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 40 周

未发布阅读约 9 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

按顶会口径，本周 3D 生成 5 篇、世界模型 4 篇，均高于前 4 周 P1 周均 0.5；VLM 16 篇、LLM 27 篇，相对周均 9.5、20.3 仍处高位。[1] 以分割 grounding 部件级 mesh，[2] 用切片潜变量兼顾高分辨率与拓扑；[3] 三模态占用世界模型与 [4] 回顾式世界建模引导 VLM Agent 形成呼应。[5] 显示数学推理最大缺口在组合鸿沟。近几周总篇数波动与采集口径有关，方向对比以上述 P1 方向篇数为准。

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

13D 生成：部件、纹理与拓扑

升温

3D 生成

本周 3D 生成 P1 共 5 篇，高于前 4 周 P1 周均 0.5。[1] 用分割锚定部件并发布 PartObjectNet（20 万+ 物体）；[6] 以表面感知位置编码改善 UV 接缝；[2] 结合滑动窗口切片潜变量与拓扑监督做 rectified flow；[7] 在 image-to-3D 潜空间免训练解耦颜色与纹理。[8] 将 articulatory 动力学用于语音驱动 3D 面部。本周 5 篇工作覆盖部件结构、UV 纹理、拓扑保持、风格解耦与 3D 面部运动。

代表论文

2世界模型：占用、音频与 Agent 引导

升温

世界模型具身智能

世界模型 P1 本周 4 篇，前 4 周 P1 周均为 0.5。[3] 融合相机、LiDAR、RADAR 自监督预测 4D 占用与流；[9] 在自监督动力学上学习 cross-attention 重建路由；[10] 为文本 3D 世界绑定几何声源（training-free）。[4] 用回顾式世界建模与自洽奖励约束 VLM Agent 的动作—转移因果一致。具身 P1 8 篇，略高于周均 6.3；本周代表工作覆盖三模态占用、重建路由、空间音频与 Agent 自洽奖励。

代表论文

3VLM：分层基准与物体幻觉

升温

VLM

VLM 本周 P1 16 篇，高于前 4 周 P1 周均 9.5。诊断基准集中：[11] 驾驶四层从开环到闭环；[14] KilometerVision 测千米级空间布局；[15] PhysVista 闭环物理智能。[13] DARE 与 [12] CORAL 均为 training-free 抑制 LVLM 物体幻觉；[17] MIST 表明 VLM 作标注替代时「有图」即可扰动标签。

代表论文

4VLA 与具身：解耦、预测与数据扩增

持续

具身智能

具身 P1 8 篇，略高于前 4 周 P1 周均 6.3。[18] DILL 以域不变潜在前瞻减轻 VLA 伪相关；[19] ATI-VLA 用共享码本对齐预测观测与动作；[21] TacEx 以触觉好奇心探索并后训练 VLA。[20] PRISM 用反事实视频扩展人形 loco-manipulation；[23] 真机人形羽毛球对打。[22] ACPPO-Corr 在 25 项仿真任务上改进分块 PPO。重心在表示对齐与可扩展数据。

代表论文

5LLM：推理诊断、对齐与工具 RL

持续

LLM

LLM P1 27 篇，高于前 4 周 P1 周均 20.3 篇。[5] OracleLadder 将组合鸿沟标为各模型最大失败类型；[29] 分析 beam search 测试时扩展；[30] 指出离散扩散上确定性 PRM 引导弱于 ORM 重排。[24] 从能量 landscape 解释扩散 LLM 越狱；[25] CodeMimicry 利用代码域对齐滞后；[26] ToolSearcher 以 RL 做大规模工具选择。[27] SPRING 用 SMT 做逻辑过程监督。

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 78 篇：P1 顶会 78

各方向本周与前 4 周均值

按论文主方向 · 对比 W36、W37、W38、W39

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3 篇2 篇0.5 篇3 篇1.5 篇5 篇0.5 篇0.3 篇0.3 篇1 篇1.5 篇4 篇0.5 篇8 篇6.3 篇16 篇9.5 篇2 篇0.5 篇9 篇9.8 篇27 篇20.3 篇0.3 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32.032.0
图编辑00.500.5
视频生成31.531.5
3D 生成50.550.5
Visual2Code00.300.3
3D2Code00.300.3
GUI Agent11.511.5
世界模型40.540.5
具身智能86.386.3
VLM169.5169.5
OCR20.520.5
音频99.899.8
LLM2720.32720.3
统一多模态00.300.3

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（11 篇）。详细数值见数据表。LLMreinforcement learningbenchmarkVLMtraining-freechain-of-thoughtjailbreakVLAagentAlignmentautonomous drivingdiagnostic evaluationdiffusion transformerFlow Matchinggeneralization11 篇8 篇7 篇7 篇5 篇3 篇3 篇3 篇2 篇2 篇2 篇2 篇2 篇2 篇2 篇
查看数据表
关键词论文数（篇）
LLM11
reinforcement learning8
benchmark7
VLM7
training-free5
chain-of-thought3
jailbreak3
VLA3
agent2
Alignment2
autonomous driving2
diagnostic evaluation2
diffusion transformer2
Flow Matching2
generalization2

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

It's All Training: A Fully Synthetic Single-Stage Recipe for LLMs

全是训练：LLM 的全合成单阶段配方

arXiv:2609.37891P1 顶会正文（arXiv HTML）参考来源 [28]

要解决的问题
预训练长期依赖网页爬取，内容难控且缺乏显式推理；合成数据如何影响知识习得缺乏公开、可复现实证，预/中/后训练往往分阶段堆叠。
方法
SYNTH 以约 58k 篇维基等种子为锚，两阶段流水线：蒸馏微调 query 与 reasoning 辅助模型；Stage 2 在六轴约束先验下对种子段落扩增 query，配对检索邻居做 grounded 回译与 stenographic 推理 trace，并混入 RAG、算术、编辑等任务，单阶段 next-token 预训练，不做 SFT 或 RL。
主要结果
iso-compute 下 Synth 优于过滤网页数据。Baguettotron 用少 80–700× 预训练 token，多选平均落后 Qwen3-0.6B 4.7 点、开放式仅 0.7 点；相对后训练 FineWiki/FinePDFs-Edu，多选高 16–17 点、开放式高 11–14 点。维基实体 FActScore macro 上 Baguettotron-600M 与 MoE 达 41.7% 与 46.3%，各参数量级在少 10–140× token 下事实学习效率领先。
局限
知识上界受约 58k 维基种子内容约束；种子选取偏英语维基视角，多语生成仍由英语种子塑形；任务难度面向 SLM；实验为纯合成隔离设定，未系统探索与网页混训；更大通用模型需扩展 code、agent 等合成管线。
意义
公开 SYNTH 与 Baguettotron，说明可控、grounded 的合成语料可在单阶段内同时支撑指令、推理与事实记忆，为 token 效率、领域适配及可发布预训练环境提供可复现基线。

正文出处

  1. Abstract在同等算力设定下，Synth 预训练优于过滤网页数据。

    At iso-compute, Synth outperforms filtered web data, and our models remain competitive with similarly-sized open-weight baselines.

  2. §4.1少 80–700× 预训练 token 时，多选落后 Qwen3-0.6B 4.7 点，开放式仅 0.7 点。

    ours trail Qwen3-0.6B by 4.7 points on multiple-choice and just 0.7 points on open-ended, while training on 80–700× fewer tokens.

  3. §4.2相对后训练网页模型，Synth 在多选上高 16–17 点，开放式高 11–14 点。

    Synth leads by 16–17 points compared to both post-trained web models on multiple-choice and 11–14 points on open-ended tasks (Table 8, Appendix H).

  4. §5.1Baguettotron-600M 与 MoE 的维基实体 macro FActScore 为 41.7% 与 46.3%，为表中同档最高。

    Baguettotron-600M and Baguettotron-MoE reach the highest macro scores in the table (41.7% and 46.3%)

  5. §5.1各参数量级上，Synth 模型在少 10–140× 训练 token 下仍居事实学习效率前列。

    Models trained on Synth are the most token-efficient factual learners in every parameter tier, topping both precision and macro scores despite 10–140× fewer training tokens

  6. §7当前设计受约 58k 维基种子所含信息限制，对参数化知识形成硬上界。

    Our current design is bounded by the information contained in the ∼58k Wikipedia seed articles.

Disentangling Spurious Correlations in Vision-Language-Action Models via Predicting Domain-Invariant Latent Lookahead

通过预测域不变潜在前瞻解耦视觉-语言-动作模型中的伪相关

arXiv:2609.37165P1 顶会正文（arXiv HTML）参考来源 [18]

要解决的问题
VLA 策略在视角、背景、光照等视觉分布偏移下易失效，常把与任务无关的域相关外观当作动作捷径，导致反事实任务–视角组合下按「视图关联任务」而非语言指令执行。
方法
提出 DILL：先在域变换轨迹上训练 Task-Domain Encoder，用 task-positive / domain-positive 对比学习与 Gaussian 解耦分离任务与域潜变量；策略阶段用冻结编码器提供未来 task latent 作为 lookahead 监督，并对当前表示施加与 domain latent 的解耦正则，二者共同驱动 action head，使控制依赖域不变的未来任务结构而非 incidental 视觉因素。
主要结果
LIBERO 反事实任务–视角诊断中，DILL 将 OOD 成功率提到 0.58、shortcut degree 降至 0.05，显著优于 Base VLA。LIBERO-Plus 四类视觉扰动零样本平均成功率 69.1%，较最强外部基线 OpenVLA-OFT 高 11.4 个百分点，相对 Original 的平均降幅约 12.5 个百分点。真机反事实指令跟随由 29.7% 升至 80.2%，shortcut degree 由 47.2% 降至零。
局限
方法主要针对视角、场景外观、相机配置与图像退化等视觉域因素诱发的捷径；初始状态、布局、语言模板、任务频率或示教风格等非视觉伪相关未覆盖。强不变性可能削弱部分场景下仍对控制有用的域相关线索，存在鲁棒性与分布内峰值性能的权衡。
意义
表明 VLA 鲁棒性不仅靠扩数据或架构，还需显式塑造用于控制的预测表示；域不变 latent lookahead 为缓解 shortcut learning 提供可复用的两阶段表示–策略学习路径，仿真与真机结果相互印证。

正文出处

  1. AbstractLIBERO-Plus 视觉扰动四类平均成功率 69.1%，较最强基线高 11.4 个百分点。

    LIBERO-Plus evaluations demonstrate improved visual robustness, with 69.1% average success—11.4 percentage points above the strongest baseline.

  2. §4.1反事实视角下 DILL 的 OOD 成功率为 0.58，shortcut degree 为 0.05。

    DILL raises OOD success to 0.58 and reduces shortcut degree to 0.05, recovering commanded behavior while largely avoiding view-induced task substitution.

  3. §4.2相对 Original，DILL 在四类视觉扰动上的平均性能降幅为 12.5 个百分点。

    OpenVLA-OFT and UniVLA score higher without perturbations, but their average drops under visual shifts are 37.6 and 52.3 points, respectively, compared with 12.5 for DILL.

  4. §4.4真机反事实指令跟随由 Base VLA 的 29.7% 提升至 DILL 的 80.2%，shortcut degree 由 47.2% 降至零。

    DILL raises counterfactual command-following success from Base VLA's 29.7% to 80.2% and reduces observed shortcut degree from 47.2% to zero (Table 2).

  5. §4.3最终送入 action head 的 VLA latent 对 task pairs 平均相似度 0.94，对 domain pairs 为 0.55。

    The final VLA latent also remains strongly task-centric: it assigns high similarity to task pairs (μ=0.94) while keeping domain pairs noticeably lower (μ=0.55).

  6. §5论文承认当前方法未覆盖所有可能的伪相关。

    While this captures a common source of brittleness in VLA policies, it does not cover all possible spurious correlations.

Panoptic Scene Program Diffusion Transformer

全景场景程序扩散 Transformer

arXiv:2609.31780P1 顶会正文（arXiv HTML）参考来源 [31]

要解决的问题
高保真 T2I 在组合提示下仍易失败：实例身份、属性归属、计数、空间顺序与角色敏感关系难以同时满足；扁平文本 conditioning 无法在去噪过程中显式维护场景状态。
方法
PSP-DiT 建模联合分布 pθ(z,s|y)，将全景场景程序 s（实例、属性、有序关系、基数与场景上下文）作为与 RAE 图像潜变量 z 同等的一等潜变量；双流 Transformer 各自自注意力并经双向 cross-attention 联合预测去噪目标；grounding 头约束 visual ownership，配合 align 与 cycle 损失使程序与图像相互可解释。
主要结果
匹配设置下 PSP-DiT 在 SANEval-Simple、PSG-Score、DetailMaster 等组合基准上均优于 Ours-FlatText，组合技能在计数、属性绑定与角色关系上提升最明显；FID-30K 7.9、人类偏好胜率 56.8%，相对延迟约 1.12× 时 GE2 达 38.2。
局限
论文明确 scope 限于 text-to-image；将全景场景程序潜变量扩展到 text-to-video，并在帧间保持时序一致的场景状态，留作未来工作。
意义
把结构化场景状态内嵌进生成轨迹而非外置 control 或事后评测，为组合忠实度瓶颈提供可联合采样、可 grounding 的表示路径；与单纯放大 backbone 正交，实证上质量与组合性未呈典型 trade-off。

正文出处

  1. Table 1(a)匹配 flat-text 基线时，PSP-DiT 在四项组合基准上 GE2 38.2、SANE 73.6、PSG 0.73、DM 72.4。

    PSP-DiT 38.2 73.6 0.73 72.4 1.00

  2. §4.2组合增益归因于显式场景程序建模，而非仅 backbone 强度。

    This gap cleanly attributes the compositional gains to explicit scene-program modeling rather than to backbone strength alone.

  3. Table 1(c)计数、属性绑定、角色关系等技能列上 PSP-DiT 平均 72.7，计数 74.1、属性 75.3、角色 69.7。

    PSP-DiT 74.1 75.3 72.8 69.7 71.6 72.7

  4. Table 1(e)参数量 13.4B、相对延迟 1.12× 时 GE2 仍达 38.2，开销 modest。

    PSP-DiT 13.4B 32.1 23.9 1.12× 38.2

  5. Table 1(b)统一协议下 FID 为 7.9、ImageReward 为 1.42、人类偏好为 56.8%。

    PSP-DiT 7.9 32.6 1.42 56.8

  6. Limitations当前工作聚焦 T2I，T2V 上跨帧一致的场景程序扩展未做。

    This work focuses on text-to-image generation. Extending panoptic scene-program latents to text-to-video generation, where scene state must remain temporally consistent across frames, is left to future work.

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2

数据与评测3

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 11 篇

3D 生成 5 文生图 3 视频生成 3

生成 11 篇 P1：[31] 将全景场景程序与图像联合去噪；视频 [37] SplitMoE 缓解 MoE 均匀负载陷阱；3D 本周抬升，[1] 部件级、[2] 保拓扑、[7] 免训练风格化并进。[35] FARE 补部署期生成器取证。

相关论文

世界模型与具身

本周 12 篇

具身智能 8 世界模型 4

世界与具身 12 篇：[3] 三模态占用、[9] 重建路由、[10] 空间音频扩展世界模态；[19][18][20] 覆盖 VLA 对齐与反事实视频数据。[36] 卫星 VLN 与 [23] 人形羽毛球并重。

相关论文

理解

本周 18 篇

OCR 2 VLM 16

理解 18 篇以 VLM 为主：[12][13] 免训练降幻觉；[11][14][15] 分层基准覆盖驾驶、千米空间与物理闭环。[39] LIFT 从 LLM 注入推理向量；[40] 手写识别与高像素方差子空间。

相关论文

音频

本周 9 篇

音频 9

音频 9 篇 P1，与周均 9.8 相当。[45][42] 深化 deepfake 域泛化；[41] CoT+RL 时长对齐 S2ST；[43] 一步零样本 VC。[46] 等显示 AI 克隆在情感韵律上仍弱于人声。

相关论文

基础模型

本周 27 篇

LLM 27

基础模型 27 篇：[28] SYNTH 挑战预训练配方；[5] 组合鸿沟与 [48] AgentHop 强化诊断；[47] 鲁棒 Nash 对齐；[25] 代码补全越狱与 [24] 扩散 LLM 能量分析对照安全范式。

相关论文

下周关注点

  • 3D 与世界模型 P1 篇数是否延续本周高位
  • VLM training-free 幻觉方法在同基准上的横向对比
  • 反事实视频扩增与真机 VLA 部署的后续结果
  • 代码域越狱与扩散 LLM 检测信号的防御跟进
  • 语音 deepfake MoE 与一步 Flow VC 开源复现

参考来源

  1. [1]Seg3DParts: Segmentation-Grounded Controllable Part-Level 3D GenerationarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  2. [2]SILSA: Sliding-Window Slice Latents for Topology-Preserving High-Resolution 3D GenerationarXiv · 2026-10-02 · 摘要 · 访问于 2026-10-19↩
  3. [3]TriO: Tri-Modal Unsupervised Occupancy World Model for Anything PerceptionarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  4. [4]Beyond Prediction: Steering VLM Agents with Retrospective World ModelingarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  5. [5]Solving Every Step Is Not Enough: Milestone Oracles Reveal a Composition Gap in LLM Math ReasoningarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  6. [6]DirectUV: Image-Conditioned UV Texture Generation with Surface-Aware Positional EncodingarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  7. [7]DiDE:Direct Injection with Color-Texture DEcoupling for 3D StylizationarXiv · 2026-10-02 · 摘要 · 访问于 2026-10-19↩
  8. [8]Seeing Speech: Learning Visible Articulatory Dynamics for Speech-Driven 3D Facial AnimationarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  9. [9]StarWM: Self-Supervised Trained Attention Routing for Robust World ModelsarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  10. [10]Audible World Models: Spatially Aware Sound Generation for 3D WorldsarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  11. [11]DriveHierarchy: A Benchmark for Diagnosing VLM Driving Capabilities from Open-Loop Understanding to Closed-Loop ExecutionarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  12. [12]Mitigating Object Hallucination in Large Vision-Language Models via False Discovery Controlled Visual Data SplittingarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  13. [13]DARE to Mitigate Hallucination: Dual-path Auto-Regressive-aware EditingarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  14. [14]KilometerVision: A New Frontier for Large-Scale Spatial Intelligence in VLMsarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  15. [15]PhysVista: Benchmarking Physical Intelligence in VLMs via a Perception-Reasoning-Assessment LooparXiv · 2026-10-02 · 摘要 · 访问于 2026-10-19↩
  16. [16]SceneScaffold: Active Scene-State Construction for Unified 3D Scene UnderstandingarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  17. [17]It's Not What the Image Shows: Irrelevant Context Destabilises VLM Judges Without Informing ThemarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  18. [18]Disentangling Spurious Correlations in Vision-Language-Action Models via Predicting Domain-Invariant Latent LookaheadarXiv · 2026-09-30 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  19. [19]ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive InjectionarXiv · 2026-10-02 · 摘要 · 访问于 2026-10-19↩
  20. [20]Counterfactual Video Generation Enables Scalable Humanoid Loco-ManipulationarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  21. [21]Tactile Curiosity Drives Robot InteractionarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  22. [22]Action Chunking Proximal Policy Optimization with Feedback CorrectionarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  23. [23]Humanoid Badminton: Learning Dynamic Racket Skills from Limited Human Motion DataarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  24. [24]Why Jailbreaks Succeed in Diffusion Language Models: An Energy Landscape AnalysisarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  25. [25]CodeMimicry: Exploiting Safety Generalization Lag in Large Language Models via Structured Code CompletionarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  26. [26]ToolSearcher: Optimizing Tool Selection at Scale via Reinforcement LearningarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  27. [27]Rewarding Novel Deductions: Solver-guided Process Supervision for Logical ReasoningarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  28. [28]It's All Training: A Fully Synthetic Single-Stage Recipe for LLMsarXiv · 2026-09-30 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  29. [29]Provable Test-Time Scaling for Beam Search in LLM ReasoningarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  30. [30]Why Deterministic PRM Guidance Underperforms in Discrete Diffusion ReasoningarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  31. [31]Panoptic Scene Program Diffusion TransformerarXiv · 2026-09-28 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  32. [32]KaliBench: A Fine-Grained Benchmark for Cybersecurity Tool Use on Kali Linux with Runtime-Free Verifiable RewardsarXiv · 2026-10-02 · 摘要 · 访问于 2026-10-19↩
  33. [33]ViTeX-Bench: Benchmarking High-Fidelity Video Scene Text EditingarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  34. [34]LDM-is-AE: Latent Diffusion Model is an Auto-Encoder for End-to-End Image GenerationarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  35. [35]FARE: Forensic Acceptance Region Estimation for Catching Bait-and-Switch Image GeneratorsarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  36. [36]SatNav: A Scalable Benchmark for Long-Horizon UAV Vision-Language Navigation from Satellite ImageryarXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  37. [37]Breaking the Uniformity Trap: Scaling Video Diffusion Model via SplitMoEarXiv · 2026-09-30 · 摘要 · 访问于 2026-10-19↩
  38. [38]ScreenHaystack: Finding Blind Zones in GUI GroundingarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  39. [39]Can Linguistic Reasoning Vectors Enhance Multimodal Reasoning Ability?arXiv · 2026-09-28 · 摘要 · 访问于 2026-10-19↩
  40. [40]Handwritten Text Recognition Lives in the High-Pixel Variance SubspacearXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  41. [41]DuraS2ST: Chain-of-Thought and Reinforcement Learning for Duration-Aligned Speech-to-Speech TranslationarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  42. [42]Domain-Adaptive Dual-Gating Mixture of Experts for Generalizable Speech Deepfake DetectionarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  43. [43]MeanVoiceFlow2: Joint Optimization of Mean Flow and Content Encoder for Fast One-Step Zero-Shot Voice ConversionarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  44. [44]Probing Large Audio-Language Models for Compositional Understanding of Sounding ActionsarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  45. [45]DGS-MLDG: Domain Gradient Surgery Guided Meta-Learning for Domain Generalization in Speech Deepfake DetectionarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩
  46. [46]A barrier or a booster? Familiarity effects on Mandarin emotion prosody recognition using AI-powered voice cloningarXiv · 2026-10-01 · 摘要 · 访问于 2026-10-19↩
  47. [47]Robust Nash Alignment under Preference UncertaintyarXiv · 2026-10-02 · 摘要 · 访问于 2026-10-19↩
  48. [48]AgentHop: A Diagnostic Benchmark for Agentic Multi-Hop Scientific Question AnsweringarXiv · 2026-09-29 · 摘要 · 访问于 2026-10-19↩