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 32 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

本周入选 18 篇且全部为 P1，总量延续近几周收缩，比较口径统一为顶会 P1 时不宜仅看总篇数判断全局升温。具身智能 3 篇，高于前 4 周该方向 P1 周均 2.3 篇，重规划 token 预算 [1] 与闭环自校正世界模型 [2] 指向部署侧瓶颈。理解方向 4 篇 VLM 为主，低于前 4 周 VLM P1 周均 10.8 篇，但忠实视觉推理 [3]、物体幻觉自评 [4] 与 3D token 压缩 [5] 问题集中。音频 4 篇，低于前 4 周音频 P1 周均 9.5 篇，专家反馈基准 [6] 与 ASR 置信校准 [7] 并重。文生图、图编辑、视频生成本周 P1 篇数为 0，Visual2Code 出现 SVGEval 评测框架 [8]。

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具身部署：重规划预算与闭环世界模型

升温

具身智能世界模型

本周具身方向 3 篇 P1，高于前 4 周 P1 周均 2.3 篇。[1] 指出 LLM 重规划上下文膨胀会在成功率仍高时触发尾延迟与 SLO 违约，BRACE 与 E-RECAP 在多平台将 token 降低 62–92%。[2] 将前瞻反馈写入世界模型，在 VLN-CE 上闭环修正计划；[9] 则从视触融合与接触后 refinement 提升灵巧抓取。本周三篇具身工作分别关注重规划预算、闭环世界模型与视触抓取。

代表论文

2VLM 可信推理与 3D 高效理解

持续

VLM

VLM 方向本周 4 篇 P1，低于前 4 周 P1 周均 10.8 篇。[3] 用分布约束与轨迹级 verifier 提升多步视觉推理，较 prior 自进化 agent 最高约 +5.1 点并强调忠实度。[4] 在 LM head 输出逐物体真实度分数检测幻觉。[5] 针对 3D QA，128 token 约保留 94.7% 性能并约 1.92× 推理加速。[10] 将细粒度步态理解引入临床相关视频域并发布数据集。本周四篇 VLM 工作分别关注忠实推理、幻觉检测、3D 压缩与临床视频。

代表论文

3音频：专家对齐基准与置信/表达细化

持续

音频

音频方向本周 4 篇 P1，低于前 4 周 P1 周均 9.5 篇。[6] 发布 VocalCoachBench（515 条录音、18 位专业教练标注），对 12 个 audio-language 模型显示细粒度诊断对齐仍弱。[7] 用束搜索信息做 ASR 置信估计，域内 token 级 MCE 4.50%、ECE 0.30%，优于 softmax。[11] 交互优化个体 arousal-valence 空间以做文化自适应情感 TTS；[12] 从架构侧改进说话人表示。本周音频工作覆盖专家反馈、ASR 置信、个性化 TTS 与说话人表示。

代表论文

4LLM 长上下文、搜索 Agent 与自洽性

持续

LLM

LLM 方向本周 4 篇 P1，略低于前 4 周 P1 周均 5.3 篇。[13] 选择性解压隐状态记忆，在长上下文 QA 上优于主要压缩基线并改善首 token 时延与吞吐。[14] 用覆盖率引导 RL 训练搜索增强 Agent，缓解 outcome reward 对查询分解监督不足。[15] 立场文主张以自洽性框架统一理解谄媚、逻辑与幻觉等跨输出失败。[16] 揭示大小写重排注意力并部分迁移至 VLM 跨模态注意力。本周 LLM 工作覆盖长上下文记忆、搜索 Agent、自洽性与注意力机制。

代表论文

53D 部件创作与 Visual2Code 感知评测

新出现

3D 生成Visual2Code

Visual2Code 本周 1 篇 P1，前 4 周 P1 周均为 0，属新出现的顶会关注点。[8] 提出 SVGEval，用渲染图与人类标注评估文生 SVG，并指出模型在几何与布局上弱于语义与美学。3D 生成方向 1 篇，与前 4 周 P1 周均 0.8 篇接近。[17] 将语义部件 hierarchy 作为 XR 共创中的一等公民，用 LLM 意图脚手架减少整物体重生成。两条线共同指向「结构化、可编辑、可评测」的多模态生成，而非单次端到端出图。

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 18 篇：P1 顶会 18

各方向本周与前 4 周均值

按论文主方向 · 对比 W28、W29、W30、W31

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2.3 篇1 篇2.3 篇1 篇0.8 篇1 篇0.5 篇3 篇2.3 篇4 篇10.8 篇0.3 篇4 篇9.5 篇4 篇5.3 篇1 篇0.8 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02.302.3
图编辑01.001.0
视频生成02.302.3
3D 生成10.810.8
Visual2Code10.010.0
3D2Code00.000.0
GUI Agent00.000.0
世界模型00.500.5
具身智能32.332.3
VLM410.8410.8
OCR00.300.3
音频49.549.5
LLM45.345.3
统一多模态10.810.8

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 LLM（2 篇）。详细数值见数据表。LLMVLM3D authoring3D question answering3D VLMaction recognitionagentarousal-valenceASRattentionaudio-language modelbeam searchbenchmarkcalibrationclinical2 篇2 篇1 篇1 篇1 篇1 篇1 篇1 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）
LLM2
VLM2
3D authoring1
3D question answering1
3D VLM1
action recognition1
agent1
arousal-valence1
ASR1
attention1
audio-language model1
beam search1
benchmark1
calibration1
clinical1

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

When Replanning Becomes the Bottleneck: Budgeted Replanning for Embodied Agents

当重规划成为瓶颈：具身智能体的预算化重规划

arXiv:2608.01428P1 顶会正文（arXiv HTML）参考来源 [1]

要解决的问题
具身智能体在闭环中频繁重规划，LLM 重规划提示随 episode 与多智能体消息累积变长，延迟出现重尾并违反实时 SLO，而任务成功率仍可能很高，难以仅从平均延迟或成功率发现该 failure mode。
方法
BRACE 把每次潜在重规划点当作控制决策：是否调用 planner、选模式，并为压缩后 planner 输入设定 token 预算 Bt 与端到端重规划调用延迟 SLOt，配合 cooldown、commit 与 failure-aware override。E-RECAP 在 transformer 多层用轻量 predictor 估计 token 效用并渐进剪枝，固定保留 head/tail，其余按 top-k 填满预算，可插入重规划调用路径。
主要结果
在 Meta Habitat、RoboFactory、AirSim 上，BRACE 与 E-RECAP 将单次重规划 token 降 62–92%，SLO 违约率由 85.5–100.0% 降至 4.7–50.0%，成功率已饱和时仍可保持 100%。Habitat 多 agent 下 E-RECAP 单次重规划 token 减 71–76%、延迟约 2.1–2.6×。RoboFactory 更难 Pass-Shoe 中 open-loop 等与 No BRACE 均失败时，BRACE + E-RECAP 达 80.0% 成功率、4.6% SLO 违约。
局限
作者称 BRACE 是带显式预算与 phase accounting 的系统框架，而非全闭环定理级稳定性分析；更丰富的 controller、检索与缓存集成、长程操作与人机协同等待扩展；实验以仿真为主，并辅以单臂实验室机器人验证。
意义
把重规划成本提升为可 meter 的调用级对象，建议在具身评测中 alongside 成功率报告尾延迟与 SLO 违约，并为剪枝、检索等与预算匹配对比提供可审计接口，对实时多智能体闭环部署有参考价值。

正文出处

  1. Abstract三平台上 BRACE + E-RECAP 将重规划 token 降 62–92%，SLO 违约由 85.5–100.0% 降至 4.7–50.0%。

    Across Meta Habitat, RoboFactory, and AirSim, BRACE with E-RECAP reduces replanning-call token counts by 62–92% and SLO violation rates from 85.5–100.0% to 4.7–50.0% in settings where task success is already saturated.

  2. §1Meta Habitat 上 No BRACE 在 100% 成功下仍有 85.5% 重规划调用违反 SLO；加 E-RECAP 后违约降至 4.7%。

    No BRACE violates the SLO on 85.5% of replanning calls despite 100% success (Table 2). With E-RECAP on the replanning call path (as used by BRACE), the violation rate drops to 4.7% without reducing success

  3. §1Habitat-Lab 多 agent 上下文增长下，E-RECAP 单次重规划 token 减 71–76%，重规划延迟约 2.1–2.6× 加速。

    On Habitat-Lab navigation with multi-agent context growth, E-RECAP reduces tokens per replanning call by 71–76% and replanning latency by 2.1–2.6× with minimal changes in success and success weighted by path length.

  4. Abstract更难 RoboFactory Pass-Shoe 中 BRACE + E-RECAP 达 80.0% 成功率与 4.6% SLO 违约。

    In a harder RoboFactory setting where open-loop, frozen-plan, and No BRACE all fail, BRACE + E-RECAP reaches 80.0% success with 4.6% SLO violations, demonstrating that tail-aware per-call budgeting is effective across embodied platforms.

  5. Table 2Table 2 中 BRACE + E-RECAP 在 Meta Habitat 导航上 mean tokens 为 20，SLO 违约 4.7%。

    Meta Habitat Navigation BRACE + E-RECAP 30 100.0 20 2,500 2,500 4.7

  6. §6结论节承认 controller 策略、检索缓存集成与长程操作等人机场景等方向仍开放。

    Several directions remain open, including richer controller policies (e.g., risk-aware budget allocation and failure-conditioned overrides), tighter integration with retrieval and caching backends, and broader coverage of long-horizon manipulation and human-in-the-loop settings.

DiffuseAgent-MI: Distributionally-Grounded,Tool-Integrated Self-Evolving Agents for Faithful Visual Reasoning

DiffuseAgent-MI：分布 grounded、工具集成的自进化忠实视觉推理智能体

arXiv:2608.00540P1 顶会正文（arXiv HTML）参考来源 [3]

要解决的问题
工具集成视觉语言智能体在多步视觉推理上进展显著，但解释路径常与真正驱动答案的内部表示脱节，即便答案数值正确也难以追溯，在安全敏感场景中削弱可靠性。
方法
在 DINOv2 等特征单元空间上定义 KL 最小能量项，引导扩散采样贴近以该单元为条件的原生先验；求解器交替调用外部工具并自进化，奖励中显式加入能量惩罚；verifier 给出轨迹级忠实度，对不忠实步骤通过 repair 加强单元 emphasis 并重采样。
主要结果
在 GeoQA、SciVis、VQA-v2 与 MMR 上，完整 DiffuseAgent-MI 相对 prior 自进化智能体准确率最高提升 5.1 点（GeoQA 83.4）；MI-Faith 达 94.7、MI-Interp 达 88.9%；相对 plain agent 推理开销约 1.12×。
局限
忠实度保证依赖所选特征单元空间与 verifier 对 active unit 的定义；特征提取器若设定不当，保证会继承该偏差。verifier 按固定协议训练，未必迁移到差异很大的推理风格；分布约束能否推广到自回归生成仍开放。
意义
将分布视角的 mechanistic interpretability 与工具集成自进化闭环结合，能量项与 verifier 在理论上互补，为可解释、可审计的多模态 agent 提供可优化目标，而非仅追求答案准确率。

正文出处

  1. Abstract相对 prior 自进化智能体，准确率最高提升 5.1 点，并显著抬高 MI 忠实度与人类可解释一致度。

    DiffuseAgent-MI improves accuracy by up to 5.1 points over prior self-evolving agents while more than doubling mutual-information faithfulness and human-interpretability agreement.

  2. §4.3完整 verifier 加 repair 在 GeoQA 上达 83.4，相对 Agent0-VL 的 78.3 领先最多 5.1 点。

    DiffuseAgent-MI outperforms the strongest self-evolving baseline by up to 5.1 points on GeoQA (83.4 vs. 78.3 for Agent0-VL and 79.1 for the energy-free self-evolution baseline)

  3. §4.3完整模型 MI-Faith 为 94.7，MI-Interp 为 88.9%，较 ReAct 基线可解释性提升超过一倍。

    the full verifier-plus-repair loop reaches 94.7 alignment AUROC and 88.9% human agreement—more than doubling the interpretability of the ReAct baseline.

  4. §4.3相对普通 agent，完整方法推理计算量约为 1.12×，忠实度提升并非以极高算力为代价。

    The relative compute increase over a plain agent is only 1.12×, showing that faithfulness does not come at prohibitive cost

  5. §4.4去掉能量项后 GeoQA 仅降 1.5 点，但 MI-Faith 从 94.7 跌至 71.6，说明分布 grounding 主要由能量驱动。

    Removing the energy (λ=0) leaves accuracy largely intact (−1.5 on GeoQA, −2.5 on MMR) but collapses MI-Faith from 94.7 to 71.6 and MI-Interp from 88.9 to 66.0.

  6. Limitations and future work忠实保证相对特征单元空间与 verifier 定义；特征提取器 misspecified 时保证会继承该问题。

    Our faithfulness guarantees are relative to the chosen feature-unit space and the verifier's definition of an active unit; if the feature extractor itself is misspecified, the guarantees inherit that misspecification.

Position: It's Time to Optimize LLMs for Self-Consistency

立场：该优化大语言模型的自洽性了

arXiv:2608.05188P1 顶会正文（arXiv HTML）参考来源 [15]

要解决的问题
LLM 仍多在单条输入—输出上独立规定与评估行为，谄媚、逻辑泛化不足、自信但错误等失败在逐条交互中不易暴露；作者认为其共同根源是缺乏对跨输入行为关系的约束。
方法
提出 self-consistency：用一致性函数 φ 对多组相关输入—输出联合评分（语义等价、逻辑蕴含、事实一致等），替代纯 pointwise 的 SFT/RL 目标。分 instance 级（不变性/ equivariance，如谄媚、事实一致）与 meta 级（自述与实例行为对齐，支持校准、CoT 忠实、RLAIF）。可与原目标并用硬约束、软正则 λ 或 posterior regularization。
主要结果
本文为立场与统一框架，未报告新的大规模对照实验。主要论断是：既有专门评测与训练流程可视为一般 self-consistency 目标的特例，并可用同一套算法工具优化；通过案例将谄媚、事实传播、链式思考忠实性、RLAIF 等分别实例化为 φ；并讨论自动化 self-red-teaming 与科学假设生成等新能力形态。
局限
作者指出：满足 φ 的退化定点可能输出保守而无用的行为，一致性训练不宜孤立进行，宜与 SFT/RLHF 联合或作带正则的后训练；强制一致可能损害需上下文灵活性的任务；何时提升鲁棒、何时带来有害僵化仍是开放经验问题；并提及 consistency training 在受控 setting 中也可能强化谄媚。
意义
为难以用单点数据表达的 LM 期望行为提供 relational 组织框架，把多种失败模式与自省、自改进能力纳入同一优化视角，有助于 post-training 层面的通用约束设计；对更可预测、可审计的部署路径有讨论价值，但作者明确不主张追求完美一致。

正文出处

  1. §1仅比较多条相关交互时，谄媚等随用户 framing 漂移的问题才变得明显。

    Only when multiple interactions are considered together does the issue become clear: the model's behavior varies with user-framing rather than remaining stable across contexts.

  2. §2许多 LM 期望性质必须在多样本关系而非单样本上定义，即 self-consistency 约束。

    many important desiderata for language models must be defined not in terms of single samples, but in terms of relations between multiple samples.

  3. §3.1谄媚可被刻画为用户偏好信号变化下输出应不变却未不变的不变性失败。

    Within our framework, sycophancy can be seen as a failure of invariance: changing implicit/explicit user preferences changes model behavior to be agreeable.

  4. §1忠实自述与自改进均可视为行为与模型对自身描述/评估之间的一致性关系。

    We argue that both faithful self-description and self-improvement are special cases of self-consistency, in which the required consistency relation links a model's behavior to its own descriptions or evaluations of that behavior.

  5. §5仅优化一致性可能出现满足 φ 但输出无用或不理想的退化定点。

    Degenerate fixed points may satisfy a given consistency metric (ϕ) while producing unhelpful or undesirable outputs.

  6. §6.1立场并非要求 LM 达到完美一致，而是针对可结构化的具体不一致性加以直接优化。

    The position we advance in this paper is not that language models should be made perfectly consistent.

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3

数据与评测2

开源项目2

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 1 篇

3D 生成 1

生成分组本周仅 1 篇 P1，文生图、图编辑、视频生成方向本周 P1 篇数为 0。[17] 聚焦 XR 中部件层级与意图驱动的 3D 共创，强调生成后组件级编辑而非整物体重做。判断：本周顶会信号偏「3D 可交互创作」，主流 2D/视频生成在 P1 入选上暂处空窗，不宜解读为领域退潮，更可能是会期与采集批次分布。

相关论文

代码生成

本周 1 篇

Visual2Code 1

代码生成分组 1 篇，Visual2Code 方向前 4 周 P1 周均为 0，本周出现 ECCV 工作 [8]。其核心是感知质量基准而非代码合成本身，揭示 multimodal LLM 在空间几何评估上依赖 visual grounding。跟进方向应是 SVG/UI 结构化生成的可解释评测，而非仅 BLEU 或编译通过率。

相关论文

世界模型与具身

本周 3 篇

具身智能 3

世界模型与具身分组 3 篇，具身 3 篇高于前 4 周 P1 周均 2.3 篇；世界模型主方向本周 P1 为 0，但 [2] 以次方向承载闭环 VLN 世界模型。本周三篇具身工作分别优化重规划预算、闭环导航与视触抓取。

相关论文

理解

本周 4 篇

VLM 4

理解分组 4 篇均为 VLM 主方向，低于前 4 周 VLM P1 周均 10.8 篇。本周 VLM 工作覆盖失败模式测量与垂直域数据：推理忠实 [3]、幻觉检测 [4]、3D 效率 [5]、临床步态视频 [10]。

相关论文

音频

本周 4 篇

音频 4

音频分组 4 篇 P1，低于前 4 周 P1 周均 9.5 篇。[6] 把 expert feedback 做成可复现基准；[7] 与 [12] 分别加固 ASR 置信与说话人骨干；[11] 强调情感 TTS 的个体与文化差异。音频线本周共性是「对齐真实使用者/专家，而非平均听感」。

相关论文

基础模型

本周 5 篇

LLM 4 统一多模态 1

基础模型分组 5 篇：LLM 4 篇、统一多模态 1 篇。本周基础模型工作覆盖记忆压缩、搜索 Agent、自洽性与表示评测：[13]、[14] 研究记忆与搜索 Agent 训练信号；[15]、[16] 从自洽性与注意力机制理解模型行为；[18] 为通用多模态嵌入补视觉身份与 MVEB。

相关论文

下周关注点

  • 关注具身 LLM 重规划与 token 预算方案是否出现更多平台复现与开源实现。
  • 跟踪 3D VLM 压缩与 3D 共创是否形成可对比的统一效率基准。
  • 留意 audio-language 模型在专家反馈类任务上的后续微调与对齐方法。
  • 观察文生图/视频生成 P1 批次是否回补，避免将本周零篇误读为方向终止。

参考来源

  1. [1]When Replanning Becomes the Bottleneck: Budgeted Replanning for Embodied AgentsarXiv · 2026-08-04 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  2. [2]SC$^{2}$-WM: A Self-Correcting World Model with Closed-Loop Feedback for Vision-and-Language Navigation in Continuous EnvironmentsarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  3. [3]DiffuseAgent-MI: Distributionally-Grounded,Tool-Integrated Self-Evolving Agents for Faithful Visual ReasoningarXiv · 2026-08-04 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  4. [4]TruthLens: Object Hallucination Detection via Self-Evaluating Truthfulness Scores in LVLMsarXiv · 2026-08-07 · 摘要 · 访问于 2026-10-19↩
  5. [5]3DZip: Spatial-Aware Feature Diversity-Guided Token Compression for 3D Question AnsweringarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  6. [6]VocalCoachBench: Benchmarking Audio-Language Models on Expert Feedback for SingingarXiv · 2026-08-07 · 摘要 · 访问于 2026-10-19↩
  7. [7]Leveraging Beam Search Information for Confidence Estimation in E2E ASRarXiv · 2026-08-03 · 摘要 · 访问于 2026-10-19↩
  8. [8]SVGEval: A Vision-Grounded Framework for Perceptual-Quality Benchmarking and Evaluation in Text-to-SVG GenerationarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  9. [9]AdaDexGrasp: Adaptive Dexterous Grasping via 3D Visuo-Tactile Representation FusionarXiv · 2026-08-07 · 摘要 · 访问于 2026-10-19↩
  10. [10]Decoding Children's Gait BehaviorarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  11. [11]Beyond One-Size-Fits-All: Personalized and Culturally Adaptive Emotional TTS via Interactive Optimization of Individual Emotion Perception SpacesarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  12. [12]Beyond Residual Connections: Manifold-Constrained Hyper-Connections for Robust Speaker Representation LearningarXiv · 2026-08-07 · 摘要 · 访问于 2026-10-19↩
  13. [13]SeDeM: Selective Decompression of Hidden-State Memories for Long-Context Question AnsweringarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  14. [14]PROGRESS: Coverage-guided RL to Train Search-augmented LLM AgentarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  15. [15]Position: It's Time to Optimize LLMs for Self-ConsistencyarXiv · 2026-08-04 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  16. [16]Attention is Case-SensitivearXiv · 2026-08-05 · 摘要 · 访问于 2026-10-19↩
  17. [17]PartInteractor: Intent-Driven Part-Aware 3D Authoring for Continuous Co-Creation in XRarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩
  18. [18]Illuminating Visual Identity in Universal Multimodal EmbeddingsarXiv · 2026-08-04 · 摘要 · 访问于 2026-10-19↩