搜索Ctrl K
  • 榜单数据11-01 08:01
  • 论文数据11-02 14:18
  • 周报11-02 12:14

前沿论文周报 · 2026 年第 44 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

PolySight 本周共收录 940 篇论文，公告日 4 天；本周 P1 35 篇、P3 157 篇。研究重心仍在智能体可靠性与评测扩展：前缀可执行性 [1]、MCP 故障下规模不带来容错 [2] 与 GUI 可见性约束 grounding [3] 等顶会工作，把「终局成功」与轨迹安全、交互前提一并摆到台面上。[4] 以技能条件 LoRA-MoE 与轨迹可操作性先验刷新 CALVIN 长程多技能设定，[5] 用本体感知神经动力学模型在线微调人形跟踪策略，[6] 的 WorldProbe 显示 SOTA 视频世界模型在长时空间探索中局部质量与长程记忆仍弱，[7] 的 FlockWorld 与 FlockDiT 面向种群规模多 egocentric 联合生成。基础模型侧推理 SFT 综述 [8] 与多候选推理的接口税 [9] 反映后训练与测试时流程仍有不少工程化盲区。

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智能体评测从终局成功走向轨迹可靠

升温

工具调用代码 AgentGUI Agent

工具调用方向本周 P1 篇数为 4，高于前 4 周 P1 周均 1.5 篇；GUI Agent 方向本周 P1 篇数为 2，高于前 4 周 P1 周均 0.5 篇。关键词 benchmark 相关论文 78 篇、SWE-Bench 20 篇。[1] 提出前缀可执行性，指出仅看最终成功会高估不可执行轨迹上的智能体；[13]、[12] 分别从可复用验证器与访问障碍下的资源恢复刻画 Web Agent 短板。[10]、[14] 显示特性演进时全特性成功率相对首段显著下滑；[11] 的 ImpasseBench 表明编码智能体常在证据已充分时仍过度坚持或误报成功。

代表论文

2MCP 生态：容错、安全与一致性质化

升温

工具调用LLM

关键词 LLM 42 篇、tool use 12 篇。[2] 在真实 MCP 故障注入下显示 completion 分可从约 8.08 降至约 3.23，且更大模型未必更 resilient，框架级错误处理比规模更关键。[15] 针对解码时来源绑定在多种隐写攻击下报告 0% 攻击成功率；[16] 用递归语义分歧作轨迹级一致性奖励。[19] 的 Log-To-Leak 在多数模型-服务器对上 ASR 达 62.64–100%；[17] 的 REALM 在 AgentDyn 注入场景下将 ASR 从 16.6% 降至 0.2%。

代表论文

3VLA 与灵巧具身：技能、触觉与长程恢复

持续

具身智能VLM

关键词 VLA 61 篇、robot manipulation 27 篇、dexterous manipulation 17 篇；具身智能方向本周 P1 篇数为 5，低于前 4 周 P1 周均 10 篇。[4] 以技能条件 LoRA-MoE 与轨迹可操作性先验刷新 CALVIN 长程设定；[20] 在无回放终身模仿中用层次双路由注意力针对 representation drift。[21] 将人类触觉演示经 Tac-Retarget 迁移至 VLA；[23] 在冻结 VLA 上以轻量回溯降低 LIBERO-Long 失败率；[22] 为约 145 万轨迹提供统一原子动作监督。

代表论文

4世界模型：长程探针与动作统一条件

持续

世界模型具身智能

关键词 world model 37 篇；世界模型方向本周 P1 篇数为 2，与前 4 周 P1 周均 2.5 篇接近。[6] 用在线 probing 显示 SOTA 视频世界模型在长时空间探索中局部质量与长程记忆仍弱；[7] 联合生成多种群同步 egocentric 视频；[24] 统一异构动作的条件表示。[26] 提出 LRC 并指出所研究 SOTA latent world model 多未忠实建模环境动力学；[28] 为重建自编码潜空间加入时序目标以兼顾可预测性与像素级未来预测；[29] 的 OpTTA 在规划测试时适配中联合预测损失与目标到达代价。

代表论文

5VLM 效率、grounding 与细粒度诊断基准

持续

VLM

VLM 方向本周 P1 篇数为 7，低于前 4 周 P1 周均 11.5 篇。[30] QViD 利用 query-vision 低秩结构做免训练剪枝；[31] V-LUMEN 以查表记忆扩展嵌入容量；[32] PRISM-BENCH 指出约 85% 前沿模型失败源于误感知。[33] PhysCount 显示最强模型物理实体计数组全对率仅约 13.36%；[36] 在可控任务上揭示局部事实正确与全局决策失败的多证据整合 gap；[37] 的 Raincheck 在初始剪枝后渐进补全未选 token 以回收质量并降低首 token 延迟。

代表论文

6生成：少步蒸馏、长视频与多参考评测

持续

视频生成文生图

视频生成方向本周 P1 篇数为 2，高于前 4 周 P1 周均 1.8 篇。[38] 在 DMD 框架加入自监督表示 forcing 缓解少步视频闪烁；[39] MEV 数据集支撑长镜头多事件生成评测。[40] SpeeDiff 端到端 latent 训练在 ImageNet 256 报告无 guidance FID 1.50；[41] MDMR-Bench 系统刻画多参考生成能力维度。[42] 显示少步模型更快但更不安全；[44] ReSeed 在首步加偏置以恢复蒸馏丢失的多样性。

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 940 篇：P1 顶会 35 · P3 顶级机构 157 · 未分级 748

各方向本周与前 4 周均值

按论文主方向 · 对比 W40、W41、W42、W43

本周 P1前 4 周均值（P1）
各方向本周与前 4 周均值（只算 P1）17 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代码 Agent工具调用世界模型具身智能VLMOCR音频多语言与翻译LLM统一多模态3 篇3 篇1 篇2 篇1.8 篇2.8 篇1 篇0.3 篇2 篇0.5 篇1.3 篇4 篇1.5 篇2 篇2.5 篇5 篇10 篇7 篇11.5 篇1 篇2 篇7.5 篇0.8 篇7 篇18.5 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2538.833.0
图编辑1013.001.0
视频生成1652.321.8
3D 生成1116.502.8
Visual2Code11.310.0
3D2Code24.800.3
GUI Agent2528.020.5
代码 Agent7073.301.3
工具调用3548.841.5
世界模型5595.022.5
具身智能161253.8510.0
VLM143196.0711.5
OCR1110.501.0
音频96152.027.5
多语言与翻译1115.300.8
LLM258379.0718.5
统一多模态1011.500.3

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 benchmark（78 篇）。详细数值见数据表。benchmarkVLAVLMLLM agentLLMMLLMworld modelCoding Agentmulti-agentreinforcement learningrobot manipulationGRPOevaluationSWE-Benchpost-training78 篇61 篇61 篇60 篇42 篇38 篇37 篇31 篇30 篇30 篇27 篇22 篇20 篇20 篇19 篇
查看数据表
关键词论文数（篇）
benchmark78
VLA61
VLM61
LLM agent60
LLM42
MLLM38
world model37
Coding Agent31
multi-agent30
reinforcement learning30
robot manipulation27
GRPO22
evaluation20
SWE-Bench20
post-training19

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

Tool-Calling LLM Agents Under Realistic MCP Faults: Scale Does Not Purchase Fault Tolerance

真实 MCP 故障下的工具调用 LLM Agent：规模换不来容错

arXiv:2610.32555P1 顶会正文（arXiv HTML）参考来源 [2]

要解决的问题
工具调用 LLM Agent 依赖 MCP 暴露的外部工具，现有基准默认工具正确且及时响应，对真实工具故障下的 Agent 韧性缺乏可控评估；规模能否带来容错尚不明确。
方法
提出 MCP-Injector：可插拔、协议感知的 MCP 工具调用路径故障注入中间件，支持永久/瞬态/间歇等持久性调度与可复现种子。故障模型由公开 MCP 生态 1,774 个仓库、57,240 条 issue/PR 线程挖掘的 incident 分布校准，在 MCP-Bench 25 任务上开展 2 骨干×3 栈×3 故障条件全因子实验（1,350 格）。
主要结果
校准的永久型压力故障导致任务完成分约降 60%（8.08→3.23/10），部分降级为最常见结果（56% 格）。120B 相对 20B 未保留更高 fault-free 得分比例（resilience-ratio p=0.96），故障下完成率 91.1% vs 95.6%（差 4.4 点）。LangChain 完成率最高，OpenAI 最低，框架级错误处理比模型规模更影响容错。
局限
LLM 评判存在随机性；故障轮廓受 GitHub 报告偏差影响，作压力轮廓使用；内容算子未含 schema 漂移等；仅两种 gpt-oss 骨干、单一 serving；MCP-Bench 无故障时较易；TRANSIENT/INTERMITTENT 触发事件过少（9/1,905），难以刻画该 regime。
意义
表明仅靠能力基准可能掩盖运行脆弱性，协议感知的 MCP 故障注入可作为工具调用 Agent 的补充评估维度，为部署前压力测试与框架选型提供依据。

正文出处

  1. Abstract校准故障下任务完成分约降 60%，从 8.08 降至 3.23（十分制）。

    task-completion score falls by 60%, from 8.08 to 3.23 out of 10

  2. Abstract120B 在故障下未保留更高比例的基准分（resilience-ratio，p=0.96）。

    the 120B retains no larger share of its fault-free score under faults (resilience-ratio model, p=0.96)

  3. §6.3pooled OPP 完成率 95.6% 与 91.1%，相差 4.4 points。

    The pooled OPP gap, 95.6% [92.0, 97.6] vs. 91.1% [86.7, 94.2] (difference 4.4 points, 95% CI [−0.2,9.3], Fisher exact p=0.088)

  4. AbstractAgent 栈吸收故障能力不同，框架级错误处理比模型规模更关键。

    Agent stacks differ in how well they absorb faults, which suggests that framework-level error handling matters more than model scale.

  5. Abstract全因子实验共 1,350 个实验格，两骨干、三栈、三故障条件。

    In a 1,350-cell experiment crossing two backbone sizes (20B, 120B), three agent stacks

  6. §6.1部分降级为最常见结果，占 56% 的 OPP 格。

    Partial degradation is the most common outcome (56% of cells; 44 to 71% across stack and model)

MAST-VLA: Skill-Conditioned Adaptation with Trajectory-Affordance Priors for Multi-Skill Robot Manipulation

MAST-VLA：面向多技能机器人操纵的技能条件适配与轨迹可操作性先验

arXiv:2610.32312P1 顶会正文（arXiv HTML）参考来源 [4]

要解决的问题
多技能 VLA 常未充分建模指令中的两类语义：应执行何种原语技能，以及应在何处、如何接触与移动物体；长程子任务切换时误差易累积，导致执行不稳定。
方法
MAST-VLA 采用双条件框架：在 LLM 骨干中用技能 query 与路由偏置驱动 LoRA-MoE，实现按原语技能的软专家分工；在 action head 中由示教轨迹与场景几何生成 affordance 热图，下采样为 patch 级空间先验并注入视觉 token 的 attention logits，与动作块回归及 MoE 路由正则联合训练。
主要结果
CALVIN ABC→D 五连子任务协议上 Avg. Len 达 4.65，为表 1 最优；相对直接基线 Success@4、Success@5 由 85.3% 与 80.0% 升至 89.2% 与 84.7%。真机八条长度 3 原语序列上整体 Avg. Len 为 2.62，Success@1–3 分别为 98.8%、92.5%、70.6%，序列完成优于对比方法。
局限
未显式纠正预测动作与真实末端运动之间的低级偏差，长程部署或需闭环反馈与重规划。轨迹可操作性先验依赖较可靠的 RGB-D；严重遮挡、反光透明面与大标定误差会削弱空间先验。
意义
将多技能 VLA 适配表述为原语技能与交互几何的双重建模，在共享策略内用 LoRA-MoE 与轨迹 affordance 先验互补，为长程多技能操纵提供可复现的仿真与真机验证路径。

正文出处

  1. AbstractCALVIN ABC→D 五子任务评估上 Avg. Len 为 4.65，达到文中报告的最优长程表现。

    reaching an Avg. Len of 4.65 over five-subtask evaluation sequences

  2. §4.2相对直接基线，Success@4 与 Success@5 由 85.3% 和 80.0% 提升至 89.2% 和 84.7%。

    MAST-VLA improves Success@4 and Success@5 from 85.3% and 80.0% to 89.2% and 84.7%, respectively

  3. §4.4测试时将匹配技能条件换为随机不匹配条件，Avg. Len 从 4.65 降至 4.55。

    replacing the matched skill condition with a random non-matching one at test time reduces Avg. Len from 4.65 to 4.55

  4. Appendix D.1160 次真机试验汇总：Success@1 98.8%、Success@2 92.5%、Success@3 70.6%，Avg. Len 2.62。

    Across all 160 real-robot trials, MAST-VLA reaches 98.8% Success@1, 92.5% Success@2, 70.6% Success@3, and an Avg. Len of 2.62

  5. §4.3真机实验表明相对基线具有更高 per-sequence Avg. Len 与更强整体序列完成表现。

    MAST-VLA achieves higher per-sequence Avg. Len and stronger overall sequence-completion performance than the baselines

  6. §5轨迹可操作性先验假设 RGB-D 几何 reasonably reliable，极端深度失效模式仍可能 degrade the spatial prior。

    The trajectory-affordance prior assumes reasonably reliable RGB-D geometry

Correct but Unselectable: The Hidden Interface Tax in Multi-Candidate Reasoning

正确但不可选：多候选推理中的隐藏接口税

arXiv:2610.32235P1 顶会正文（arXiv HTML）参考来源 [9]

要解决的问题
小模型在成本、延迟或隐私约束下常用多候选生成再重排做 test-time scaling，但候选增多并不必然提高准确率：池中或已有正确答案，却因不完整、不可解析或与固定选择器要求的答案模式不一致而无法被选中。
方法
论文将 raw oracle 与可被选择器消费的 selectable coverage 分开，形式化 coverage–conversion 分解。提出 CACC：在固定生成器与固定选择器之间插入接口层，离线据 benchmark schema 与失败案例冻结规则库，在线无 gold 地对候选做 CCR 补全片段、AMC 对齐答案模式、SCH 去噪与去重，组合为 CACC=CCR+AMC+SCH，不重训两端组件。
主要结果
GPQA Diamond 上 CACC 单独将 final accuracy 从 5.6% 提到 19.2%（+13.6 pp），与 proposer-side strengthening 组合达 25.8%（+20.2 pp）。GSM8K 上 final 由 0.2873 升至 0.3632，competition_math:numeric 上 final 由 0.1519 升至 0.2579。MMLU-Pro 上 answer-mode 对齐提高 oracle，但在原选择器下 final 降 0.85 pp，体现 coverage–conversion gap。
局限
工作范围限于 benchmark 锁定解析器下的数值与 MCQ 模式；扩展到自由形式、代码生成与多轮任务需泛化 answer-mode registry。离线规则库按 benchmark 人工标定；效果依赖选择器、readout 与评测范围，MMLU-Pro 原设置下的下降即为例证；更细的 parser-only 消融留作后续。
意义
把「生成—选择」之间的候选接口标成可单独优化的一层，并用 decomposition 区分该加候选还是修对齐，对 constrained 部署里的小模型推理增强与 test-time scaling 诊断较有参考价值。

正文出处

  1. Abstract正确答案可在候选池中出现，却因不完整、不可解析或答案模式错位而无法被固定选择器选中，称为 hidden interface tax。

    a correct answer may appear in the candidate pool yet fail to be selected because it is incomplete, unparseable, or misaligned with the answer mode the fixed selector expects. We term this loss the hidden interface tax

  2. AbstractGPQA Diamond 上 CACC 单独将 final accuracy 从 5.6% 提至 19.2%（+13.6 pp），与 proposer-side strengthening 达 25.8%（+20.2 pp）。

    On GPQA Diamond, CACC alone improves final accuracy from 5.6% to 19.2% (+13.6 pp); combined with proposer-side strengthening it reaches 25.8% (+20.2 pp).

  3. AbstractMMLU-Pro 上 CACC 暴露 coverage–conversion gap：oracle 上升但在原选择器下 final 降 0.85 pp。

    On MMLU-Pro, CACC exposes a coverage–conversion gap: answer-mode-compatible construction raises oracle coverage, but final accuracy decreases by 0.85 pp under the original selector

  4. §5数值任务 GSM8K 上 CACC 使 oracle 0.4882→0.6391、final 0.2873→0.3632。

    GSM8K clean oracle 0.4882→0.6391 and final 0.2873→0.3632

  5. §5competition_math:numeric 上 CACC 使 oracle 0.3210→0.4436、final 0.1519→0.2579。

    competition_math:numeric oracle 0.3210→0.4436 and final 0.1519→0.2579

  6. §4CACC 基本构成为离线–在线流程中的 CCR、AMC 与 SCH 三模块。

    The basic composition is CACC=CCR+AMC+SCH.

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2

数据与评测3

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 62 篇

3D 生成 11 图编辑 10 文生图 25 视频生成 16

生成组本周 62 篇。[40] 联合训练 VAE 与扩散并用 TPR 缓解 latent 坍缩；[41] 提供多参考生成多维基准；[49] CLaW 在冻结 diffusion 骨干下做可溯源 latent 水印。[38] 为少步视频蒸馏加入表示对齐；[39] 发布多事件长镜头视频数据集 MEV。[50] LoCo 在 next-scale 自回归模型中沿层、尺度与位置定位概念。

相关论文

代码生成

本周 3 篇

3D2Code 2 Visual2Code 1

本周 code 分组仅 3 篇，Visual2Code 顶会 P1 [45] 突出多框架编译成功率；3D 程序编辑 benchmark [51] 显示 17 模型平均成功率约 37%，reviewer 反馈可让小模型单次超过大模型。Text-to-CAD [52] 将几何下一状态预测与 DSL 动作耦合，has_code。

相关论文

智能体

本周 130 篇

代码 Agent 70 GUI Agent 25 工具调用 35

智能体组本周 130 篇。[3] IGG 要求先交互使目标可见再点击；[53] SkillShift-Bench 评测开放环境偏移下的网页技能；[54] DynaRev 含 181 项动态目标修订任务。[10] FeatureLoop 刻画演进需求下的可执行正确性。[55] 报告 SWE-bench Pro 51.78%。工具调用 P1 工作含 [1]、[2]。

相关论文

世界模型与具身

本周 216 篇

具身智能 161 世界模型 55

世界模型 P1 [7]、[25] 分别拓展种群视频仿真与 MLLM 驾驶信念跟踪；具身 P1 含 HIDRA 无回放终身 IL [20]、流匹配 Coupled Guidance [56]。长程诊断 [6]、因子化记忆 GROME [57] 与 BoxWorld 引擎—渲染分离 [58] 体现「可玩性」与「可测一致性」两条路线。

相关论文

理解

本周 154 篇

OCR 11 VLM 143

VLM 方向本周 P1 篇数为 7，低于前 4 周 P1 周均 11.5 篇。[30] QViD 视觉 token 剪枝；[31] V-LUMEN 查表记忆；[59] 草图探针读 grounding；[60] 3DGS 聚类 grounding；[35] PCFBench 光子感知与设计鸿沟；[32]、[33] 分别暴露误感知与实体计数差距；[61] 敏感身份图像变换刻板印象。

相关论文

音频

本周 96 篇

音频 96

音频组本周 96 篇。[48] 发布 MTG-AD 与 MTG-AD-Eval，评测 MLLM 内联音频描述在视频静音中的端到端适配。[65] 介绍 ICASSP 2026 RASE 毫米波雷达语音增强赛。[62] AudioFM 结合录音级对比与 patch 级掩码 latent 判别；[63] ImageTTS 复用 FLUX.2 图像 VAE 与 DiT 做语音合成；[66] Uni-Stream 统一流式 ASR 与 TTS。[64] DRAMA-Eval 暴露多说话人长程一致短板。

相关论文

多语

本周 11 篇

多语言与翻译 11

多语言与翻译方向本周 11 篇。[70] 调研全国应急管理者工作流并评估商用翻译在危机多语预警中的适用性。[69] EDWARD-NMT 支持一次训练、推理时弹性 MoE 子网。[67] 系统研究 LLM 机器翻译评测器设计并给出 ORBIT 族。[68] 从档案文献结合 OCR 与 VLM 抽取 bitext 冷启动 20 种语言翻译。[71] 以 ALLaM-7B LoRA 与 schema 校验适配阿拉伯 function calling。

相关论文

基础模型

本周 268 篇

LLM 258 统一多模态 10

LLM P1 七篇低于前 4 周 P1 周均约 18.5；推理 SFT 综述 [8]、CACC 接口税 [9]、CHORD 跨模型幻觉 [72]、UMAS 多 Agent 不确定性 [73] 构成后训练与测试时方法论簇。GRPO 审计 [74]、RL 机制 [75] 与预训练投毒 Agent 后门 [76] 并列安全与训练管线议题。

相关论文

下周关注点

  • 若公告日恢复为 5 天，观察 video_generation 与 llm 方向篇数是否回补，避免仅凭总量判断降温。
  • NeurIPS 2026 接收论文在 agent tool_use 与 VLM 效率方向的 P1 密度是否延续。
  • VLA 与 SWE-Bench 系 benchmark 的新结果是否继续暴露「首段高、全特性低」的演进鸿沟。
  • MCP 安全与 ProbeID 类工具身份验证是否出现更多系统级落地讨论。
  • 世界模型长程 benchmark（WorldProbe、WMEval）是否推动统一 reporting 协议。

参考来源

  1. [1]Prefix Executability: Evaluating Tool-Using Agents Beyond Final SuccessarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  2. [2]Tool-Calling LLM Agents Under Realistic MCP Faults: Scale Does Not Purchase Fault TolerancearXiv · 2026-10-26 · 正文（arXiv HTML） · 访问于 2026-11-02↩
  3. [3]IGG: A Benchmark for Interactive GUI Grounding under Visibility ConstraintsarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  4. [4]MAST-VLA: Skill-Conditioned Adaptation with Trajectory-Affordance Priors for Multi-Skill Robot ManipulationarXiv · 2026-10-26 · 正文（arXiv HTML） · 访问于 2026-11-02↩
  5. [5]HumanoidNDM: Closing the Training-Deployment Gap of Motion Tracking via Humanoid Neural Dynamics ModelarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  6. [6]WorldProbe: When Video World Models Fall Apart under Long-Horizon Spatial ExplorationarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  7. [7]FlockWorld: Toward Population-Scale Multi-Agent Video World Models through Artificial Life SimulationarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  8. [8]Supervised Fine-Tuning for Reasoning Large Language Models: A SurveyarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  9. [9]Correct but Unselectable: The Hidden Interface Tax in Multi-Candidate ReasoningarXiv · 2026-10-26 · 正文（arXiv HTML） · 访问于 2026-11-02↩
  10. [10]FeatureLoop: Benchmarking Coding Agents under Evolving RequirementsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  11. [11]Knowing When to Stop: The Evidence-Action Gap in Coding AgentsarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  12. [12]AgentHeal: Evaluating Goal-Preserving Resource Recovery of Web Agents under Access BarriersarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  13. [13]AgentProofBench: Benchmarking Reusable Verifiers for Web AgentsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  14. [14]FeatureArc: Benchmarking Coding Agents on Evolving FeaturesarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  15. [15]Agentic AI Defense: Decode-Time Provenance Binding for MCParXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  16. [16]Recursive Semantic Divergence for LLM Agent ConsistencyarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  17. [17]REALM: Identifying Minimal Task Assets for LLM AgentsarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  18. [18]ProbeID: Verifying MCP Tool Identity for LLM Agents under Registry DriftarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  19. [19]Log-To-Leak: Prompt Injection Attacks on Tool-Using LLM Agents via the Model Context ProtocolarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  20. [20]HIDRA: Hierarchical Dual-Routing Attention for Replay-Free Lifelong Imitation LearningarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  21. [21]TouchBridge: Tactile-Conditioned Human-to-Robot Transfer for Dexterous ManipulationarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  22. [22]RoboAtom: Large-scale Atomic-Action Supervision for Robot LearningarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  23. [23]If at First You Don't Succeed, Backtrack: Lightweight Recovery for Frozen VLAsarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  24. [24]UniAction: Unified Action Conditioning for World ModelsarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  25. [25]DriveMind: Mind-Evolving Belief Tracking for Closed-Loop Autonomous DrivingarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  26. [26]Understanding the limits of latent world modelsarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  27. [27]Trace-WAM: Learning to Act via 3D Motion Prediction for World Action ModelsarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  28. [28]Video World Models Need Predictable LatentsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  29. [29]Adapt for Planning, Not just Prediction: Optimistic Test-Time World Model AdaptationarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  30. [30]Vision Token Pruning via Query-Vision Interaction DecompositionarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  31. [31]V-LUMEN: Visual Lookup Memory for Embedding Scaling in Vision-Language ModelsarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  32. [32]PRISM-BENCH: Diagnosing Grounded and Faithful Multimodal Reasoning Beyond Final-Answer AccuracyarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  33. [33]PhysCount: Do MLLMs Count Visual Appearances or Physical Entities?arXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  34. [34]Look at Where You Think: Localization-Head Alignment for Fine-Grained Perception in Thinking VLMsarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  35. [35]PCFBench: How Far Can Large Vision-Language Models Go in Physics-aware Photonic Inverse Design?arXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  36. [36]All the Facts, Still the Wrong Answer: Integration Gaps in Vision-Language ModelsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  37. [37]Raincheck: Deferred Multimodal Prefill for Efficient Multi-Turn MLLM InferencearXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  38. [38]Beyond Distribution Matching: Self-Supervised Representation Forcing for Few-Step Video GenerationarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  39. [39]MEV: A Multi-Event Video Dataset for Long-Take GenerationarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  40. [40]SpeeDiff: Scalable Pixel-Anchored End-to-End Latent Diffusion ModelarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  41. [41]MDMR-Bench: A Multi-Dimensional Benchmark for Multi-Reference Image GenerationarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  42. [42]Haste Makes Waste? Towards Safe Few-Step Text-to-Image ModelsarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  43. [43]More Memory, Better Videos? A Controlled Study of Visual Memory in Long-Video GenerationarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  44. [44]A First-Step Bias Restores Lost Diversity in Diffusion Model DistillationarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  45. [45]MulFCoder: Framework-conditioned Multi-agent for MLLM-based Multi-framework Front-end Code GenerationarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  46. [46]Evolving Agent TeamsarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  47. [47]Don't Ask the LLM: Visual Token Pruning with Spectral Structure and Semantic RelevancearXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  48. [48]Mind The Gap (MTG-AD): Dataset and Fine-grained Evaluation for End-to-End Inline Audio DescriptionsarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  49. [49]CLaW: Codec-Guided Adaptive Latent Watermarking for Traceable Diffusion Image GenerationarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  50. [50]Localizing Concepts in Visual Autoregressive ModelsarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  51. [51]3DCodeEdit: Benchmarking Instruction-Guided 3D Program EditingarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  52. [52]CAD-WAM: Anticipating Geometry for Text-to-CAD GenerationarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  53. [53]SkillShift-Bench: Benchmarking Skill Learning under Environment Evolution for Web AgentsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  54. [54]DynaRev: Benchmarking Web Agents under Dynamic Goal RevisionarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  55. [55]Nemotron 3.5 Super and Lightning: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Models for Agentic AIarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  56. [56]Coupled Guidance for Flow MatchingarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  57. [57]GROME: GROunding Factorized MEmory into Video World ModelsarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  58. [58]BoxWorld: Let World Engines Control and Video Generators RenderarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  59. [59]What Sketches Tell Us about LVLMs: Conventions, Grounding, and LocalisationarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  60. [60]ClusterSplat: Semantic Cluster Selection for 3D Visual Grounding in Gaussian SplattingarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  61. [61]Physiognomy Revisited: How Vision-Language Models Encode Sensitive Attributes Through Image TransformationarXiv · 2026-10-28 · 摘要 · 访问于 2026-11-02↩
  62. [62]AudioFM: Towards General Purpose Audio Representation LearningarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  63. [63]ImageTTS: Repurposing Pretrained Image Diffusion Transformers for Speech SynthesisarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  64. [64]DRAMA-Eval: A Benchmark for Context-Aware, Multi-Turn, Multi-Speaker Speech GenerationarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  65. [65]ICASSP 2026 Radar Acoustic Speech Enhancement (RASE) ChallengearXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  66. [66]Uni-Stream: A Unified Streaming Speech Language Model for Speech Synthesis and RecognitionarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  67. [67]Beyond Prompts: A Systematic Study of LLM-Based Machine Translation EvaluatorsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  68. [68]Mobilizing the Archive: Bitext Extraction at Scale from Archival Documents for Extremely Low-resource LanguagesarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  69. [69]EDWARD-NMT: Elastic Dimensions With Adaptive Routing and Dual-consistency for Neural Machine TranslationarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  70. [70]Regularised RL improves sim-to-real transferarXiv · 2026-10-26 · 摘要 · 访问于 2026-11-02↩
  71. [71]QMUL_AK at AISA-ArabicFC: Schema-Constrained Function Calling with ALLaMarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  72. [72]CHORD: Cross-Model Hallucination Detection via Relational Graph DiscriminationarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  73. [73]UMAS: System-Level Uncertainty Quantification for Multi-Agent LLM SystemsarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  74. [74]Audit Where Hacks Pay: Budgeted Strong-Verifier Audits Against Reward Hacking in GRPOarXiv · 2026-10-27 · 摘要 · 访问于 2026-11-02↩
  75. [75]Reasoning or Pattern Exploitation? Mechanistic Insights from RL-Trained Language ModelsarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩
  76. [76]Agentic Backdoors via Pretraining PoisoningarXiv · 2026-10-30 · 摘要 · 访问于 2026-11-02↩