL 族在语言视觉 grounding 上峰值准确率为 67.8%。

    The Qwen2.5-VL family demonstrates robust grounding across all sizes, peaking at 67.8% accuracy

  5. §4.2对 ambiguous query 消歧后，grounding 平均提升 44.0%。

    Disambiguation resulted in a substantial performance surge, a mean 44.0% improvement

  6. §6.2使用 text-only 问题（含 gold 实体名）后，平均准确率提升 8.7 点。

    Figure 7(a) ('txt-only' marker) shows that while this improves results by 8.7 points on average

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4

方法亮点3

数据与评测2

开源项目1

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 4 篇

3D 生成 1 图编辑 2 文生图 1

本周生成方向 4 篇 P1，无视频生成入选。一条线是合规：UniNDM 从噪声动力学做 T2I 安全 [15]；一条是编辑与反演：SlerpFlow 面向 FLUX rectified flow [5]，MTVDiff 做多模态热红外—可见光人脸翻译 [17]；3D 侧 Axolotl3D 强调遮挡感知形状补全与几何一致编辑 [16]。整体偏可控编辑与补全，而非视频产能扩张。

相关论文

理解

本周 5 篇

VLM 5

理解分组 5 篇均为 VLM。三维与 grounding 占主导：VLM-IE3D、ZeroSplat、CRAG-MM-Diagnostics [3][4][9]；效率与分布偏移由 SmartVL 与 MOON 覆盖 [11][10]。本周 VLM P1 篇数低于前 4 周周均，但单周内在空间推理、诊断基准与自适应推理上形成互补簇。

相关论文

音频

本周 10 篇

音频 10

音频分组 10 篇 P1，仍为各方向最多，但低于前 4 周该方向 P1 周均。ASR 与不流利、实体召回 [1][2]；编解码与 token 化 [12][8]；多通道 SE 阵列不变 [23]；隐私保护痴呆检测 [24]；Sonic Stage 用空间声景辅助视障理解对话视频 [22]。跨度从核心语音技术到 forensics 与 accessibility。

相关论文

基础模型

本周 4 篇

LLM 4

基础模型分组 4 篇 LLM。推理增强 MaLoRA/MaRA [18]；企业图 QA Agent SEGRA [19]；ComfyUI 知识-centric 工作流生成 [20]；开放权重 Agent 纵向数据准备 benchmark [6]。Agent 主题跨多篇，重心在工具链落地与可复现评测而非统一多模态基座。

相关论文

下周关注点

  • VLM 三维几何与 grounding 相关 ECCV 论文是否延续本周集群
  • GR3DGS 类 3D 指代基准会否带动更多免训练 3DGS 理解方法
  • 口音 ASR 实体与不流利召回指标是否成为会话语音常规评测项
  • 开放权重 LLM 本地 Agent 数据准备框架的社区复现与对比
  • 视频生成方向 P1 缺席是否为单周波动，需结合后续周次 P1 篇数再判断

参考来源

  1. [1]Transcription Policy as a Latent Variable: Activating Controllable Verbatim ASR with Word-Level TimingarXiv · 2026-07-22 · 摘要 · 访问于 2026-10-19↩
  2. [2]Beyond WER: Entity and Disfluency Recall in Accented Conversational ASRarXiv · 2026-07-23 · 摘要 · 访问于 2026-10-19↩
  3. [3]3D-Aware VLMs with Implicit and Explicit GeometriesarXiv · 2026-07-24 · 摘要 · 访问于 2026-10-19↩
  4. [4]ZeroSplat: Generalized Referring Segmentation in 3D Gaussian SplattingarXiv · 2026-07-22 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  5. [5]SlerpFlow: Spherical Trajectory Correction for Rectified Flow InversionarXiv · 2026-07-24 · 摘要 · 访问于 2026-10-19↩
  6. [6]Agentic coding without the cloud: evaluating open-weight large language models on longitudinal data preparation tasksarXiv · 2026-07-24 · 摘要 · 访问于 2026-10-19↩
  7. [7]PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable DynamicsarXiv · 2026-07-24 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  8. [8]Content is What Remains: Invariant Speech Tokenization from Parallel UtterancesarXiv · 2026-07-22 · 摘要 · 访问于 2026-10-19↩
  9. [9]CRAG-MM-Diagnostics: Enabling Stage-Wise Analysis of Knowledge-Intensive VQAarXiv · 2026-07-24 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  10. [10]Von Mises-Fisher Mixture Model with Dynamic Shrinkage for Realistic Test-Time TransductionarXiv · 2026-07-20 · 摘要 · 访问于 2026-10-19↩
  11. [11]Look Less, Think Faster: Joint Token-Compute Adaptation for Multimodal LLMsarXiv · 2026-07-23 · 摘要 · 访问于 2026-10-19↩
  12. [12]HARP: Harmonic-Aware Residual Partitioning for Neural Audio CodecsarXiv · 2026-07-21 · 摘要 · 访问于 2026-10-19↩
  13. [13]Layer-Wise Decision Fusion for Fake Audio Detection Using XLS-RarXiv · 2026-07-23 · 摘要 · 访问于 2026-10-19↩
  14. [14]Audio Cross Verification Using Dual Alignment Likelihood Ratio TestarXiv · 2026-07-21 · 摘要 · 访问于 2026-10-19↩
  15. [15]UniNDM: A Unified Noise-driven Detection and Mitigation Framework Against Sexual Content in Text-to-Image GenerationarXiv · 2026-07-21 · 摘要 · 访问于 2026-10-19↩
  16. [16]Axolotl3D: a Unified Framework for Faithful 3D Shape CompletionarXiv · 2026-07-24 · 摘要 · 访问于 2026-10-19↩
  17. [17]MTVDiff: Multimodal Conditional Latent Diffusion for Enhanced Thermal-to-Visible Face TranslationarXiv · 2026-07-23 · 摘要 · 访问于 2026-10-19↩
  18. [18]Selective State-Space Adaptation and Retrieval for Language Model ReasoningarXiv · 2026-07-22 · 摘要 · 访问于 2026-10-19↩
  19. [19]SEGRA: A Structured Experience Guided Reasoning Agent for Property Graph Question AnsweringarXiv · 2026-07-22 · 摘要 · 访问于 2026-10-19↩
  20. [20]Knowledge-Centric Agents for Workflow Generation in ComfyUIarXiv · 2026-07-20 · 摘要 · 访问于 2026-10-19↩
  21. [21]Designed Vocalizations Dataset: Sound-Designed Human and Animal Voices for Non-human Voice ConversionarXiv · 2026-07-24 · 摘要 · 访问于 2026-10-19↩
  22. [22]Sonic Stage: Auto-Generating Interactive Spatial Soundscapes to Facilitate Dialogue Video Comprehension for Blind ViewersarXiv · 2026-07-24 · 摘要 · 访问于 2026-10-19↩
  23. [23]Towards Array-Invariant Speech Enhancement via Geometry-Aware Dynamic ConvolutionarXiv · 2026-07-22 · 摘要 · 访问于 2026-10-19↩
  24. [24]Multi-Level Privacy-Preserving Dementia Detection from Speech via Targeted Adversarial Obfuscation and Representation LearningarXiv · 2026-07-21 · 摘要 · 访问于 2026-10-19↩