前沿论文周报 · 2026 年第 35 周
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
本周最值得注意的是理解组与基础模型组顶会论文量同步抬升：VLM 方向本周 14 篇，远高于前 4 周 P1 周均约 4.3 篇；LLM 方向 22 篇，同样高于前 4 周 P1 周均约 3 篇。本周多篇工作把失败模式拆成可测环节——文生图组合错误归因于规划器 [1]、GUI grounding 区分候选定位与关系选择 [2]、VLM 空间编码到答案的传输缺口 [3]。GRPO 与策略优化、动态奖励与 verifier 闭环在 LLM Agent、VideoLLM 与图像奖励建模中形成方法共振 [4][5]。音频 8 篇与前 4 周 P1 周均 4 篇相比仍偏活跃，长语音 KV、多说话人 ASR 与 deepfake 防御并存。
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
1VLM 空间推理与 grounding 缺口
升温VLMGUI Agent
本周 VLM 方向 P1 篇数显著高于前几周周均，且多篇共用「空间关系」叙事但切入不同：因果干预显示空间信息对答案 logits 的影响集中在中深层，文本 CoT 常抑制即时 object-word 传输 [3]；GUI 侧 994 项对比基准表明严格点框准确率最高约 32%，主因是候选区域外预测而非关系理解 [2]。与生成侧 [1] 对规划器 raster-order 偏差的诊断相呼应，本周代表工作分别诊断空间信息传输、候选定位和规划器几何偏差。
代表论文
- Knowing Isn't Always Saying: When Do Spatial Encodings Reach Answers in Vision-Language Models?（在新窗口打开）
- GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding（在新窗口打开）
- Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning（在新窗口打开）
- EgoArgus: Benchmarking VLMs as Situational Assistants for Modality-Grounded User Supports（在新窗口打开）
- RegulAR: Graph-Grounded Error Recognition and Assistance for Procedural Tasks in AR（在新窗口打开）
2GRPO 与策略优化后训练
升温LLMVLM文生图
关键词统计中 GRPO 与 Policy Optimization、Post-Training 均有多篇命中。SRPO 用自反思把稀疏终局奖励变为 token 级信号 [4]；ERPO 以 Query-KL 约束查询分布漂移，缓解 Policy-KL 对探索的双向绑定 [9]；EDGE 将检索经验蒸馏进 Agent RL [10]。多模态侧 RubricRM 对文生图与编辑做维度级 GRPO 奖励微调 [5]，Echo-GRPO 解决 VideoLLM 离策略轨迹的推理蒸馏 [11]。本周后训练工作覆盖信用分配、探索约束与可验证奖励。
代表论文
- SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning（在新窗口打开）
- Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization（在新窗口打开）
- EDGE: Experience-Distillation for Guided Exploration in Agentic Reinforcement Learning（在新窗口打开）
- Reason in the Words You Speak: Idiolectal Paraphrasing Off-Policy Traces for Reasoning Distillation in VideoLLMs（在新窗口打开）
- RubricRM: Generative Reward Modeling via Dynamic Rubrics for Image Generation and Editing（在新窗口打开）
3长程视频与可审计证据理解
持续4医学多模态 VLM 与 grounded 推理
升温5Agent 评测、纠错与工具调用评判
新出现LLMGUI Agent具身智能
GUI Agent 方向本周首次在 P1 统计中出现独立条目。除 GUI-Primitives 外，AgentJudgeBench 用 3808 例与六种 DAG 拓扑系统测 LLM-as-judge 在工具调用工作流上的可靠性 [18]。具身侧 FLARE 为 VLA 引入 Retry/Reset，用 MLLM 分析 OOD 失败并调度复位 [19]；AR 程序任务 RegulAR 用层次依赖图做错误识别与分级干预 [8]。本周 Agent 工作同时覆盖工具链评判、错误诊断与恢复。
代表论文
- AgentJudgeBench: A Multi-Difficulty Benchmark for Evaluating LLM Judges on Agentic Tool-Calling（在新窗口打开）
- FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation（在新窗口打开）
- GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding（在新窗口打开）
- BALMS: Benchmarking Agentic LLMs for Longitudinal Mental Health Sensing（在新窗口打开）
6语音链路：长上下文、RAG 与伪造防御
持续音频LLM
音频方向本周 8 篇，与前 4 周 P1 周均 4 篇相比数量翻倍。WnW 针对长形式 Speech LLM 的 KV 头角色分工与 CPU 分块召回 [21]；多跳 RAG 在 ASR 输入下会放大上游错误，richer 检索结构反而扩大 clean 与高 WER 口音的 F1 差距 [22]。本周语音安全工作同时覆盖 deepfake 分类 [25] 与主动篡改防御 [23]。
代表论文
- WnW: Waxing-and-Waning KV Cache for Long-Form Speech LLMs（在新窗口打开）
- Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors（在新窗口打开）
- A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography（在新窗口打开）
- Mitigating Speaker Leakage in Cascaded Multi-talker ASR with Diarization-based Transcript Correction（在新窗口打开）
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 54 篇：P1 顶会 54
各方向本周与前 4 周均值
按论文主方向 · 对比 W31、W32、W33、W34
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 | 3 | 1.3 | 3 | 1.3 |
| 图编辑 | 0 | 0.8 | 0 | 0.8 |
| 视频生成 | 2 | 1.0 | 2 | 1.0 |
| 3D 生成 | 0 | 0.5 | 0 | 0.5 |
| Visual2Code | 0 | 0.3 | 0 | 0.3 |
| 3D2Code | 0 | 0.0 | 0 | 0.0 |
| GUI Agent | 1 | 0.0 | 1 | 0.0 |
| 世界模型 | 1 | 0.5 | 1 | 0.5 |
| 具身智能 | 2 | 1.8 | 2 | 1.8 |
| VLM | 14 | 4.3 | 14 | 4.3 |
| OCR | 1 | 0.0 | 1 | 0.0 |
| 音频 | 8 | 4.0 | 8 | 4.0 |
| LLM | 22 | 3.0 | 22 | 3.0 |
| 统一多模态 | 0 | 0.5 | 0 | 0.5 |
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
查看数据表
| 关键词 | 论文数（篇） |
|---|---|
| VLM | 7 |
| MLLM | 6 |
| benchmark | 5 |
| LLM | 5 |
| GRPO | 4 |
| spatial reasoning | 3 |
| attention | 2 |
| error recovery | 2 |
| evaluation | 2 |
| flow matching | 2 |
| hallucination | 2 |
| Med-VQA | 2 |
| multimodal | 2 |
| Policy Optimization | 2 |
| Post-Training | 2 |
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
- 要解决的问题
- VLM 隐状态已能编码空间信息，答题时却常未用上；尚不清楚编码在何时、经何路径因果影响答案 logits，以及文本 CoT 如何改变该路径。
- 方法
- 在 Kang 等 spatial-ID 方向上，用类条件 direction patching 于指定层与 token 操纵残差流（obj_word 常用 α=5），读四选项 next-token logits，以 Δargmax 与 target-logit gain 度量传输；在 obj_word、prefix_last 与七种提示下对十款开源 VLM 系统扫描。
- 主要结果
- 编码可得与 argmax 级因果传输分离：传输多在中深层激活（正文归纳 L12–L32）。文本 CoT 使十款中八款在 obj_word 近零传输；visual_cot 十款均恢复，Janus 峰值相对 answer_only 约 5.8 倍。常见 relocation 与 prefix_last 深层通路；answer-only steering 下九款准确率降 8–21pp。
- 局限
- 「传输/门控」指 Kang 线性子空间内、固定 prompt 与位置的因果效应；非线性或其它方向未测。仅空间与颜色四选一 MCQ；十款均为 4B–32B 开源权重。生成验证为 128 token 单点干预；头 knockout 为概念验证而非完整电路。
- 意义
- 将编码—落地差距表述为依层深、提示与 token 位置而变的条件传输，为 CoT 损害空间推理提供机制线索，并表明视觉 grounding 提示可在不改权重下保持 object-word 通路。
正文出处
Introduction因果 transport 仅在 L12–L32 段激活，与 early-layer 方向构造证据不同步。
causal transport activates only at L12–L32.
§3.1中深层出现传输峰值；Janus L12 的 +0.325 为观测最大峰之一。
Transport activates in mid-to-deep layers (Qwen-7B L16 +0.156; Gemma-3-4B L12 +0.178; Janus L12 +0.325, the largest peak we observe).
§3.2十款模型中八款在 obj_word 上 CoT 峰值 Δargmax ≤0.006。
Eight of ten models show CoT peak Δargmax ≤0.006 at obj_word
§3.3visual_cot 下十款均恢复正 obj_word Δargmax，含 CoT 下被抑制的八款。
All ten models recover positive obj_word Δargmax under visual_cot, including the eight that are suppressed under text CoT.
§3.3Janus 在 visual_cot 峰值 +.403，相对 answer_only +.069 约 5.8 倍放大。
most strikingly Janus (+.403 vs. +.069, a 5.8× amplification).
§4.2answer-only 错误象限 steering 使九款模型准确率降 8–21pp。
Under answer-only, steering toward incorrect quadrants drops accuracy by 8–21pp in nine of ten models (Qwen-7B 74.2%→53.6%; IV3-8B 77.5%→56.9%; App. G).
- 要解决的问题
- 推理增强文生图在组合提示上常失败，但 benchmark 无法区分是显式 textual plan 写错，还是 plan 正确而 decoder 执行不忠实。
- 方法
- 在 GoT-R1-1B 上对 T2I-CompBench++ 做可控干预：校验、几何修复、替换与破坏 plan，并与未扰动 control 共享硬件、种子与解码路径；空间关系用 OWLv2 几何评分，并以链内 box swap 验证指标。
- 主要结果
- 未扰动链上 93.8% 生成布局实现 plan 关系，plan–检测框 IoU 0.747；干净分离框 oracle plan 较 control 空间关系 +13.3，几何 plan repair（m=0.2）+10.7；符号校验重采样 +5.0，最小原位 repair +6.0。规划器约五分之一 prompt 关系错误，语义相同布局措辞不同可达 98% 与 54% 规划准确率。
- 局限
- 仅验证 GoT-R1 的 1B 与 7B；空间与颜色各 300 条 validation 子集，全 benchmark 待做。几何分依赖 OWLv2 检测质量；颜色 verifier 只查颜色存在而非 binding；注意力探针为探索性空结果。
- 意义
- 在可靠几何度量下，组合失败主因是 planner 的关系与框几何，而非 decoder 不跟 plan；推理阶段改 plan 可无训练增益，模块化 planner–decoder 可行，前提是 box 与 prose 一致。
正文出处
§4.2未扰动 control 上 93.8% 生成布局实现 plan 关系，plan–检测 IoU 0.747。
planned-vs-detected box IoU is 0.747, and 93.8% of generated layouts realize the planned relation.
§4.1链内交换两框后，OWLv2 关系准确率从 0.750 降至 0.477。
prompt-relation accuracy collapses from 0.750 to 0.477
Table 1Oracle 最小文本 + 干净框相对 control 空间关系准确率 +13.3。
Oracle: minimal text, clean boxes control 0.883 +13.3
Table 1几何 plan repair（m=0.2）相对 control 提升 +10.7。
Geometric plan repair (m=0.2) control 0.857 +10.7
AbstractVerify-then-generate 式符号校验重采样 +5.0；最小原位 plan repair +6.0。
symbolic plan verification with resampling (+5.0, p<10−3) and minimal in-place plan repair (+6.0, p=.02)
Abstract语义相同布局规划准确率 98% 与 54% 对比，体现措辞依赖的 raster-order 偏差。
98% vs. 54% planning accuracy on semantically identical layouts
SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning（在新窗口打开）
SRPO：面向长程推理的自反思策略优化
- 要解决的问题
- 长程推理与 Agent 后训练往往只有 episode 终局稀疏奖励，信用分配困难，标准 PPO/GRPO 每局信息量约 O(1)，梯度方差大、样本效率低，反思类方法又易语义漂移或难以进入训练闭环。
- 方法
- SRPO 分两阶段：对已完成轨迹做自反思，生成 2–5 条「反思补丁」，以 reset-with-memory prepend 到原 prompt 得到教师分布；学生在原 prompt 上 on-policy 采样，用 teacher-forcing 下教师与学生 log-prob 差作逐 token reverse KL 奖励，经 PPO 式 clip 更新，无需外部 critic、奖励模型或更大教师。
- 主要结果
- Qwen3-8B 上 AIME'24 为 73.3%，相对 scaled SFT 训练 FLOPs 约 0.08×；计入 Stage 1 与 Stage 2 后总 FLOPs 相对 GRPO 约 3.8× 更少。Agent 侧 WebShop 64.7%、ALFWorld 76.8%、SWE-Bench-Lite 31.2%；自蒸馏较 Qwen3-72B 教师高 0.8 点，平均 episode 10.2 步。
- 局限
- 作者计划用外部验证改进反思质量，并拓展至不可验证结果、多模态与更长工具轨迹；自反思失败含泛化建议、误判与超能力三类。实验主要在可自动判对错的数据集与 Qwen/Llama 规模上验证，AIME'24 仅 30 题，作者承认样本小会放大 seed 方差。
- 意义
- 把稀疏终局反馈经 hindsight 反思转为 on-policy 稠密 token 监督，在不必调用更大教师的前提下，对数学与长程 Agent 后训练的信用分配与算力成本有一定参考价值，结论措辞上仍属单篇方法的实证进展。
正文出处
AbstractQwen3-8B 在 AIME'24 达 73.3%，训练 FLOPs 约为 scaled SFT 的 8%（0.08×）。
SRPO attains 73.3% on AIME'24 using only 8% (0.08×) of the training FLOPs required by scaled supervised fine-tuning
AbstractWebShop 64.7%、ALFWorld 76.8%、SWE-Bench-Lite 31.2% 成功率。
while significantly improving success rates on WebShop (64.7%), ALFWorld (76.8%), and SWE-Bench-Lite (31.2%).
§3.2.2计入 Stage 1 与 Stage 2，SRPO 相对 GRPO 总训练 FLOPs 约少 3.8×。
Counting Stage 1 and Stage 2, SRPO uses 5.4×1018 FLOPs versus 20.8×1018 for GRPO, i.e., approximately 3.8× fewer total FLOPs.
§4.2AIME'24 上较 GRPO 高 5.3 个百分点，较标准 on-policy 蒸馏高 3.3 个百分点。
achieving 73.3% on AIME'24—a 3.3 percentage point improvement over standard on-policy distillation and 5.3 points over GRPO.
§4.9自蒸馏优于 Qwen3-72B 教师蒸馏 0.8 点，教师侧 FLOPs 约 9× 更少。
SRPO with self-distillation outperforms distillation from Qwen3-72B (+0.8 points) while using 9× fewer teacher FLOPs.
§4.3长程 Agent 任务中平均 episode 长度 10.2 步，为对比方法中最短。
SRPO also achieves the shortest average episode length (10.2 steps), indicating that the learned policy is not only more successful but also more efficient.
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
知道不等于说出：空间编码何时抵达视觉语言模型答案？
十款 VLM 上 direction patching 因果框架，定量刻画空间编码何时、是否抵达答案 logits。
计划而非解码器：推理增强文生图组合失败的诊断与修复
分离规划与解码失败，证明组合 T2I 错误主因在规划器几何而非解码器忠实度。
SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning（在新窗口打开）
SRPO：面向长程推理的自反思策略优化
SRPO 内化自反思做 token 级信用分配，数学与 WebShop 等长程任务上高效 SOTA。
方法亮点2
RubricRM: Generative Reward Modeling via Dynamic Rubrics for Image Generation and Editing（在新窗口打开）
RubricRM：面向图像生成与编辑的动态 Rubric 生成式奖励建模
输入相关动态 rubric 成对奖励模型，文生图与指令编辑评测优于专用奖励基线。
超越稳定—探索困境：面向大语言模型策略优化的环境正则
ERPO 用 Query-KL 替代 Policy-KL，在 GRPO 类管线上更稳且保留响应侧探索。
数据与评测3
TRACE：基于锚定与收敛证据的时序检索用于长程视频理解
VES-Bench 可审计证据覆盖，TRACE 智能体以更低帧成本逼近高帧数 VideoQA 表现。
GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding（在新窗口打开）
GUI-Primitives：诊断视觉语言 GUI Grounding 中的空间推理失败
GUI-Primitives 994 项对比基准，定位 VLM GUI grounding 的主要失败是候选定位而非关系理解。
AgentJudgeBench：面向 Agent 工具调用的多难度 LLM 评判基准
AgentJudgeBench 3808 例多难度 DAG，系统揭示 LLM 评判者在 Agent 工具调用上的天花板。
开源项目2
SketchFlow: Zero-Shot Vector Sketch Generation via GMM Prior Flow in CLIP Latent Space（在新窗口打开）
SketchFlow：通过 CLIP 潜空间 GMM 先验流实现零样本矢量素描生成
SketchFlow 在 CLIP 潜空间用 OT 条件流匹配做零样本矢量素描，开源代码。
Ancient-Bench：古代中国文物文字识别的千年、多介质、多字体综合基准
Ancient-Bench 2700 张古文物 OCR 基准与介质定制标注，开源代码。
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 5 篇文生图 3 视频生成 2
生成组本周 5 篇，文生图与视频各有多篇 P1。组合生成侧强调「计划可编辑、可评分」：[1] 不改训练仅修计划即可提分；奖励侧 [5] 把 rubric 做成输入条件化并与 GRPO 联训。视频 [29] 从 DiT 位置嵌入层效应做无缝循环，[28] 则用 verifier 闭环学可执行剪辑规划。本周生成工作覆盖规划、验证、奖励与解码效率。
相关论文
- The Plan, Not the Decoder: Diagnosing and Repairing Compositional Failure in Reasoning-Augmented Text-to-Image Generation（在新窗口打开）
- RubricRM: Generative Reward Modeling via Dynamic Rubrics for Image Generation and Editing（在新窗口打开）
- Plans You Can Check: Verifier-Grounded Learning of an Open-Weight Planner for Executable Video-Editing（在新窗口打开）
- Loopy: Seamless Video Loop Generation via Anchored Looping Shift of Positional Embedding（在新窗口打开）
智能体
本周 1 篇世界模型与具身
本周 3 篇具身智能 2 世界模型 1
世界模型与具身本周 3 篇。[30] 用 latent 相容性预测替代像素重建做导航世界模型与策略 RL；[19] FLARE 把 MLLM 用于失败分析与 Reset 技能调度；[31] RoboGesture 做人形共语手势的实时语义对齐。具身篇数 2 与前 4 周 P1 周均约 1.8 相近；本周代表工作分别关注失败恢复与多模态交互。
相关论文
- Predicting Consequences and Reinforcing Navigation Policies with Latent World Models（在新窗口打开）
- FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation（在新窗口打开）
- RoboGesture: Real-Time Semantic-aligned Co-Speech Gestures Generation for Humanoid Interaction（在新窗口打开）
理解
本周 15 篇OCR 1 VLM 14
理解组本周 15 篇，VLM 占 14 篇且远高于前 4 周 P1 周均。热点包括：空间因果 [3]、长视频证据 [12]、测试时安全与去偏 [32][33]、医学 grounded [15]、egocentric 助手基准 [7]。OCR 侧 [27] 以 Ancient-Bench 显示千年多介质古文字仍远未解决。
相关论文
- Knowing Isn't Always Saying: When Do Spatial Encodings Reach Answers in Vision-Language Models?（在新窗口打开）
- TRACE: Temporal Retrieval with Anchored and Convergent Evidence for Long-Horizon Video Understanding（在新窗口打开）
- From Reasoning to Pixels: Grounded Medical Multimodal LLMs for VQA and Segmentation（在新窗口打开）
- Ancient-Bench: A Comprehensive Multi-millennial, Multi-medium, and Multi-script Benchmark for Ancient Chinese Artifact Text Recognition（在新窗口打开）
音频
本周 8 篇音频 8
音频 8 篇 P1，约为前 4 周 P1 周均 4 篇的两倍。工程向含长语音 KV [21]、多说话人泄漏剪枝 [24]、情感句内过渡 flow matching [35]；跨模态含 360° 视听空间音频 [34] 与 AVSR 对比解码 [36]。安全线 deepfake 检测与主动隐写防御 [25][23] 并行推进。
相关论文
- WnW: Waxing-and-Waning KV Cache for Long-Form Speech LLMs（在新窗口打开）
- Mitigating Speaker Leakage in Cascaded Multi-talker ASR with Diarization-based Transcript Correction（在新窗口打开）
- A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography（在新窗口打开）
- Visually-Guided Spatial Audio Generation for $360^\circ$ In-the-Wild Speech Scenes（在新窗口打开）
基础模型
本周 22 篇LLM 22
基础模型组 22 篇 P1，LLM 方向本周篇数为前 4 周 P1 周均约 3 篇的数倍。主线包括：Agentic RL 与经验蒸馏 [10]、策略优化稳定—探索 [9]、测试时科学方程搜索宽度 [37]、对话记忆 SCALE-QA [14]、方言流水线偏见 [38]、MoE 可用性攻击 [39]。RAG 与语音 ASR 交叉 [22] 提醒多模态检索栈的误差放大。
相关论文
- SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning（在新窗口打开）
- EDGE: Experience-Distillation for Guided Exploration in Agentic Reinforcement Learning（在新窗口打开）
- Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization（在新窗口打开）
- Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors（在新窗口打开）
参考来源
- [1]The Plan, Not the Decoder: Diagnosing and Repairing Compositional Failure in Reasoning-Augmented Text-to-Image Generation（在新窗口打开）↩
- [2]GUI-Primitives: Diagnosing Spatial Reasoning Failures in Vision-Language GUI Grounding（在新窗口打开）↩
- [3]Knowing Isn't Always Saying: When Do Spatial Encodings Reach Answers in Vision-Language Models?（在新窗口打开）↩
- [4]SRPO: Self-Reflective Policy Optimization for Long-Horizon Reasoning（在新窗口打开）↩
- [5]RubricRM: Generative Reward Modeling via Dynamic Rubrics for Image Generation and Editing（在新窗口打开）↩
- [6]Re$^3$Cap: Retrieval-Guided Refinement for Image Captioning Enhancement via Reinforcement Learning（在新窗口打开）↩
- [7]EgoArgus: Benchmarking VLMs as Situational Assistants for Modality-Grounded User Supports（在新窗口打开）↩
- [8]RegulAR: Graph-Grounded Error Recognition and Assistance for Procedural Tasks in AR（在新窗口打开）↩
- [9]Beyond the Stability-Exploration Dilemma: Environmental Regularization for LLM Policy Optimization（在新窗口打开）↩
- [10]EDGE: Experience-Distillation for Guided Exploration in Agentic Reinforcement Learning（在新窗口打开）↩
- [11]Reason in the Words You Speak: Idiolectal Paraphrasing Off-Policy Traces for Reasoning Distillation in VideoLLMs（在新窗口打开）↩
- [12]TRACE: Temporal Retrieval with Anchored and Convergent Evidence for Long-Horizon Video Understanding（在新窗口打开）↩
- [13]IntentQA: Intent Question Answering in Videos by Cognitive Context Reasoning（在新窗口打开）↩
- [14]Reconstructing the Right Episode: Evaluating Interleaved Conversational Memory Beyond Long Context（在新窗口打开）↩
- [15]From Reasoning to Pixels: Grounded Medical Multimodal LLMs for VQA and Segmentation（在新窗口打开）↩
- [16]MedFG-VQA: Low-Frequency Memory and Graph Attention for Lightweight Medical VQA（在新窗口打开）↩
- [17]Boot-and-Feedback Framework for Generalist-Expert Model Collaboration in Breast Ultrasound Diagnosis（在新窗口打开）↩
- [18]AgentJudgeBench: A Multi-Difficulty Benchmark for Evaluating LLM Judges on Agentic Tool-Calling（在新窗口打开）↩
- [19]FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation（在新窗口打开）↩
- [20]BALMS: Benchmarking Agentic LLMs for Longitudinal Mental Health Sensing（在新窗口打开）↩
- [21]WnW: Waxing-and-Waning KV Cache for Long-Form Speech LLMs（在新窗口打开）↩
- [22]Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors（在新窗口打开）↩
- [23]A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography（在新窗口打开）↩
- [24]Mitigating Speaker Leakage in Cascaded Multi-talker ASR with Diarization-based Transcript Correction（在新窗口打开）↩
- [25]Investigating voiced and unvoiced regions of speech for audio deepfake detection（在新窗口打开）↩
- [26]SketchFlow: Zero-Shot Vector Sketch Generation via GMM Prior Flow in CLIP Latent Space（在新窗口打开）↩
- [27]Ancient-Bench: A Comprehensive Multi-millennial, Multi-medium, and Multi-script Benchmark for Ancient Chinese Artifact Text Recognition（在新窗口打开）↩
- [28]Plans You Can Check: Verifier-Grounded Learning of an Open-Weight Planner for Executable Video-Editing（在新窗口打开）↩
- [29]Loopy: Seamless Video Loop Generation via Anchored Looping Shift of Positional Embedding（在新窗口打开）↩
- [30]Predicting Consequences and Reinforcing Navigation Policies with Latent World Models（在新窗口打开）↩
- [31]RoboGesture: Real-Time Semantic-aligned Co-Speech Gestures Generation for Humanoid Interaction（在新窗口打开）↩
- [32]ReFrame: Evidence-Guided Test-Time Safety Alignment in Multimodal Large Language Models（在新窗口打开）↩
- [33]GGSS: Geodesic-Gated Spherical Steering for Inference-Time Debiasing of Generative Vision-Language Models（在新窗口打开）↩
- [34]Visually-Guided Spatial Audio Generation for $360^\circ$ In-the-Wild Speech Scenes（在新窗口打开）↩
- [35]EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis（在新窗口打开）↩
- [36]Attention-Guided Reliability Scaling for Contrastive Decoding in Robust Audio-Visual Speech Recognition（在新窗口打开）↩
- [37]Test-Time Scaling for Scientific Equation Discovery（在新窗口打开）↩
- [38]The Dialect Tax: Dialectal Biases Persist throughout the Language Modeling Pipeline（在新窗口打开）↩
- [39]Groundhog Bit-Flip Attack: Seeding Infinite Generation Loops in Mixture-of-Experts LLMs through Bit Flips（在新窗口打开）↩