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 38 周

未发布阅读约 12 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

本周入选论文全部为 P1，具身智能篇数明显高于前 4 周 P1 周均，世界模型与具身分组共 7 篇构成最集中信号。VLA 与灵巧操作多篇工作把场景几何、运动预测、接触与触觉表征写进同一控制闭环，[1]、[2]、[3] 等代表不同切入角度。基础模型侧 8 篇 LLM 工作里，任务 Agent 的评测有效性、并行工具错误恢复与量化后门并列出现，[4]、[5]、[6] 提示部署前需补过程级与安全评测。理解方向 5 篇 VLM 以数学推理后训练、区域检索与交通 VQA 为主，生成与视频相关方向本周篇数偏少。比较口径为本周 P1 各方向篇数相对前 4 周 P1 周均，总收录量受采集口径影响不宜直接解读为全场降温。

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

1三维几何一致的 VLA 与动态操作

升温

具身智能VLM

本周具身主方向 7 篇，高于前 4 周 P1 周均的具身篇数。[1] 在共享机器人三维坐标系中统一 scene tokens、场景轨迹去噪与动作去噪，强调感知—运动—动作几何一致是主要增益。[2] 为预训练 VLA 注入视频运动摘要与本体历史，针对动态任务中的运动歧义与状态混叠，并发布超 5 万帧的 TEMPO-Bench。要点关键词中 VLA 命中 3 篇；本周相关工作分别从共享三维坐标系、视频运动摘要与本体历史切入时空和几何耦合的控制表征。

代表论文

2触觉与接触表征的灵巧操作

升温

具身智能

要点关键词中 tactile sensing、dexterous manipulation 各出现在 2 篇论文中。[8] 以 TacV5 自监督触觉编码与行为克隆实现无视觉线缆追踪，报告成功率由 0% 升至 93%。[3] 将接触信号与视觉同帧对齐，在不改架构前提下提升 BC 与 VLA 在 LIBERO 及真实接触任务上的表现，并提供低成本磁接触传感器方案。[9] 用手—物邻近作为交互状态并学习动作条件动力学，应对视觉不可靠阶段的灵巧策略。本周工作覆盖接触传感硬件、触觉与邻近表征以及策略学习，并直接评估这些信号在精细交互中的作用。

代表论文

3LLM Agent 评测、记忆与安全

持续

LLMGUI Agent

LLM Agent 关键词命中 3 篇，与 MLLM、VLA 并列本周高频词。[4] 的 GAUGE 协议指出用户仿真加 LLM-as-a-Judge 与可验证任务奖励存在错位，满意度与任务成功几乎无关。[5] 发布 ParaRecover，覆盖 14 类错误的定位与恢复、万余实例，并给出 SDE 过程量表，显示 SOTA 仍难阻断错误传播。[6] 首次系统讨论量化条件下 Agent 可执行结构化恶意载荷的风险。[11] LifeMem 在 10 环境 13k+ 任务上展示技能聚类与跨环境回忆以减轻遗忘。本周 Agent 工作同时覆盖能力、可审计评测与部署安全。

代表论文

4MLLM 数学推理与 GRPO 后训练

持续

VLMLLM

MLLM 与 GRPO 各出现在 3 篇与 2 篇论文要点中。[13] 针对函数任务模态干扰，用解耦架构与 PATO 后训练强化视觉证据与理论推理。[14] 提出 Exploration Potential Score 筛选提示并由教师脚手架化难例，与 GRPO 集成后在 Geo3K 等基准上稳定优于基线。[15] 则从公平性侧警示 BBQ 等基准过易，单例 GRPO 或 one-shot ICL 即可大幅抬分。本周论文同时讨论推理后训练与评测可信度。

代表论文

5跨具身人形与移动操作记忆

新出现

具身智能

[10] X-WBC 分离共享人体运动语义与具身执行，跨九种仿真与四台真机联合训练全身控制，强调因果 Transformer 学可复用时序结构。[7] MessyMem 用持久 3D 场景图融合交互所得属性，在 25 任务连续仿真中报告任务进度 80.0%，并支持从数千关键帧与一小时前检索证据。cross-embodiment 与 3D scene graph 各仅 1 篇命中，总量不大，分别提供跨本体全身控制与移动操作长时记忆的两条互补线索。

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 W34、W35、W36、W37

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2.3 篇0.5 篇2.3 篇1 篇0.3 篇1 篇1 篇0.8 篇7 篇5.3 篇5 篇11.5 篇0.8 篇1 篇8.3 篇8 篇22 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12.312.3
图编辑00.500.5
视频生成02.302.3
3D 生成00.000.0
Visual2Code10.010.0
3D2Code00.300.3
GUI Agent11.011.0
世界模型00.800.8
具身智能75.375.3
VLM511.5511.5
OCR00.800.8
音频18.318.3
LLM822.0822.0
统一多模态00.000.0

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 Agent（3 篇）。详细数值见数据表。LLM AgentMLLMVLAdexterous manipulationGRPOimitation learningrobot manipulationtactile sensing3D scene graph3D scene representation3D scene representat…accelerationAgent BenchmarkAI City Challengealigned LLMAndroidWorld3 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）
LLM Agent3
MLLM3
VLA3
dexterous manipulation2
GRPO2
imitation learning2
robot manipulation2
tactile sensing2
3D scene graph1
3D scene representation1
acceleration1
Agent Benchmark1
AI City Challenge1
aligned LLM1
AndroidWorld1

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

GeomVLA: Unifying Scene, Motion, and Action in 3D

GeomVLA：在三维中统一场景、运动与动作

arXiv:2609.13812P1 顶会正文（arXiv HTML）参考来源 [1]

要解决的问题
多数 VLA 在 2D 图像上推理，而机器人操控依赖三维几何、接触与运动；既有方法虽引入三维表征或未来预测，但场景理解、运动推理与控制往往不在同一几何框架内交互，存在表征与度量控制需求的不匹配。
方法
GeomVLA 在共享的机器人中心三维坐标系中统一感知、 latent 场景运动与动作生成：用深度与标定将预训练 VLM 特征提升为三维 scene tokens；3D Scene Trajectory Denoiser 在任务条件下预测锚点的未来三维位移轨迹，并从去噪器中间状态抽取 motion tokens；再通过几何感知注意力 conditioning 三维 flow-based 动作去噪器，而非开环执行预测轨迹。训练分两阶段：先以 SpatialTrackerV2 伪标签训练轨迹模块，再联合微调动作头与 VLM。
主要结果
CALVIN ABC-D 上 GeomVLA 达 4.624，优于 FLOWER 的 4.480 与 X-VLA 的 4.430，且未做大规模 robot-action 预训练；LIBERO 上表现具竞争力。全 50 任务 RoboTwin2.0 Easy/Hard 成功率分别为 78.6% 与 76.2%，高于全量微调的 π0.5 的 75.9% 与 75.7%。真实 ALOHA2 八任务平均成功率 62.5%，为表中最高。消融显示仅未来运动不足，共享三维几何一致带来主要增益。
局限
论文指出：依赖准确相机标定，深度或外参误差会削弱几何表征，真实场景尤甚；仅在 benchmark 规模演示上训练，无大规模 robot 预训练或跨本体数据；推理依赖 latent 几何轨迹而非显式语言规划，与语言条件规划或层次分解结合仍是开放方向。
意义
将语义 VLM、三维场景 latent 未来运动与笛卡尔/关节动作生成绑在同一度量三维框架，为「感知—运动—控制」几何一致提供了有实验与消融依据的架构；在仿真与真实 tabletop 上均显示，中间 motion latent 比完全去噪轨迹更利于策略，对三维 VLA 与 motion-guided 策略设计有参考价值。

正文出处

  1. §4.1CALVIN 上相对 FLOWER、X-VLA 分别由 4.480、4.430 提升至 4.624，且无额外 robot-action 预训练。

    On CALVIN, it improves over FLOWER (4.480 → 4.624) and X-VLA (4.430 → 4.624) without additional robot-action pretraining.

  2. §4.1RoboTwin2.0 全 50 任务 Easy/Hard 成功率为 78.6% 与 76.2%，超过 π0.5 的 75.9% 与 75.7%。

    Across all 50 RoboTwin2.0 tasks, GeomVLA obtains 78.6%/76.2% success under the Easy/Hard settings, surpassing 75.9%/75.7% for a fully fine-tuned π0.5 (Appendix Table 5).

  3. §4.3真实世界八任务平均成功率 GeomVLA 为 62.5%，为 Table 3 各方法最高。

    Across the eight tasks, GeomVLA achieves the highest mean success rate (62.5%), outperforms GeomVLA without motion on every task, and exceeds π0.5 on seven of eight tasks.

  4. §4.2消融：三维策略加入未来运动使 CALVIN ABC-D 由 4.508 升至 4.624。

    Future-motion reasoning helps both 2D (4.411→4.437) and 3D policies (4.508→4.624), suggesting that predicting scene evolution provides useful temporal structure beyond action imitation.

  5. Abstract主要增益与感知、运动预测、动作之间的几何一致相关，而非仅靠未来运动。

    Extensive ablations show that future-motion reasoning alone is insufficient: the primary gains are associated with maintaining geometric consistency among scene representation, motion prediction, and robot actions throughout the perception-to-action pipeline.

  6. §4.4GeomVLA-JA 在真实评估平均 59.4%，高于 2D-JA 的 28.8%。

    GeomVLA-JA outperforms 2D-JA on CALVIN (4.508 versus 4.195), the five-task RoboTwin2.0 subset (81.6% versus 66.2%), and the real-world evaluation (59.4% versus 28.8%).

Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable Tracing

Touch2Trace：触觉驱动的灵巧线缆追踪模仿学习

arXiv:2609.15921P1 顶会正文（arXiv HTML）参考来源 [8]

要解决的问题
灵巧手需在指尖持续调节压力与摩擦，完成线缆 pinch-and-curl 追踪；可变形线缆几何随交互变化，腕臂运动难以替代局部接触控制。纯本体感知难以维持稳定接触，追踪距离极短。
方法
Touch2Trace 采用模块化模仿学习：自定义 32×32 压阻阵列 TacV5，ViT-MAE 自监督预训练触觉编码器并在策略训练阶段冻结；拇指与食指触觉嵌入与 8 维关节位置拼接，经 K=15 步因果 Transformer-GMM 行为克隆直接输出关节目标，无视觉与显式线缆状态估计，部署控制频率 60 Hz。
主要结果
在 Ethernet 直线条件下，加入触觉后 TF-GMM 平均追踪距离由 0.2 cm 升至 20.1 cm，SR@10 由 0% 升至 93%，动作平滑度 0.004 优于仅本体 0.011。策略仅在 USB-0 ring 上演示约 10.1 分钟训练，可对未见线缆与走线零样本泛化；冻结 SSL 编码器显著优于微调或随机初始化。
局限
主实验刻意排除视觉以隔离触觉因素；手固定无臂且仅控 8/20 自由度，追踪距离受指展限制。TacV5 仅测法向压力，剪切靠时序隐式推断。策略仅单线缆单走线训练，零样本覆盖仍有限；快速滑移等失败模式见附录。
意义
在真实 Tesollo 平台上首次系统量化编码器预训练、控制频率、时序上下文与空间分辨率对触觉策略的影响，给出有系统实验依据的线缆追踪配方与评测设置，为接触丰富灵巧操作的设计提供实证参考。

正文出处

  1. Abstract相对仅本体基线，触觉将平均追踪距离从 0.2 cm 提到 20.1 cm，成功率从 0% 提到 93%。

    from 0.2 cm to 20.1 cm mean distance and 0% to 93% success rate, with zero-shot transfer to unseen cables and routing conditions.

  2. Table 160 Hz 下 TF-GMM 在 Proprio + Tactile 配置达 20.1±4.6 cm，SR@10 为 93%，SR@20 为 57%。

    Proprio + Tactile 60 20.1 ± 4.6 93% 57% 0.004

  3. Table 1仅本体时 TF-GMM 追踪距离为 0.2±0.2 cm，SR@10 与 SR@20 均为 0%。

    TF-GMM Proprio 60 0.2 ± 0.2 0% 0% 0.011

  4. §5.3在约 10.1 min 任务数据下，微调 SSL 编码器追踪距离降至 4.7 cm 且 SR@10 为 0%；随机初始化仅达 0.2 cm。

    Finetuning degrades to 4.7 cm (0% SR@10): with only 10.1 min of task data, joint optimization overwrites the general features learned during pretraining. Random initialization fails entirely (0.2 cm), confirming that the data budget is insufficient for learning tactile representations from scratch.

  5. Table 2在仅 USB-0 ring 训练后，Ethernet straight 零样本评估为 20.1±4.6 cm、93% SR@10。

    Ethernet straight 20.1 ± 4.6 93% 57% 0.004

  6. §5.3控制频率低于 60 Hz 时性能明显下降，30 Hz 为 5.7 cm 且 23% SR@10。

    Performance drops sharply below 60 Hz: 5.7 cm (23% SR@10) at 30 Hz, 0.5 cm (0%) at 15 Hz.

GAUGE: When Not to Trust LLM-as-a-Judge in User-Simulated Evaluation of Task-Oriented Agents

GAUGE：面向任务 Agent 的用户仿真评测中何时不应信任 LLM-as-a-Judge

arXiv:2609.12191P1 顶会正文（arXiv HTML）参考来源 [4]

要解决的问题
任务型 Agent 常以「用户仿真 + LLM Judge」作离线发版门控，但业界很少检验：该门控的排序是否与可验证、非 LLM 的 grounded reward 一致，满意度锚点能否代表任务成功。
方法
提出可复用离线协议 GAUGE：在同一 transcript 上并行记录 LLM gate、LLM 人类代理、盲评人组满意度与可验证 oracle；在 agent 粒度分离 ranking validity（与 R 的 Spearman）与 construct gap（满意却失败比例）。覆盖 25 个 agent、六家 provider、τ2-bench 与 SimulatorArena。补救思路为 calibrate-then-trust：用 rollout 解析出的零成本 completion bit 作截断类回归哨兵，昂贵 Judge 留给语义失败与近邻排序。
主要结果
盲评满意（≥5/7）对话中 57.5% 仍任务失败，满意度与成功几乎无关（ρ=−0.147）；policy-aware gate 在宽能力梯度上与可验证 reward 排序一致（ρ=0.94），但在近邻强 agent 对上约 31% 会 promote 更低 reward 者，宽间隔对上不足 1%。受控退化集上，无 Judge 的 completion bit 对可验证 reward 达 ρ=0.87，全 gate 为 0.80；全网格上 bit 仅 ρ=0.51。
局限
人组仅 3 名标注者、150 条 transcript；受控退化主要靠 token/step 等推理预算扰动，主要覆盖截断式失败而非全部失败模式。τ2 指令为合成场景，绝对通过率与 live 客服交互的外推未验证。
意义
把发版门控的「与人满意一致」和「与任务成功一致」拆开度量，指出 gate 可 human-validated 却仍 mis-anchored；对 CI 里 LLM 评测与 accept 阈值设计有可直接借鉴的审计框架与 calibrate-then-trust 分工。

正文出处

  1. §4.1盲评满意（≥5/7）对话中 57.5% 实际任务失败。

    Concretely, 57.5% of the conversations the panel rated satisfied (≥5/7) had failed the task.

  2. §4.1150 条 transcript 上满意度与可验证成功的 Spearman 为 flat and non-positive（ρ=−0.147）。

    across all 150 transcripts the correlation is flat and non-positive (ρ=⁣−0.147; dose-response curve flat, Fig. 2b).

  3. §4.225-agent 梯子上 Opus-4.8 gate 与可验证 reward 的 agent 排序 Spearman 为 0.94。

    the Opus-4.8 gate recovers the verifiable-reward ordering at ρ=0.94, far above the minimum correlation resolvable with N=25 agents

  4. §4.2近邻 agent 对上 gate 将更低 reward 者判为更优的比例约 31%，宽间隔对上不足 1%。

    The primary Opus-4.8 gate does so on 31% of them versus <1% on wide pairs, and the four other signals behave alike

  5. §4.5受控退化集上 completion bit 对可验证 reward 的 ρ=0.87，全 LLM gate 为 0.80。

    On the controlled-degradation set (broken-vs-working) it scores ρ=0.87 against the verifiable reward versus 0.80 for the full gate (Table 3)

  6. §4.5六 provider 全网格上 completion bit 相对 gate 的排序能力 collapse 至 ρ=0.51（gate 为 0.94）。

    on the six-provider grid it collapses to ρ=0.51 versus the gate's 0.94.

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1

数据与评测3

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 1 篇

文生图 1

生成分组本周仅 1 篇文生图。[17] 聚焦多模态图像生成的全条件对齐评测，提出 UFO 与 Atomized Chain-of-Evaluation，并围绕主体驱动定制构建 UFO-Bench。该工作把复杂条件组合拆成可分解、与人评对照的评测链；本周仅一篇生成论文，不据此判断领域整体取向。

相关论文

智能体

本周 1 篇

GUI Agent 1

GUI Agent 本周 1 篇。[12] AnchorGUI 发现预期转移可文本压缩、意外结果需保留截图的信息不对称，以认知状态锚点与双尺度记忆支撑试内纠错与跨试蒸馏，在 AndroidWorld 达到 57.3% 成功率。该工作把显式预测误差与信用分配用于 GUI 导航的试内纠错和跨试学习。

相关论文

世界模型与具身

本周 7 篇

具身智能 7

世界模型与具身分组 7 篇全部具身主方向，高于前 4 周 P1 周均。脉络包括：[1]、[2] 的 VLA 几何与时间扩展；[8]、[3]、[9] 的触觉与邻近接触；[10] 跨具身人形全身；[7] 移动操作 3D 场景图记忆。world_model 主方向本周为 0 篇，具身工作仍多带世界表征但未单列世界模型标题。

相关论文

理解

本周 5 篇

VLM 5

理解分组 5 篇均为 VLM，低于前 4 周 P1 周均的 VLM 篇数。除 MLLM 数学推理与 GRPO 脚手架外，[16] 强化区域级检索并发布 REGMB；[21] 在 AI City Challenge Track 2 取得 87.09% VQA 准确率；[19] 面向 CLIP 少样本抗标签噪声。整体偏能力细化与基准，而非统一多模态架构。

相关论文

基础模型

本周 8 篇

LLM 8

基础模型分组 8 篇均为 LLM 主方向，篇数低于前 4 周 P1 周均但仍占本周最高单一方向计数。除 Agent 评测与安全外，[18] ECHO 在推测解码达到约 2.4–2.9× 加速；[23] MoARa 优化低秩预训练秩分配；[15] 批判 BBQ 类公平基准。LLM 层同时出现效率、对齐评测批判与 Agent 生命周期（[11] LifeMem）三条线。

相关论文

下周关注点

  • CoRL 具身论文是否延续 VLA 与触觉组合及更多开源硬件栈跟进
  • Agent 过程级基准 ParaRecover 是否引发并行工具恢复方法的对比实验
  • UFO-Bench 与主体驱动生成评测是否被其他多条件生成工作引用
  • GRPO 相关 MLLM 后训练是否会同步更新公平性与 OOD 数学基准
  • ECHO 类无 draft 推测解码在更大模型上的加速比能否复现

参考来源

  1. [1]GeomVLA: Unifying Scene, Motion, and Action in 3DarXiv · 2026-09-15 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  2. [2]TEMPO: Learning Temporal Context for Dynamic Robot ManipulationarXiv · 2026-09-16 · 摘要 · 访问于 2026-10-19↩
  3. [3]Visible Touch: Rendering Contact for Visuomotor PoliciesarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  4. [4]GAUGE: When Not to Trust LLM-as-a-Judge in User-Simulated Evaluation of Task-Oriented AgentsarXiv · 2026-09-14 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  5. [5]ParaRecover: A Process-Level Benchmark for Error Localization and Recovery in Parallel Tool-Use AgentsarXiv · 2026-09-14 · 摘要 · 访问于 2026-10-19↩
  6. [6]AGENTQ: Quantization-Conditioned Backdoor Attacks on LLM AgentsarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  7. [7]MessyMem: Learning-from-Doing Memory for Mobile ManipulationarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  8. [8]Touch2Trace: Tactile-Driven Imitation Learning for Dexterous Cable TracingarXiv · 2026-09-15 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  9. [9]ProxiDex: Learning Dynamics-Guided Proximity Policy for Dexterous ManipulationarXiv · 2026-09-16 · 摘要 · 访问于 2026-10-19↩
  10. [10]X-WBC: A Cross-Embodiment Foundation Model for Humanoid Whole-Body ControlarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  11. [11]LifeMem: Enabling Lifelong Experience Reuse for LLM AgentsarXiv · 2026-09-14 · 摘要 · 访问于 2026-10-19↩
  12. [12]AnchorGUI: Asymmetric Memory for Dual-Scale Learning in GUI NavigationarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  13. [13]Func-R1: Incentivizing Mathematical Function Reasoning in Multimodal Large Language ModelsarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  14. [14]Not All Prompts Are Equal: Exploration-Guided Prompt Scaffolding for Multimodal Reinforcement Post-TrainingarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  15. [15]One Example Is Enough to Pass Fairness Benchmarks: Rethinking Fairness Evaluation for Aligned LLMsarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  16. [16]RegRet: Enhancing Region-Level Retrieval in Large Multimodal ModelsarXiv · 2026-09-16 · 摘要 · 访问于 2026-10-19↩
  17. [17]UFO: Chain-of-Evaluation for Omni-Condition Alignment in Multi-Modal Image GenerationarXiv · 2026-09-14 · 摘要 · 访问于 2026-10-19↩
  18. [18]ECHO: Early-layer Collaborative Hierarchical Orchestration with Bonus Logits in Speculative DecodingarXiv · 2026-09-16 · 摘要 · 访问于 2026-10-19↩
  19. [19]TecoPrompt: Temporal-Conservative Prompt Learning for Vision-Language ModelsarXiv · 2026-09-16 · 摘要 · 访问于 2026-10-19↩
  20. [20]Compositional SVG Generation via VLM-Driven Hierarchical Semantic ParsingarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩
  21. [21]Sim-to-Real Traffic Scene Understanding by Decoupling Semantics from Caption Generation with V-JEPAarXiv · 2026-09-17 · 摘要 · 访问于 2026-10-19↩
  22. [22]SpiroPhonia: Non-Invasive Respiratory Health Assessment from Spontaneous SpeecharXiv · 2026-09-16 · 摘要 · 访问于 2026-10-19↩
  23. [23]MoARa: Module-Aware Rank Allocation and Structure-Preserving Decomposition for Low-Rank LLM Pre-trainingarXiv · 2026-09-15 · 摘要 · 访问于 2026-10-19↩