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 39 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

2026 年第 39 周入选 34 篇顶会论文，总量介于前几周波动区间之内；按同一 P1 口径比较，音频与 3D 相关方向更集中，而 VLM、LLM 与具身篇数低于前 4 周 P1 周均。音频线同时覆盖端侧小模型 [1]、副语言统一理解 [2] 与 ASR 公平及参与式数据治理 [3][4]。生成侧 3D 保真与服装 UV 纹理 [5][6] 与像素扩散表示 grounding [7] 形成小簇。具身方向强调难演示任务的护栏遥操作 [8] 与常驻双臂流式策略 [9]，并出现具身 RL 梯度反演隐私议题 [10]。

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音频理解、端侧与 ASR 治理并进

升温

音频

本周音频方向 13 篇，高于前 4 周 P1 周均 8.5 篇；关键词上 ASR 命中 3 篇，on-device、privacy、participatory AI 各 2 篇。方法上，ParA-LLM 以超 120 万 Audio-QA 对与 ParA-Bench 推进副语言与声学统一理解 [2]；Samsone 134M 在同量级 benchmark 达 SOTA 并面向 Android 端侧 [1]；UniARC 系统对比 LALM 离散 token 与连续特征，强调 tokenization 语义约束 [11]。评测与部署侧，Vimarsha 覆盖 22 种印度语言 100 小时 in-the-wild ASR [12]；Whisper 训后压缩被证明会叠加 temporal taxation、放大族群 WER 差距 [3]。本周顶会音频同时覆盖模型能力、公平审计与社区参与式数据策展 [4][13]。

代表论文

23D 生成保真与可生产资产

新出现

3D 生成文生图

本周 3D 生成 2 篇，前 4 周 P1 周均为 0；文生图仅 1 篇，低于前 4 周 P1 周均 2.5 篇，视频生成本周为 0。OREO 用即时渲染-编辑优化环，以 2D 扩散先验动态伪标签提升 3D 资产视觉真实感 [5]。OmniFabric 在服装裁片 UV 空间做全局一致纹理，VLM 初始化加 3D 条件扩散 Transformer，目标为可重光照、可仿真资产 [6]。NeuIDO 虽主属世界模型，亦带 3D 生成次方向，从视觉观测学习 4D 内在动力学算子 [14]。本周 3D 工作分别关注与 2D 先验对齐及可用于重光照、仿真的服装资产。

代表论文

3GUI Agent 导航与点击置信

持续

GUI Agent

GUI Agent 本周 2 篇，略高于前 4 周 P1 周均 1.3 篇；关键词 GUI agent 亦命中 2 篇。PACE 针对坐标 digit-token 的位值不对称，单次前向的 place-aware 坐标熵在 ScreenSpot 系列上匹配或优于 K 采样置信估计 [15]。MaP 将多轮 GUI 交互建模为掩码轨迹预测，用 role-aware adapter 统一异构导航目标并缓解混合训练冲突 [16]。两文分别补齐“点哪里是否可靠”与“多任务导航如何训”的实用缺口。本周 GUI Agent 共 2 篇，总量仍小，未出现明显篇数跃升。

代表论文

4具身数据采集、常驻策略与隐私

持续

具身智能世界模型

具身本周 3 篇，低于前 4 周 P1 周均 6.0 篇；世界模型 1 篇，高于前 4 周 P1 周均 0.5 篇。GLIDE 在难以人类演示的操作中推断失败模式并生成护栏，三任务数据采集成功率由约 0–10% 提升至 70–90% [8]，与 teleoperation 关键词呼应。ARMS 提出常驻双臂策略，异步更新感知、具身状态与动作历史上下文，组合任务成功率 45% [9]。NeuIDO 将 physics-informed 4D 建模表述为神经算子，支持零样本动力学推断与少样本真实对齐 [14]。TRACE（具身 RL）则从策略梯度时序结构重建私有轨迹，提示需序列级隐私防御 [10]。篇数回落；本周问题覆盖策略学习、数据可行性与部署隐私。

代表论文

5VLM 效率、可及性与对齐度量

持续

VLM

VLM 本周 3 篇，明显低于前 4 周 P1 周均 12.3 篇。STD 按 LVLM 分阶段角色做 token 剪枝，训练无关且在 LLaVA 上高剪枝率仍优于 SOTA，并开源代码 [17]。Smol-VL-BLV 以蒸馏与 GRPO 强化低视力导航所需空间描述，中端手机约 450MB 离线部署 [18]。The Alignment Illusion 在 13 个 MLLM 上显示 CKA 等标量对齐与任务表现可脱节，principal-angle gap 更跟踪视觉损坏下的精度 [19]。本周三篇理解工作分别关注推理效率、无障碍应用与对齐诊断。

代表论文

6LLM Agent 交付与长程推理结构

持续

LLM

LLM 本周 8 篇，低于前 4 周 P1 周均 23.8 篇；LLM agent 关键词命中 2 篇。Trains but Doesn't Learn 定义十阶段后训练交付基准，刻画 loss 下降但模型未变好的 TBDL 失败 [20]。CoLearn 以 LLM 更新学习者 BKT 式记忆并自适应出题，盲测 A/B 中个性化题目约 68–69% 更受偏好 [21]。SAGE 用拓扑结构引导缓解长程稀疏奖励推理偏置，在 12 基准与 7 模型族上优于强基线 [22]。FineWeb-CLaR 为预训练语料与 277 个文化 NLP 基准建立统一文化-语言-区域轴 [23]。顶会 LLM 数量收缩；本周代表工作覆盖 Agent 治理、推理偏置与语料审计。

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 34 篇：P1 顶会 34

各方向本周与前 4 周均值

按论文主方向 · 对比 W35、W36、W37、W38

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2.5 篇0.5 篇2 篇2 篇0.3 篇0.3 篇2 篇1.3 篇1 篇0.5 篇3 篇6 篇3 篇12.3 篇0.8 篇13 篇8.5 篇8 篇23.8 篇1 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12.512.5
图编辑00.500.5
视频生成02.002.0
3D 生成20.020.0
Visual2Code00.300.3
3D2Code00.300.3
GUI Agent21.321.3
世界模型10.510.5
具身智能36.036.0
VLM312.3312.3
OCR00.800.8
音频138.5138.5
LLM823.8823.8
统一多模态10.010.0

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 ASR（3 篇）。详细数值见数据表。ASRbenchmarkGUI agentLGBTQIA+LLM agenton-deviceparticipatory AIprivacyteleoperationVLM3D garment3D generation3D part segmentation4D dynamicsalways-on robot3 篇2 篇2 篇2 篇2 篇2 篇2 篇2 篇2 篇2 篇1 篇1 篇1 篇1 篇1 篇
查看数据表
关键词论文数（篇）
ASR3
benchmark2
GUI agent2
LGBTQIA+2
LLM agent2
on-device2
participatory AI2
privacy2
teleoperation2
VLM2
3D garment1
3D generation1
3D part segmentation1
4D dynamics1
always-on robot1

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

ParA-LLM: A Unified Approach to Paralinguistic and Acoustic Speech Understanding

ParA-LLM：副语言与声学语音理解的统一方法

arXiv:2609.22771P1 顶会正文（arXiv HTML）参考来源 [2]

要解决的问题
现有 Audio LLM 在识别「说了什么」上已很强，但对声学环境、说话人特质与表达变化等副语言维度理解不足；对照实验中人类约 78% 准确率，GPT-4o-Audio 仅约 36%，「怎么说」仍是明显短板。
方法
定义 22 维副语言特征（声学、说话人、话语），用仿真与标注构建超 120 万 Audio-QA 对。ParA-LLM 由 Qwen2-Audio-7B 初始化，两阶段课程：688K 单属性 QA 打基础，513K 多属性 QA 练联合推理；ParA-Bench 含 6000 道四选一题，分 speaker-speech、acoustic、mixed 三类。
主要结果
ParA-Bench 上 ParA-LLM 总准确率 43.53%，speaker-speech 达 55.85%；较 GPT-4o-Audio 高 7.50 个百分点，较次优 Voxtral（38.80%）高 4.73 个百分点。相对基座，MMAU-Pro Speech 高 1.13 个百分点，MMAR Speech 高 7.49 个百分点。GPT-4o-Audio 在该基准约 36%。
局限
结论承认副语言理解仍远未解决：ParA-Bench 上人类约 78%、前沿模型约 36%，差距仍大。实验主要在 ParA-Bench 与 MMAU-Pro、MMAR 等已报语音子集上报告，未单独展开局限讨论节。
意义
把副语言理解系统化为 22 维特征、百万级 QA 与 ParA-Bench，并显示专用数据与两阶段课程优于单纯 Omni 或多模态推理增强，为语音大模型补「怎么说」这一维提供可复现基线与训练范式。

正文出处

  1. Abstract论文摘要报告其在 ParA-Bench 上较 GPT-4o-Audio 高 7.5%。

    ParA-LLM surpasses state-of-the-art Audio LLMs like GPT-4o-Audio by 7.5% on ParA-Bench

  2. AbstractGPT-4o-Audio 等前沿模型在 ParA-Bench 上仅约 36% 准确率。

    frontier models like GPT-4o-Audio achieve only 36% accuracy

  3. §5论文正文报告其相对 Voxtral 38.80% 的 margin 为 4.73%。

    Overall ParA-LLM achieves 43.53% accuracy, winning a margin of 4.73% from the second-best model Voxtral at 38.80%.

  4. §5speaker-speech 子项上 ParA-LLM 达 55.85%，为表中最高。

    ParA-LLM achieves the highest speaker-speech accuracy at 55.85% among all the models

  5. Abstract论文摘要报告 MMAU-Pro Speech additional gain 1.13%、MMAR Speech 7.49%。

    with additional gains of 1.13% on MMAU-Pro Speech and 7.49% on MMAR Speech

  6. §1100 题对照中人类 78%、GPT-4o-Audio 36%。

    using 100 paralinguistic questions from our benchmark: 78% human accuracy versus 36% by the state-of-the-art GPT-4o-Audio

Learning Beyond What Humans Can Demonstrate

超越人类可演示范围的学习

arXiv:2609.24996P1 顶会正文（arXiv HTML）参考来源 [8]

要解决的问题
行为克隆默认操作员能成功演示；需动态稳定、精确接触时机或灵巧协调的任务上，裸 VR 遥操作往往零或近零成功，难以积累可用示范，但操作者仍能指出失败模式。
方法
GLIDE 据任务描述与遥操作框架，用 coding agent 推断失败点并生成可执行护栏，在控制步过滤人机或策略指令；每轮采集后结合视频与状态—命令轨迹 Revise 代码，选成功率最高的 GGLIDE*；训练 π0.5 后部署时对策略输出施加同一护栏，并比较 success-only 与 mixed-quality 数据。
主要结果
数据采集上，OpenTV 在三任务成功率分别为 0%、10%、0%，Manual 为 20%、60%、60%；GGLIDE* 达 70%、90%、90%。策略执行时，mixed-data 且加护栏在三任务上为 70%、60%、60%；仅 success-only 训练时加 GGLIDE* 可将 Tomato plate transfer 从 0% 提到 60%。
局限
运行时护栏仅用本体感知过滤命令，视频与轨迹主要用于离线诊断；作者指出可引入视觉、触觉及不确定度或阶段估计。结论来自番茄盘转移、马克笔交接站立、倒酒三任务及文中所述机器人平台，未涵盖长时域或移动操作。
意义
将「人类难以演示」设为可研究的模仿学习场景，用可执行护栏把失败规格转为可采集数据与可部署策略；对遥操作与 VLA 数据扩展有参考， emergent 约束超越手工基线仍待更多任务检验。

正文出处

  1. Abstractrefinement 后 GLIDE 将三任务数据采集成功率从 0–10% 提升到 70–90%。

    After refinement, GLIDE raises data-collection success from 0–10% to 70–90% across the three tasks.

  2. §4.2GGLIDE* 在三任务上数据采集成功率分别为 70%、90%、90%。

    With GGLIDE∗, GLIDE raises success to 70%, 90%, and 90%.

  3. §4.2OpenTV 三任务成功率仅 0%、10%、0%，Manual 为 20%、60%、60%。

    OpenTV reaches only 0%, 10%, and 0% success on Tomato plate transfer, Marker handover & stand, and Wine serving tasks, while Manual reaches 20%, 60%, and 60%.

  4. §4.3mixed-data 策略加 GGLIDE* 在三任务自主执行成功率分别为 70%、60%、60%。

    The mixed-data guarded policy has the best success profile: 70% on Tomato plate transfer, 60% on Marker handover & stand, and 60% on Wine serving

  5. §4.3success-only 训练下加护栏，Tomato plate transfer 成功率从 0% 变为 60%。

    With success-only training data, adding the guardrails increases Tomato plate transfer from 0% to 60% success and Marker handover & stand from 20% to 50% success

  6. §5运行时护栏目前仅依赖本体感知过滤指令，视频用于离线诊断。

    First, the runtime guardrails use only proprioception to filter commands, although the coding agent uses recorded video and numerical trajectories for offline diagnosis.

The Alignment Illusion in Multimodal Large Language Models

多模态大语言模型中的对齐幻觉

arXiv:2609.30210P1 顶会正文（arXiv HTML）参考来源 [19]

要解决的问题
MLLM 中层间视觉-文本相似度常被当作内容逐步融合的 evidence，但标量对齐是否反映内容级跨模态交互尚未被直接检验；在共享 LM 权重下，高对齐可能只是几何假象，无法说明模型在用图像答题。
方法
在典型 projector-LLM 通路上，对 projector 输出视觉 token 做可控干预（高斯噪声替换、无关但具自然结构的图像等），对比 CKA、SVCCA、MIR 与 leading principal-angle cosine。将「对齐幻觉」归因于共享通路 MLP 下行投影的各向异性，使两模态被拉向共同输出方向（weight-induced alignment）。提出 principal-angle gap：ΔPA=σ1−σ2，用以区分单一架构方向上的相似与多方向视觉结构。
主要结果
在 13 个 MLLM 上，Noise 使 MMBench 精度降 38–50 pp，四种标量对齐几乎无法区分 Orig 与 Noise；PA gap 在 13/13 模型上将 Orig 排在 Noise 之上。α 混合视觉退化下，PA gap 与精度的层均值 Pearson |r| 为 mean 0.894、median 0.917，12/13 模型 |r|>0.80。无关图像条件下精度低于纯文本基线；ΔPA 中位 0.130、0.213、0.324 分别对应 Orig、Irr、Noise，几何排序可与精度排序分离。
局限
论文 Discussion 明确：分析聚焦 projector-LLM 架构、受控多选题评测与 projector 输出级干预；其他融合设计，以及开放生成、视频、文档与 agent 等设定中的图像条件推理与跨模态交互可能不同，需扩展同类干预分析。
意义
对 VLM 内部表征解读较克制：层间对齐更适合作为 LLM 内视觉流的几何诊断，而非任务相关跨模态耦合的直接代理；PA gap 有助于分离权重诱导的一维相似，但仍应与受控视觉干预下的任务精度一并呈现。

正文出处

  1. §3.1Noise 设定下 13 个模型任务精度降 38–50 pp，与标量对齐「几乎不变」形成对照。

    Under Noise, task accuracy drops by 38 to 50 pp across all 13 models (Figure 2A).

  2. §3.1四种标准标量摘要对 Orig 与 Noise 几乎无法可靠分离。

    The four standard scalar summaries therefore provide little or no reliable separation between the original and content-removed visual streams.

  3. Figure 4CPA gap 是唯一在 13 个模型上均将 Orig 排在 Noise 之上的指标。

    and it is the only measure in Figure 4C that ranks Orig above Noise in all 13 models.

  4. Table 1分级视觉损坏下 PA gap 与精度相关性最高，mean |r| 0.894，12/13 模型 |r|>0.80。

    ΔPA achieves the highest mean |r| (0.894), median |r| (0.917), and minimum |r| (0.655); |r| exceeds 0.80 in 12/13 models

  5. §3.2绕开 MLP 对 σ1 的层均值影响约为绕开 attention 的 3.5 倍，13/13 模型一致。

    Bypassing the MLP produces a larger layer-averaged change in σ1 than bypassing attention in all 13 models (3.5× larger median effect; Figure 3B).

  6. §4.3PA gap 中位 0.130、0.213、0.324 分别对应 Orig、Irr、Noise，几乎全模型维持 Orig–Irr–Noise 几何序。

    with values 0.130, 0.213, and 0.324, respectively, and the same full ordering holds in almost all models.

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1

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 3 篇

3D 生成 2 文生图 1

生成组本周 3 篇，视频与图编辑为空，3D 生成 2 篇为近期少见集中。PixelDiT2 坚持端到端像素扩散并以冻结视觉基础模型做全程 representation grounding [7]。3D 一侧 OREO 用渲染-编辑 Reinforced 环对齐 2D 先验 [5]，OmniFabric 把 VLM 与 UV 域扩散用于可重光照服装资产 [6]。本周三篇生成工作分别关注仿真/编辑可用性与像素级表示一致性。

相关论文

智能体

本周 2 篇

GUI Agent 2

智能体组 2 篇均属 GUI Agent，与关键词 GUI agent 2 篇一致。一篇解决点击 grounding 的 digit 位值不对称与单次前向置信 [15]，一篇用掩码轨迹预测与 role-aware adapter 统一多类导航训练 [16]。相对前 4 周 P1 周均略升但总量仍小；两篇工作分别关注“可靠坐标”与“异构任务统一目标”。

相关论文

世界模型与具身

本周 4 篇

具身智能 3 世界模型 1

世界模型与具身共 4 篇：NeuIDO 推进 4D 神经算子世界模型 [14]；具身侧 GLIDE 与 ARMS 分别改进难演示遥操作采集与常驻双臂流式执行 [8][9]；TRACE 暴露具身 RL 梯度反演下的轨迹重建风险 [10]。具身篇数低于前 4 周 P1 周均，但“数据从哪来、机器人如何常开、梯度是否泄密”三条线并列出现。

相关论文

理解

本周 3 篇

VLM 3

理解组 3 篇均为 VLM，篇数远低于前 4 周 P1 周均。效率上 STD 分阶段剪枝视觉 token [17]；应用上 Smol-VL-BLV 面向 blind and low vision 的空间 grounding 与 on-device 部署 [18]；机制上对齐幻觉工作质疑仅用 CKA 评估多模态对齐 [19]。本周理解研究更偏诊断、剪枝与无障碍，而非大规模新 VLM 架构披露。

相关论文

音频

本周 13 篇

音频 13

音频组 13 篇为各分组最高。能力层有 ParA-LLM、主动音频辅助 ISM [24] 与离散/连续表示对照 [11]；资源层有 Samsone 端侧 SALM [1] 与 Vimarsha 多语 ASR 基准 [12]；治理层集中 LGBTQIA+ 数据集审计与参与式策展 [4][13] 及 Whisper 压缩公平性 [3]。本周音频顶会工作同时覆盖模型能力、部署负担与代表性。

相关论文

基础模型

本周 9 篇

LLM 8 统一多模态 1

基础模型组 9 篇，LLM 8 篇仍低于前 4 周 P1 周均，统一多模态 1 篇为新出现方向。PartLLM 将 3D 部件分割统一为意图条件自回归语义分解 [25]；LLM 侧覆盖 L0-MoE 推理加速 [27]、LoopCD 循环模型对比解码 [28]、指令微调对冲突回路的门控式重塑 [26] 与 SAGE 长程拓扑引导 [22]。Agent 与教育、肿瘤 RAG、语料 CLaR 审计 [23] 并存，基础层议题偏系统与可部署。

相关论文

下周关注点

  • INTERSPEECH 与 EMNLP 音频公平、匿名化后续工作是否延续本周治理热点
  • 3D 生成与 PartLLM 类统一多模态是否出现更多顶会交叉稿
  • GUI Agent 置信与轨迹统一训练在更大规模基准上的复现与对比
  • 具身 RL 隐私反制与联邦/序列级防御是否形成方法回应
  • VLM 剪枝与对齐诊断能否与训后压缩、量化评测联动

参考来源

  1. [1]Samsone: A Family of Open Small Audio Language Models for On-Device InferencearXiv · 2026-09-21 · 摘要 · 访问于 2026-10-19↩
  2. [2]ParA-LLM: A Unified Approach to Paralinguistic and Acoustic Speech UnderstandingarXiv · 2026-09-22 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  3. [3]Temporal Taxation Compounds Under Post-Training Compression of Whisper ModelsarXiv · 2026-09-25 · 摘要 · 访问于 2026-10-19↩
  4. [4]Queer inclusion in speech datasets: An audit and taxonomy of practical tensionsarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  5. [5]OREO: Fidelity Alignment in 3D Generation via On-the-fly Rendering-Editing OptimizationarXiv · 2026-09-25 · 摘要 · 访问于 2026-10-19↩
  6. [6]OmniFabric: Coherent UV Space Texture Synthesis for 3D Garment ReconstructionarXiv · 2026-09-25 · 摘要 · 访问于 2026-10-19↩
  7. [7]PixelDiT2: Representation-Grounded Pixel Diffusion TransformersarXiv · 2026-09-22 · 摘要 · 访问于 2026-10-19↩
  8. [8]Learning Beyond What Humans Can DemonstratearXiv · 2026-09-22 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  9. [9]Watch, Recall, Act: Always-On Robots in Concurrent Embodied StreamsarXiv · 2026-09-24 · 摘要 · 访问于 2026-10-19↩
  10. [10]Temporal Gradient Inversion for Private Trajectory Reconstruction in Embodied Reinforcement LearningarXiv · 2026-09-25 · 摘要 · 访问于 2026-10-19↩
  11. [11]Discrete vs. Continuous: A Comprehensive Study of Unified Audio Understanding in LALMsarXiv · 2026-09-22 · 摘要 · 访问于 2026-10-19↩
  12. [12]Vimarsha: Faithful ASR Evaluation for Indian Languages with Demographic Diversity, In-the-Wild Audio and Spelling VariationsarXiv · 2026-09-22 · 摘要 · 访问于 2026-10-19↩
  13. [13]Towards participatory speech dataset curation: A queer case study and conceptual frameworkarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  14. [14]NeuIDO: Neural Intrinsic Dynamics Operator for Physics-Informed 4D World ModelsarXiv · 2026-09-22 · 摘要 · 访问于 2026-10-19↩
  15. [15]How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence EstimationarXiv · 2026-09-22 · 摘要 · 访问于 2026-10-19↩
  16. [16]Towards Omni-dimensional GUI Agent Navigation with Masked Trajectory PredictionarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  17. [17]Shallow to Deep: Aligning Token Pruning with Stage-wise Roles in LVLMsarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  18. [18]Small yet Assistive: Spatially-Aware Post-Training for Low VisionarXiv · 2026-09-25 · 摘要 · 访问于 2026-10-19↩
  19. [19]The Alignment Illusion in Multimodal Large Language ModelsarXiv · 2026-09-25 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  20. [20]Trains but Doesn't Learn: A Post-Training Delivery Benchmark for LLM Agents as Forward-Deployed EngineersarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  21. [21]CoLearn: An Agentic Tutor that Learns its Learner in a Human--AI Co-Learning LooparXiv · 2026-09-21 · 摘要 · 访问于 2026-10-19↩
  22. [22]SAGE: Mitigating Long-Horizon Reasoning Biases via Topological GuidancearXiv · 2026-09-25 · 摘要 · 访问于 2026-10-19↩
  23. [23]FineWeb-CLaR: Culture, Language, and Region Annotations for Benchmark-Aligned Corpus AuditingarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  24. [24]I'll Keep an Ear Out: Teaching AudioLLMs Proactive Audio AssistancearXiv · 2026-09-21 · 摘要 · 访问于 2026-10-19↩
  25. [25]PartLLM: A Unified Multimodal Foundation for 3D Part SegmentationarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  26. [26]Rewired or Gated? How Instruction Tuning Shapes Knowledge-Conflict Circuits in LLMsarXiv · 2026-09-23 · 摘要 · 访问于 2026-10-19↩
  27. [27]Accelerating Dense LLMs via L0-regularized Mixture-of-ExpertsarXiv · 2026-09-21 · 摘要 · 访问于 2026-10-19↩
  28. [28]LoopCD: Loop-wise Contrastive Decoding for Improving Reasoning in Looped Language ModelsarXiv · 2026-09-22 · 摘要 · 访问于 2026-10-19↩