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 41 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

按 P1 顶会口径与前 4 周 P1 周均比较，LLM 23 篇、文生图 4 篇、3D 生成 4 篇、图编辑 2 篇均高于同方向周均，GUI Agent 与 OCR 等方向本周为零。具身方向共 8 篇，其中关键词 VLA 出现在 5 篇；代表工作分别关注剪枝加速、滚动去噪控制、潜变量世界建模与移动操作评测，[1][2][3][4] 对应这些切面。基础模型侧长期记忆与 KV 压缩、工具调用机理与安全拒答被多篇 NeurIPS / EMNLP 工作同时推进，[5][6][7][8] 代表不同切面。生成侧除组合性与遗忘等训练议题外，[9] 提出「world-grounded visual consistency」评测，提示常规指标与物理/交互合理性仍可能脱节。

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

1VLA 效率、反应性与世界模型融合

持续

具身智能世界模型

具身主方向本周 8 篇，与前 4 周 P1 周均 7.5 篇接近。本周多篇工作关注推理效率、反应性与相机配置等部署约束：[1] 在保持成功率前提下剪约 87.5% 视觉 token 并报告最高约 1.718× 加速；[10] 用动作重预测不确定性自适应触发双系统通才推理以省算力；[2] 以滚动去噪与模块解耦提升 flow-VLA 反应性；[3] 将预测式潜变量世界模型并入 VLA，并给出相对同类生成式方法约 1/19 的推理延迟量级。相机可配置与多视角 scene token（[11]）说明工程形态多样化，而非单一路线收敛。

代表论文

2LLM Agent、记忆与长上下文推理

升温

LLM

LLM 主方向 23 篇，高于前 4 周 P1 周均 16.5 篇，关键词中 LLM 12 篇、LLM agent 4 篇、benchmark 7 篇。记忆架构从渐进披露（[5] 在 LongMemEval 上仅访问约 8% 对话仍保持较强表现）到认知图重构（[12]）并行探索；长程决策侧 [13] 用门控选择性 critique 平衡成功率与 token 成本，[15] 以技能生命周期协同演化策略与技能库。KBQA 与医疗推理强调预算与可验证引用，[14] 在 CWQ 报告 Hit 提升 16.58%，[16] 将 plan-navigate-verify 闭环用于医疗 KG。

代表论文

3文生图组合性、评测与安全遗忘

升温

文生图图编辑

文生图 4 篇、图编辑 2 篇，均高于前 4 周 P1 周均：文生图 2.3 篇、图编辑 0.3 篇。训练侧 [17] 论证组合失败源于跨模态错位并可通过对齐损失改善 GenEval；[18] 针对少步蒸馏模型提出与少步动力学对齐的偏好驱动遗忘。评测与可控编辑形成对照：[9] 用 18 类世界一致性违规与 MLLM 工作流评测，显示强常规指标模型仍可有显著世界一致性失败；[19] 以 VLM 奖励的 RL 贯彻最小改动原则，在 FLUX.1 Kontext-dev 上将 EditScore 由 5.21 提至 5.88。

代表论文

4VLM 幻觉、不确定性与安全—效率张力

持续

VLM

VLM 主方向 8 篇，与前 4 周 P1 周均 7.8 篇相当；关键词 hallucination 3 篇、safety 3 篇、mechanistic interpretability 3 篇。理解侧 [22] 用因果不变掩码分解认知不确定性；[23] 免训练 ROT 在中间层旋转隐状态缓解物体幻觉。[21] 指出 token 剪枝可能放大越狱语义并给出 Safety-Aware Pruning，与 VLA 剪枝（[1]）形成跨模态警示：效率优化需同步审计安全。[24] 以分阶段 latent 监督做结构化视觉推理，[25] LoHi 在固定 token 预算下权衡长视频帧率与分辨率。

代表论文

53D 与多视角生成式场景构建

升温

3D 生成

3D 生成 4 篇，高于前 4 周 P1 周均 1.8 篇；multi-view 为关键词之一（3 篇）。[26] 提出无扩散的 next-scale 自回归多视角合成，报告相对扩散基线推理加速超 3 倍；[27] 在无位姿多视角 mask 输入上做前向 3D inpainting；[28] 用 VLM 推理贴合约束做场景条件物体插入；[29] 以类比关系迁移缓解 text-to-3D 同质化。本周工作分别覆盖多视角合成、几何一致补全、物体插入与创意多样性。

代表论文

6结构化 Benchmark 与评测方法论

持续

LLMVLM具身智能

关键词 benchmark 7 篇、evaluation 2 篇，覆盖机器人、医学、社交与幻觉标注。[4] RMMBench 含 70 类移动—操作长程任务，揭示领先 VLM 在空间定位与长程交互上的短板；[30] BrainTRACE 含 7273 条 VQA 与约 29k 配准 3D MRI 序列，分层审计临床证据链；[31] 系统比较 QA 幻觉自动标注，强调 reference faithfulness 与 factual correctness 准则错配。[32] OmniCapBench 将音视频 caption 拆为可验证原子单元，诊断长程身份漂移。

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 57 篇：P1 顶会 57

各方向本周与前 4 周均值

按论文主方向 · 对比 W37、W38、W39、W40

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4 篇2.3 篇2 篇0.3 篇1 篇1 篇4 篇1.8 篇0.3 篇1.3 篇1 篇1.3 篇8 篇7.5 篇8 篇7.8 篇0.8 篇6 篇8.3 篇23 篇16.5 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42.342.3
图编辑20.320.3
视频生成11.011.0
3D 生成41.841.8
Visual2Code00.300.3
3D2Code00.000.0
GUI Agent01.301.3
世界模型11.311.3
具身智能87.587.5
VLM87.887.8
OCR00.800.8
音频68.368.3
LLM2316.52316.5
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（12 篇）。详细数值见数据表。LLMbenchmarkMLLMVLAVLMLLM agentdiffusionhallucinationimage editingmechanistic interpretabilitymechanistic interpret…multi-viewsafetytext-to-imagechain-of-thoughtcross-lingual12 篇7 篇5 篇5 篇5 篇4 篇3 篇3 篇3 篇3 篇3 篇3 篇3 篇2 篇2 篇
查看数据表
关键词论文数（篇）
LLM12
benchmark7
MLLM5
VLA5
VLM5
LLM agent4
diffusion3
hallucination3
image editing3
mechanistic interpretability3
multi-view3
safety3
text-to-image3
chain-of-thought2
cross-lingual2

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

PLaW-VLA: Predictive Latent World Modeling for Vision-Language-Action Policies

PLaW-VLA：面向视觉-语言-动作策略的预测式潜变量世界建模

arXiv:2610.12285P1 顶会正文（arXiv HTML）参考来源 [3]

要解决的问题
长程机器人操控需在部分可观测与执行扰动下推断任务状态，仅靠当前观测往往不足。既有 VLA 若用视觉重建或生成式未来目标，会同时建模与控无关的外观变化，加重预测负担并可能把误差传入动作。
方法
PLaW-VLA 在冻结 V-JEPA 2 的预测导向潜空间中建模任务相关未来，避免低层视觉重建。采用 Mixture-of-Transformers：VLM 做语义 grounding，潜变量世界模型用可学习 query 并行预测未来 latent，动作专家经结构化因果注意力同时利用历史观测、语义与预测未来。三阶段训练：无动作视频预训练 LWM、机器人轨迹联合优化预测与 flow-matching 动作、任务与本体适配。
主要结果
RoboTwin Hard Horizon III 相对 π0.5 成功率从 67.4% 升至 79.2%，提升 11.8 个百分点；零样本 LIBERO-Plus 任务加权平均 72.7%。LIBERO 平均 97.4%，较 π0.5 高 0.5 个百分点。相对重建导向潜预测，零样本 LIBERO-Plus 约高 1.77 个百分点。在可比策略表现下，推理延迟约为生成式世界–动作建模 Motus 的 1/19。
局限
未来预测与闭环控制因执行误差耦合，需不确定性估计与恢复机制。视频到机器人范式在规模与多样性上仍有限，更大规模无动作视频预训练迁移尚待系统研究。
意义
明确 VLA 中「预测什么未来、如何用其条件化动作」：在预测训练表征空间建模状态演化并直接条件化策略，可在长程与分布偏移下改善控制，同时以轻量并行潜预测替代高成本生成式未来建模，为性能与推理效率提供有实验依据的折中。

正文出处

  1. §4.1RoboTwin Hard Horizon III 上相对 π0.5 成功率从 67.4% 升至 79.2%，提升 11.8 个百分点。

    The largest gain is on Hard Horizon III, from 67.4% to 79.2% (+11.8 points).

  2. §4.1零样本 LIBERO-Plus 任务加权平均成功率为 72.7%。

    PLaW-VLA achieves a task-weighted average success rate of 72.7%, surpassing the zero-shot baselines from the official LIBERO-Plus leaderboard included in this comparison.

  3. §4.1LIBERO 平均成功率 97.4%，较 π0.5 backbone 高 0.5 个百分点。

    PLaW-VLA achieves the highest average success rate among the compared methods, reaching 97.4%, which is 0.5 percentage points above its π0.5 backbone.

  4. Abstract相对重建导向潜预测，零样本 LIBERO-Plus 约高 1.77 个百分点。

    a +1.77 pp gain over reconstruction-oriented latent prediction on zero-shot LIBERO-Plus, supporting improved long-horizon control and generalization under distribution shift, respectively.

  5. §4.4在可比 LIBERO 成功率下，推理延迟约为 Motus 的 1/19。

    Compared with Motus [3], PLaW-VLA requires only about 1/19 of the inference latency at comparable LIBERO success.

TerraVis: Towards Evaluation of World-Grounded Visual Consistency in Text-to-Image Generation via MLLM Workflows

TerraVis：基于 MLLM 工作流评估文生图的世界 grounded 视觉一致性

arXiv:2610.02959P1 顶会正文（arXiv HTML）参考来源 [9]

要解决的问题
现有文生图评测多关注 photorealism、美学、图文对齐与偏好，难以直接判断生成图在对象结构、物理交互与空间布局上是否违背可感知的世界约束；高常规分数的样本仍常出现解剖、接触与场景级不合理。
方法
TerraVis 定义 world-grounded visual consistency，用对象、交互、场景三级共 18 类违规 taxonomy。MLLM 按 Algorithm 1 串行做宏观场景资格判定、逐类违规检测、主/次严重度划分，再以 S=exp[-λ(Nmaj+αNmin)] 聚合为总体分数；相对 TerraVis-H 的一次性 holistic 评分，分解式 QA 约束输出并贴近人工四阶段判分。
主要结果
在 COCO-T2I 与 GenAI-Bench 上对比五款 T2I 模型与六项基线，TerraVis 与人工世界一致性评分的相关在现有指标中最高；pooled Spearman ρ 在 COCO-T2I 为 0.44、GenAI-Bench 为 0.43。相对 TerraVis-H，COCO-T2I 上 ρ 由 0.28 升至 0.44。论文还指出，常规指标表现强的模型仍可有显著 world-consistency 失败。
局限
作者指出：多阶段 workflow 效率低于单次打分；违规检测可能误报或漏检；taxonomy 与 prompt 未必覆盖全部违规类型；基准以人工评分为参照，歧义样本与严重度判断存在标注者分歧。实验覆盖 COCO-T2I（200 prompts）与 GenAI-Bench（1600 prompts）及五款模型。
意义
将 world consistency 明确为与质量、对齐、偏好互补的 prompt-independent 维度，并提供可解释的违规分类与分数，有助于系统比较文生图在真实世界约束上的失败模式，对需要可信视觉内容的评测与迭代有一定参考价值。

正文出处

  1. AbstractTerraVis 在现有指标中与人工世界一致性判断的相关最强。

    Across diverse open-source and proprietary text-to-image models on two widely used benchmarks, TerraVis achieves the strongest correlation with human judgments of world consistency among existing metrics.

  2. Table 2COCO-T2I pooled 上 TerraVis 的 Spearman ρ 为 0.44、Kendall τ 为 0.37。

    TerraVis 0.43 0.34 0.55 0.46 0.22 0.19 0.33 0.29 0.36 0.31 0.44 0.37

  3. Table 2GenAI-Bench pooled 上 TerraVis 的 Spearman ρ 为 0.43。

    TerraVis 0.33 0.26 0.37 0.30 0.43 0.36 0.48 0.40 0.37 0.30 0.43 0.35

  4. §4.2结构化 TerraVis 相对 TerraVis-H 在 COCO-T2I 上相关由 ρ=0.28 提升到 ρ=0.44。

    For example, on COCO-T2I, the correlation improves from TerraVis-H (ρ=0.28, τ=0.24) to TerraVis (ρ=0.44, τ=0.37).

  5. §4.2现有基线中 RAHF 与人工相关最高，COCO-T2I 上 ρ=0.29，GenAI-Bench 上为 0.37。

    Among existing metrics, RAHF achieves the strongest correlations (ρ=0.29 on COCO-T2I and 0.37 on GenAI-Bench).

  6. §3.3taxonomy 共 18 类违规，含 7 类对象级、8 类交互级与 3 类场景级。

    The taxonomy comprises 18 violation types, including 7 object-level violations, 8 interaction-level violations, and 3 scene-level violations.

How Do Agentic LLMs Decide to Call Tools? A Tool-Call Vector Shaped by Suppression

Agent 式 LLM 如何决定是否调用工具？受抑制塑造的工具调用向量

arXiv:2610.09624P1 顶会正文（arXiv HTML）参考来源 [7]

要解决的问题
Agent 式 LLM 在长且高度耦合的 agent 提示中，首 token 是否发起 tool call 的 call-or-no-call 机制缺乏因果刻画，也难以找到单一可控变量做机制分析。
方法
构造仅 request verb（execution 与 analysis）不同的对比对，以首 token 是否为 tool call 为行为靶；用 activation patching 将决策定位到 L24 预测位残差，以 clean–corrupt 激活差估计工具调用向量 μΔ 并做加减干预；结合 scaffold 消融与 Transcoder 分解 L20–L23，解释 scaffold 先验与分析侧抑制如何塑造 μΔ。
主要结果
L24 预测位补丁可在 held-out 分析提示上 100% 恢复调用。L24 加 μΔ 使分析侧 top-1 从 0.00% 变为 100.00%，减 μΔ 使执行侧从 100.00% 变为 0.00%。跨 web retrieval、SQL、email，norm. shift 均值分别为 0.88 与 0.94。τ2-Bench 上 1× 移除抑制 36.7% 基线调用、添加诱导 70.0% 基线文本轮；160 条无动词请求上移除抑制 93.1%。中性请求 mean call probability 为 0.8486，分析请求降至 0.0038。七模型均复现定位与干预，且 Kcorrupt 大于 Kclean。
局限
论文范围限于二元 call-or-no-call；形成分析主要基于固定 scaffold 下经行为筛选的 coding 对比对，对其他提示结构的适用性未确立。未评估工具是否选对、参数是否有效或任务是否完成。向无动词请求的可迁移性并不证明显式与隐式请求具有相同的形成机制。
意义
将 agent 首 token 工具调用决策落到紧凑残差向量及「scaffold 先验 + 分析抑制」叙事，并在多域与原生轨迹上展示可干预性，为 tool-use 评测补充内部因果视角，对跨模型机制对照与 activation steering 有参考价值。

正文出处

  1. §3.1L24 预测位 activation patching 可在 held-out 分析提示上 100% 恢复 tool call。

    At L24, patching the prediction-position state recovers calls on 100% of held-out analysis prompts.

  2. Table 1L24 减 μΔ 使执行侧 top-1 从 100.00% 变为 0.00%，归一化必要度 Necc. 为 1.04。

    Remove μΔ 100.00% 0.00% ↓ 100.00 32.28 24.80 ↓ 7.48 – 1.04

  3. §4.1跨域迁移时，加 μΔ 的 norm. shift 均值 0.88，减 μΔ 为 0.94。

    The normalized logit shift averages 0.88 for addition and 0.94 for removal.

  4. §4.2τ2-Bench 原生轨迹在 1× gain 下，移除抑制 36.7% 基线调用，添加诱导 70.0% 基线文本轮。

    At 1× gain, vector removal suppresses 36.7% of baseline tool calls, and vector addition induces tool calls on 70.0% of turns with a baseline text response (Table 3).

  5. §4.3160 条基线会调工具的无动词请求上，1× 移除 μΔ 抑制 93.1% 调用。

    Among 160 evaluated requests with a baseline Qwen3-8B tool call, vector removal suppresses 93.1% of calls at 1× gain.

  6. §5.1held-out 上中性请求 mean call probability 0.8486，分析请求降至 0.0038。

    On held-out tasks, neutral requests produce a mean call probability of 0.8486, while analysis requests reduce the probability to 0.0038.

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3

数据与评测2

开源项目1

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 4 图编辑 2 文生图 4 视频生成 1

生成组 11 篇集中在「评什么」与「怎么控」：[9] 推动世界 grounded 一致性评测，[17][18] 分别攻组合对齐与少步模型遗忘；3D 侧 [26][27] 强调多视角自回归与前向 inpainting 的可扩展几何一致；视频仅 1 篇 [34] 用图像 in-context 链缓解视频编辑数据瓶颈。

相关论文

世界模型与具身

本周 9 篇

具身智能 8 世界模型 1

世界模型与具身组 9 篇中 embodied 8 篇：VLA 工作覆盖训练架构（[3]）、推理期系统优化（[1][10][2]）与相机可配置部署形态（[11]）；规划侧 [35] 本体 grounded 表示提升长程任务 token 效率；[4] 基准把移动操作短板量化。latent 世界模型仅 1 篇 [36] 聚焦部分可观测下的探索规划。

相关论文

理解

本周 8 篇

VLM 8

理解组 8 篇均为 VLM：推理结构化（[24]）、长视频效率（[25]）与 trustworthy 并列；幻觉与 UQ（[22][23]）对接安全（[21][8] 揭示 agentic 工具使用削弱拒答）；[37] 与 [32] 延伸音视频取证与细粒度 caption 评测。

相关论文

音频

本周 6 篇

音频 6

音频组 6 篇，低于前 4 周 P1 周均 8.3 篇；codec 创新 [38] 用 1D Gaussian splatting 瓶颈替代 VQ 并后验控码率；说话人方向 [42][39] 强调无标签增强与跨语种解耦；[40] 联合剪枝蒸馏服务 deepfake 端侧部署；[43] 对 LLM-TTS 做稀疏情绪电路追踪，与基础模型可解释性趋势呼应。

相关论文

基础模型

本周 23 篇

LLM 23

基础模型组 23 篇几乎等同全周 LLM 主方向体量：KV 与长上下文（[6][44]）、Agent 记忆与技能（[5][15]）、推理稳定性与蒸馏（[45][46][47]）及机理（[7][48]）多点开花；[49] 提醒脑对齐与跨语言探测分数解读需谨慎。

相关论文

下周关注点

  • NeurIPS / EMNLP 2026 录用论文是否继续推高 LLM Agent 与 KV 效率议题密度
  • VLA 剪枝与安全审计（SAP 类方法）是否出现跨架构跟进
  • 世界一致性类文生图评测是否被更多生成模型论文引用对照
  • 3D 前向 inpainting 与多视角 AR 是否形成可复现开源基线竞争
  • 音频方向篇数偏低是否为单周波动，关注 INTERSPEECH 后续批次

参考来源

  1. [1]When and What to Prune? Stage-Aware Visual Token Pruning for Efficient VLAarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  2. [2]REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA ModelsarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  3. [3]PLaW-VLA: Predictive Latent World Modeling for Vision-Language-Action PoliciesarXiv · 2026-10-09 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  4. [4]RMMBench: A Comprehensive Benchmark for Robotic Mobile ManipulationarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  5. [5]APDMem: Agent-Controlled Progressive Disclosure for Query-Adaptive Long-Term MemoryarXiv · 2026-10-05 · 摘要 · 访问于 2026-10-19↩
  6. [6]SlimKV: Joint Token-Feature KV Cache Compression with Reconstruction-Free Beacon AttentionarXiv · 2026-10-05 · 摘要 · 访问于 2026-10-19↩
  7. [7]How Do Agentic LLMs Decide to Call Tools? A Tool-Call Vector Shaped by SuppressionarXiv · 2026-10-08 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  8. [8]MLLMs Fail to Refuse when Using Tools AgenticallyarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  9. [9]TerraVis: Towards Evaluation of World-Grounded Visual Consistency in Text-to-Image Generation via MLLM WorkflowsarXiv · 2026-10-05 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  10. [10]Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLAarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  11. [11]VersaCamVLA: Camera-Configurable VLA Policies for Robotic ManipulationarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  12. [12]From Retrieval to Reconstruction: Constructing Evolvable Cognitive Memory for Long-Term DialoguearXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  13. [13]Selective Critique for Cost-Aware LLM Agents in Long-Horizon Decision MakingarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  14. [14]Foresight-over-Graph: Reasoning Beyond Local Horizons for Knowledge Base Question AnsweringarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  15. [15]SkillForge: Co-Evolving Skills and Agents via Dynamic Skill LifecyclesarXiv · 2026-10-08 · 摘要 · 访问于 2026-10-19↩
  16. [16]Cite What You Explore: Budget-Aware LLM Reasoning over Medical KGs with Verifiable EvidencearXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  17. [17]ORCA: Hunting Compositional Failures in Text-to-Image DiffusionarXiv · 2026-10-08 · 摘要 · 访问于 2026-10-19↩
  18. [18]Enabling Preference-driven Unlearning in Few-step Distilled Text-to-Image Diffusion ModelsarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  19. [19]Scalable Minimal-Change Learning for Controllable Image EditingarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  20. [20]Disentangling Dual Image References in Frequency Aware Diffusion Models for Personalized GenerationarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  21. [21]Understanding and Mitigating Token-Pruning-Induced Vulnerabilities in VLMsarXiv · 2026-10-08 · 摘要 · 访问于 2026-10-19↩
  22. [22]Revealing Epistemic Uncertainty in MLLMs via Causal-Invariant MaskingarXiv · 2026-10-05 · 摘要 · 访问于 2026-10-19↩
  23. [23]ROT: Rotating Hidden States towards Contextual Vectors for Hallucination Mitigation in LVLMsarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  24. [24]SLVR: Structured Latent Visual Reasoning via Human-like Reasoning FlowsarXiv · 2026-10-05 · 摘要 · 访问于 2026-10-19↩
  25. [25]Rethinking Long-Video Efficiency: A Joint Allocation Perspective on Frames, Pixels, and Front-End LatencyarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  26. [26]NAMVIS: Next-Scale Autoregressive Multi-View Image SynthesisarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  27. [27]Pose-Free Feed-Forward 3D Inpainting via Learnable Mask Attention and Support Token RefinementarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  28. [28]ElasticFit: Fit-Aware 3D Object Insertion via VLM Reasoning and Generative AdaptationarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  29. [29]CreativeFlow: A One-to-Many Analogical Relation Transfer Method for 3D Asset GenerationarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  30. [30]BrainTRACE: Tracing Longitudinal, Multimodal, and Volumetric Evidence in Brain MRI Clinical ReasoningarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  31. [31]The Labeling Problem in Hallucination Detection Benchmarks: An Empirical EvaluationarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  32. [32]OmniCapBench: A Deep-Structured Evaluation Framework for Fine-Grained Audio-Visual CaptioningarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  33. [33]LongSocialBench: Do Long-Context LLMs Understand Online Discussion Threads?arXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  34. [34]VINCIE-NExT: Unlocking Video Editing from Images via In-Context ModelingarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  35. [35]OntoPlan: An Ontology-Grounded Scene Representation and Agentic Framework for Scalable Robot Task PlanningarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  36. [36]EpicWorldModel: Exploration-driven Planning with Latent World ModelsarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  37. [37]Ariadne's Thread of LipSync: Unraveling Forgeries via Inconsistency between Lip Motions and Head PosesarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  38. [38]GS-Codec: A Gaussian-Splatting Bottleneck for Neural Audio CodingarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  39. [39]Cross-Lingual Speaker Verification with Self-Supervised Pre-Trained ModelsarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  40. [40]Task-Aware Joint Pruning and Distillation for Efficient Audio Deepfake DetectionarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  41. [41]EgoVoice: Proactive Spoken Assistance from Egocentric Multimodal StreamsarXiv · 2026-10-09 · 摘要 · 访问于 2026-10-19↩
  42. [42]Revisiting Label-Free Speaker Embedding Enhancement with vMF Profile LikelihoodarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  43. [43]Tracing a Sparse Emotion-Control Circuit in LLM-Based Text-to-SpeecharXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  44. [44]Behavior-Preserving KV Cache CompressionarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  45. [45]Quantifying the Stability of Multi-Step Reasoning via Error AmplificationarXiv · 2026-10-06 · 摘要 · 访问于 2026-10-19↩
  46. [46]Collaborative Reasoning Distillation via Cross-Feedback and Coherent CurationarXiv · 2026-10-08 · 摘要 · 访问于 2026-10-19↩
  47. [47]WASD: Wasserstein-based Knowledge Distillation for Large Language ModelsarXiv · 2026-10-07 · 摘要 · 访问于 2026-10-19↩
  48. [48]Bridge Routing Heads: Where Multilingual Multi-hop Reasoning Lives in LLMsarXiv · 2026-10-08 · 摘要 · 访问于 2026-10-19↩
  49. [49]The Score Is Not the Structure: Brain Alignment and Cross-Lingual TransferarXiv · 2026-10-05 · 摘要 · 访问于 2026-10-19↩