AI 每日进展速报 - 2026-03-13

当前筛选条件下没有条目。

图像生成/编辑

arXiv

[2026-03-08] GRD-Net: Generative-Reconstructive-Discriminative Anomaly Detection with Region of Interest Attention Module 📖5 🆕NEW
- 赛道归属: 工业视觉异常检测（缺陷检测/定位）
- 核心创新点: 提出GRD-Net，将生成-重建-判别三类信号在同一框架内协同建模，并引入ROI注意力模块把模型容量聚焦到潜在缺陷区域，减少依赖“生成图-原图差分+后处理”的传统流水线。通过端到端的区域级关注与判别约束，提升缺陷定位的稳定性与可解释性。
- 一句话总结: 用ROI注意力把生成式重建与判别式学习有效结合，增强工业表面缺陷检测的定位精度与鲁棒性。

[2026-03-12] ZeroSense:How Vision matters in Long Context Compression 📖2 🆕NEW
- 赛道归属: 多模态长上下文压缩与评测（视觉-文本压缩/VTC）
- 核心创新点: 提出ZeroSense评测框架，将“下游任务表现”与“文本保真度”解耦，针对MLLM强语言先验导致的虚假高分问题，设计更能度量压缩后文本是否被真实保留的评价协议。通过强调视觉渲染在压缩中的作用与失真来源，提供更可靠的长上下文压缩诊断工具。
- 一句话总结: 为VTC类长上下文压缩建立更可信的“保真度”评测，避免被MLLM语言先验掩盖的文本丢失。

[2026-03-10] Towards Unified Multimodal Interleaved Generation via Group Relative Policy Optimization 📖1 🆕NEW
- 赛道归属: 多模态交错生成 / 强化学习后训练
- 核心创新点: 提出Group Relative Policy Optimization用于统一多模态模型的后训练，在不依赖大规模交错图文数据的前提下，通过组内相对偏好优化解锁“图文交错输出”能力。采用warm-up与基于相对奖励的策略更新，降低对绝对标注/奖励标定的依赖并提升训练稳定性。
- 一句话总结: 用相对策略优化的RL后训练，让现有统一模型在缺少交错数据时也能学会高质量图文交错生成。

[2026-03-12] GRADE: Benchmarking Discipline-Informed Reasoning in Image Editing 🆕NEW
- 赛道归属: 图像编辑评测基准（推理驱动/学科知识约束）
- 核心创新点: 提出GRADE基准，将图像编辑从自然图像+浅层常识扩展到“学科知识+结构化约束”的推理评测，覆盖10个学科领域、520个精心样本，用于检验模型在遵循领域规则下的编辑与推理一致性。通过学科化约束设计，暴露统一多模态模型在可控编辑与知识推理耦合上的短板。
- 一句话总结: GRADE用学科约束把图像编辑评测提升到“可验证推理”的层级，推动更可靠的知识驱动编辑模型。

[2026-03-12] The Latent Color Subspace: Emergent Order in High-Dimensional Chaos 🆕NEW
- 赛道归属: 文生图可解释性与可控生成（潜空间解析/控制）
- 核心创新点: 解析FLUX.1的VAE潜空间颜色表征，提出Latent Color Subspace，揭示高维潜变量中涌现出的近似HSL（色相/饱和度/明度）结构，并用可预测、可操控的实验验证该解释。该工作把“颜色语义如何编码”从黑箱经验调参推进到可操作的潜空间几何理解。
- 一句话总结: 通过发现并验证潜空间的颜色子空间结构，为文生图提供更可解释、更精细的颜色控制手段。

[2026-03-12] Trust Your Critic: Robust Reward Modeling and Reinforcement Learning for Faithful Image Editing and Generation 🆕NEW
- 赛道归属: 图像生成/编辑的强化学习与奖励建模（对齐与保真度）
- 核心创新点: 提出FIRM，针对现有reward model易幻觉、打分噪声大而误导RL优化的问题，构建更鲁棒的“评论家”训练与校准框架，使奖励更贴合编辑指令与视觉事实。通过提升奖励可靠性，改善RL驱动的图像编辑与T2I生成的忠实度与稳定性。
- 一句话总结: 先把“critic”做可信，再做RL对齐，从根源提升图像编辑/生成的指令遵循与事实一致性。

[2026-03-12] GlyphBanana: Advancing Precise Text Rendering Through Agentic Workflows 🆕NEW
- 赛道归属: 文生图文字渲染（复杂字符/公式）与Agentic工作流
- 核心创新点: 提出GlyphBanana及其基准，面向复杂文字与数学公式渲染，采用agentic工作流把“生成—检查—纠错/重试”流程化，以缓解模型在分布外字符与公式指令上的跟随失败。通过基准+工作流的组合，系统性提升精确排版与符号级正确率的可评测、可迭代能力。
- 一句话总结: 用代理式闭环工作流攻克复杂文本/公式渲染的长尾难题，并提供可量化对比的专用基准。

[2026-03-12] Hoi3DGen: Generating High-Quality Human-Object-Interactions in 3D 🆕NEW
- 赛道归属: 文生3D（人-物交互）/ 3D生成
- 核心创新点: 提出Hoi3DGen，从文本生成高质量带纹理的人-物交互网格，针对基于T2I蒸馏常见的Janus问题与交互数据稀缺导致的不忠实，构建更适配交互几何与接触关系的生成框架。通过显式建模交互与提升数据/约束质量，实现更符合描述的3D交互姿态与外观。
- 一句话总结: 面向AR/XR与游戏的关键需求，Hoi3DGen把“可用且可信”的人-物交互3D生成质量推上一个台阶。

[2026-03-12] EvoTok: A Unified Image Tokenizer via Residual Latent Evolution for Visual Understanding and Generation 🆕NEW
- 赛道归属: 统一视觉Tokenizer（理解-生成一体化）/ 多模态基础设施
- 核心创新点: 提出EvoTok，通过Residual Latent Evolution在同一tokenizer中同时满足“理解所需的语义粒度”和“生成所需的像素细节”，缓解两类监督在同一表征上互相干扰或在双空间中不一致的问题。以演化式残差潜变量机制实现从粗到细的可兼容编码，提升MLLM在理解与生成任务间的统一性。
- 一句话总结: EvoTok用“残差潜变量演化”打通理解与生成的粒度鸿沟，为统一多模态模型提供更一致的视觉离散表征。

[2026-03-12] Single Pixel Image Classification using an Ultrafast Digital Light Projector 🆕NEW
- 赛道归属: 计算成像+超高速视觉分类（单像素成像/SPI）
- 核心创新点: 将单像素成像与低复杂度机器学习模型结合，并利用microLED-on-CMOS数字光投影实现多kHz级模式投射与采集，从实验上展示超高速帧率下的图像分类。该路线用硬件-算法协同在“极少传感器/高速度”约束下实现实时识别，为边缘与高速场景提供新范式。
- 一句话总结: 通过超高速DLP驱动的SPI，把图像分类推进到多kHz实时水平，展示了计算成像在高速机器视觉中的潜力。

视频生成/编辑

arXiv

[2026-03-09] Foley-Flow: Coordinated Video-to-Audio Generation with Masked Audio-Visual Alignment and Dynamic Conditional Flows 📖1 🆕NEW
- 赛道归属: 视频到音频生成
- 核心创新点: 提出带“遮蔽式音视对齐”的对齐机制，在生成过程中以局部/片段级方式强化语义与节奏对齐，减少仅靠全局视频条件导致的错配；引入动态条件流以更细粒度地调度不同时间段的条件信息，实现更协调的音频段落生成。
- 一句话总结: 在不依赖传统“两阶段对比对齐+全局引导”的前提下，显著提升视频驱动拟音的时序对齐与一致性。

[2026-03-12] EVATok: Adaptive Length Video Tokenization for Efficient Visual Autoregressive Generation 🆕NEW
- 赛道归属: 视频生成（视觉自回归）/ 视频Tokenizer与推理效率优化
- 核心创新点: 提出自适应长度的视频离散化方案，根据时空块的动态复杂度分配不同数量的token，避免静态/重复片段的token浪费；在保证重建质量的同时显著缩短AR生成序列长度，从而降低下游自回归生成的计算与延迟。
- 一句话总结: 用“按内容分配token”的可变长度tokenization，在质量-成本之间取得更优折中，直接加速自回归视频生成。

[2026-03-12] DreamVideo-Omni: Omni-Motion Controlled Multi-Subject Video Customization with Latent Identity Reinforcement Learning 🆕NEW
- 赛道归属: 视频生成（可控生成/个性化定制，多主体）
- 核心创新点: 统一框架同时解决多主体身份保持与多粒度运动控制，通过“潜空间身份强化”的强化学习策略抑制身份漂移；支持全局到局部的全方位运动控制，降低控制歧义并提升多主体协同一致性。
- 一句话总结: 在多主体视频定制中同时把“像谁”和“怎么动”做得更可控、更稳定。

[2026-03-12] DVD: Deterministic Video Depth Estimation with Generative Priors 🆕NEW
- 赛道归属: 视频深度估计（生成式先验 + 判别式回归）
- 核心创新点: 首次将预训练视频扩散模型确定性地改造成单次前向的深度回归器，避免扩散采样带来的随机几何幻觉与尺度漂移；利用扩散时间步作为结构锚点并结合生成先验，实现更稳定的时序几何一致性，同时减少对大规模标注数据的依赖。
- 一句话总结: 把“生成式视频先验”变成可确定输出的深度估计器，兼顾稳定性与数据效率。

[2026-03-12] A Two-Stage Dual-Modality Model for Facial Emotional Expression Recognition 🆕NEW
- 赛道归属: 多模态理解（视频表情识别/情感计算）
- 核心创新点: 两阶段流水线先提升人脸定位与帧级稳定性，再进行音视频双模态融合分类，以缓解野外视频中的姿态尺度变化、运动模糊与相邻帧抖动；通过分阶段建模将“检测/对齐误差”与“表情判别”解耦，提高鲁棒性。
- 一句话总结: 用两阶段+音视频融合的工程化设计，提升复杂真实场景下的帧级表情识别稳定性。

[2026-03-12] FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance 🆕NEW
- 赛道归属: 视频生成（少步扩散蒸馏/轨迹可控生成）
- 核心创新点: 面向轨迹引导的可控视频生成，提出适配少步生成的训练/蒸馏策略，避免将通用few-step蒸馏直接套用导致的轨迹控制失真；在极少去噪步数下仍保持对预定义运动轨迹的精确跟随，显著降低推理冗余与算力开销。
- 一句话总结: 把“轨迹可控”从多步扩散带到few-step推理，实现更快且不丢控制精度的视频生成。

[2026-03-12] Cornserve: A Distributed Serving System for Any-to-Any Multimodal Models 🆕NEW
- 赛道归属: 推理优化/系统（多模态Any-to-Any模型分布式Serving）
- 核心创新点: 针对Any-to-Any多模态请求在计算图中“路径可变”的特点，提出通用分布式服务系统，对不同模态组合进行组件级弹性伸缩与调度；通过面向组件的资源管理与路由，提升吞吐、降低尾延迟，并适配异构扩展特性。
- 一句话总结: 为任意输入输出组合的多模态大模型提供可落地的分布式服务框架，解决路径多样带来的调度难题。

[2026-03-12] Coarse-Guided Visual Generation via Weighted h-Transform Sampling 🆕NEW
- 赛道归属: 生成采样算法（扩散模型训练免/引导采样）/ 图像与视频生成
- 核心创新点: 提出加权h-transform采样，将“粗参考（退化/低保真）”作为采样过程中的概率变换式引导信号，在无需额外训练与成对数据的情况下实现从粗到细的生成；相比常见训练免引导，改进了引导强度与稳定性的权衡，降低伪影与偏移。
- 一句话总结: 用更 principled 的采样分布变换，把粗条件更稳定地注入扩散采样，实现训练免的高质量细化生成。

[2026-03-12] HomeSafe-Bench: Evaluating Vision-Language Models on Unsafe Action Detection for Embodied Agents in Household Scenarios 🆕NEW
- 赛道归属: 多模态理解与评测（具身智能安全/视频VLM基准）
- 核心创新点: 构建面向家庭场景具身体的“不安全动作检测”评测基准，强调动态过程与时序因果（而非静态危害识别）；系统性覆盖家庭任务中的风险类型，用于暴露VLM在延迟感知与常识安全推理上的短板。
- 一句话总结: 用更贴近真实机器人部署的动态视频基准，推动VLM从“看见危险物”走向“识别危险行为”。

[2026-03-12] Controllable Egocentric Video Generation via Occlusion-Aware Sparse 3D Hand Joints 🆕NEW
- 赛道归属: 视频生成（第一视角/手部动作可控生成，3D条件）
- 核心创新点: 用稀疏3D手部关节作为可控条件，并显式建模遮挡，在严重第一视角遮挡下仍保持3D一致的精细手部关节运动；相比2D轨迹或隐式姿态条件，减少空间歧义与手部幻觉伪影，并提升跨主体/跨形体的可泛化控制。
- 一句话总结: 以“可遮挡感知的稀疏3D手部骨架”作为控制信号，让第一视角手部视频生成更真实、更一致、更可控。

HuggingFace Models

Lightricks/LTX-2.3 🆕NEW

unsloth/LTX-2.3-GGUF 🆕NEW

语言大模型

arXiv

[2026-03-09] Gradually Excavating External Knowledge for Implicit Complex Question Answering 📖7 🆕NEW
- 赛道归属: 开放域复杂问答 / 检索增强生成与知识挖掘
- 核心创新点: 提出“渐进式外部知识挖掘”框架，将隐式复杂问题拆解为可逐步验证与扩展的子目标，通过多轮检索/生成迭代补全LLM缺失或过时的领域知识，并缓解一次性生成导致的覆盖不全。
- 一句话总结: 通过渐进式引入与校验外部知识，让LLM在开放域隐式复杂问答中更全面、更可靠。

[2026-03-11] AI Psychometrics: Evaluating the Psychological Reasoning of Large Language Models with Psychometric Validities 📖4 🆕NEW
- 赛道归属: 大模型评测 / 心理推理与可解释性评估
- 核心创新点: 将心理测量学的效度框架（如结构效度、聚合/区分效度等）系统引入LLM心理推理评估，把“像不像人”从主观印象转为可检验的测量学指标与实验范式。
- 一句话总结: 用心理测量学的“效度”体系为LLM心理推理能力提供更可信、可解释的评估路径。

[2026-03-06] Abductive Reasoning with Syllogistic Forms in Large Language Models 📖2 🆕NEW
- 赛道归属: 推理能力评测 / 溯因推理与逻辑形式测试
- 核心创新点: 以三段论形式系统构造溯因推理任务，区分演绎有效性与“最佳解释”式推断，分析LLM在信念偏差等现象下的表现，从而更贴近人类真实推理机制而非仅用演绎标准苛责。
- 一句话总结: 用结构化三段论溯因任务更公平地刻画LLM与人类在“解释性推理”上的能力与偏差。

[2026-03-11] The Unlearning Mirage: A Dynamic Framework for Evaluating LLM Unlearning 📖1 🆕NEW
- 赛道归属: 安全与合规 / 大模型遗忘评测与鲁棒性
- 核心创新点: 提出动态评测框架，针对实体别名、多跳推理、提示改写等“轻微扰动可恢复”攻击面系统生成查询与对抗测试，揭示静态基准导致的“遗忘有效性幻觉”。
- 一句话总结: 通过动态、对抗式评测把LLM遗忘从“看起来忘了”推进到“在真实攻击下也忘得住”。

[2026-03-06] Supporting Artifact Evaluation with LLMs: A Study with Published Security Research Papers 📖1 🆕NEW
- 赛道归属: 科研工具与自动化 / 可复现性与工件评审辅助
- 核心创新点: 以已发表安全论文为对象，研究LLM在工件评审中的可用性：从论文与工件描述中抽取可复现步骤、依赖与风险点，辅助生成检查清单与复现实验计划，以降低人工AE成本并提升规模化能力。
- 一句话总结: 证明LLM可作为“AE助理”提升安全研究复现检查的效率与一致性。

[2026-03-12] ZeroSense:How Vision matters in Long Context Compression 📖2 🆕NEW
- 赛道归属: 多模态长上下文压缩与评测（视觉-文本压缩/VTC）
- 核心创新点: 提出ZeroSense评测框架，将“下游任务表现”与“文本保真度”解耦，针对MLLM强语言先验导致的虚假高分问题，设计更能度量压缩后文本是否被真实保留的评价协议。通过强调视觉渲染在压缩中的作用与失真来源，提供更可靠的长上下文压缩诊断工具。
- 一句话总结: 为VTC类长上下文压缩建立更可信的“保真度”评测，避免被MLLM语言先验掩盖的文本丢失。

[2026-03-11] Counterweights and Complementarities: The Convergence of AI and Blockchain Powering a Decentralized Future 📖2 🆕NEW
- 赛道归属: AI×区块链 / 去中心化AI治理与基础设施（观点与框架）
- 核心创新点: 从“AI趋向中心化、区块链趋向去中心化”的张力出发，提出二者在数据/算力垄断、透明可审计、激励与安全等维度的互补关系与治理框架，用以讨论去中心化未来的技术与制度组合。
- 一句话总结: 提供AI与区块链协同的宏观框架，阐明区块链如何在治理与激励层面对冲AI中心化趋势。

[2026-03-07] Enhancing Consistency of Werewolf AI through Dialogue Summarization and Persona Information 📖2 🆕NEW
- 赛道归属: 多智能体对话 / 社交推理游戏代理与一致性控制
- 核心创新点: 通过对话摘要与人格信息注入，构建可持续更新的“记忆-人格”状态表示，约束LLM在多轮博弈对话中的立场与叙事一致性，减少自相矛盾与角色漂移。
- 一句话总结: 用摘要记忆与人格约束提升LLM博弈对话代理的长期一致性与可控性。

[2026-03-12] DatedGPT: Preventing Lookahead Bias in Large Language Models with Time-Aware Pretraining 📖1 🆕NEW
- 赛道归属: 金融时序建模 / 时间感知预训练与数据泄漏防控
- 核心创新点: 提出按年份严格切分语料并从零训练的一组时间版本模型，用“时间感知预训练”从源头避免模型在回测/预测中因训练见过未来信息而产生前视偏差，并配套指令微调以适配下游任务。
- 一句话总结: 通过时间切分预训练为金融场景提供更可信的LLM回测与预测基座，显著降低前视偏差风险。

[2026-03-11] Dynamics-Predictive Sampling for Active RL Finetuning of Large Reasoning Models 📖1 🆕NEW
- 赛道归属: 推理优化 / 强化学习微调中的主动数据选择
- 核心创新点: 提出“动力学预测采样”，用训练动态信号预测样本对策略更新的边际收益，主动挑选最能带来有效梯度更新的提示/轨迹，相比只选“中等难度”样本更高效地提升推理能力。
- 一句话总结: 通过可预测的训练动态来做主动采样，加速并强化大推理模型的RL微调效果。

HuggingFace Datasets

[2026-03-04] TuringEnterprises/Open-RL 🆕NEW
```
Open-RL

Dataset Summary
```

This dataset contains self-contained, verifiable, and unambiguous STEM reasoning problems across Phys...

多模态大模型

arXiv

[2026-03-10] Prune Redundancy, Preserve Essence: Vision Token Compression in VLMs via Synergistic Importance-Diversity 📖1 🆕NEW
- 赛道归属: 多模态理解 / VLM推理优化（视觉token压缩与剪枝）
- 核心创新点: 提出训练无关的PruneSID，以“重要性-多样性协同”为目标进行视觉token压缩：先用PSCA提取主语义成分并聚类以去冗余，再在簇内/簇间联合选择以同时保留关键信息与覆盖多样语义。相较仅按注意力或相似度剪枝的方法，更系统地平衡“保真”和“信息覆盖”。
- 一句话总结: 在不改动模型与无需训练的前提下，更稳健地减少视觉token冗余，从而显著降低VLM推理成本并尽量不损失语义能力。

[2026-03-12] ZeroSense:How Vision matters in Long Context Compression 📖2 🆕NEW
- 赛道归属: 多模态长上下文压缩与评测（视觉-文本压缩/VTC）
- 核心创新点: 提出ZeroSense评测框架，将“下游任务表现”与“文本保真度”解耦，针对MLLM强语言先验导致的虚假高分问题，设计更能度量压缩后文本是否被真实保留的评价协议。通过强调视觉渲染在压缩中的作用与失真来源，提供更可靠的长上下文压缩诊断工具。
- 一句话总结: 为VTC类长上下文压缩建立更可信的“保真度”评测，避免被MLLM语言先验掩盖的文本丢失。

[2026-03-10] Towards Unified Multimodal Interleaved Generation via Group Relative Policy Optimization 📖1 🆕NEW
- 赛道归属: 多模态交错生成 / 强化学习后训练
- 核心创新点: 提出Group Relative Policy Optimization用于统一多模态模型的后训练，在不依赖大规模交错图文数据的前提下，通过组内相对偏好优化解锁“图文交错输出”能力。采用warm-up与基于相对奖励的策略更新，降低对绝对标注/奖励标定的依赖并提升训练稳定性。
- 一句话总结: 用相对策略优化的RL后训练，让现有统一模型在缺少交错数据时也能学会高质量图文交错生成。

[2026-03-08] Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence 📖1 🆕NEW
- 赛道归属: 多模态理解 / 3D空间智能（从视频到3D表征与数据构建）
- 核心创新点: 面向“空间智能”提出从海量网络视频流中系统性演化/标注出细粒度3D信息的框架，突破以少量人工3D数据集生成QA的可扩展性瓶颈。通过直接从原始视频构建更大规模、更贴近真实分布的3D场景与评测资源，缓解数据规模与域差问题。
- 一句话总结: 将空间智能的数据来源从小规模人工3D集扩展到可规模化的网络视频，为3D理解与推理提供更真实、更大规模的训练与评测基础。

[2026-03-07] MAviS: A Multimodal Conversational Assistant For Avian Species 📖1 🆕NEW
- 赛道归属: 多模态理解 / 垂直领域多模态助手（细粒度物种识别与问答）
- 核心创新点: 构建MAviS-Dataset，将鸟类物种相关的图像与文本知识/对话式问答进行大规模整合，以支持细粒度、物种特定的多模态对话能力。针对通用MLLM在专业鸟类知识与细粒度辨识上的短板，通过数据与任务设计提升专业领域可用性与可靠性。
- 一句话总结: 通过面向鸟类物种的专用多模态数据与助手形态，推动MLLM在生物多样性监测等真实垂直场景中的可落地应用。

[2026-03-07] The Model Knows Which Tokens Matter: Automatic Token Selection via Noise Gating 📖1 🆕NEW
- 赛道归属: 多模态理解 / VLM推理优化（自动视觉token选择）
- 核心创新点: 将视觉token剪枝重述为“容量受限通信”问题：在固定预算K下最大化保留视觉信息；提出AutoSelect，在冻结VLM上外挂轻量Scorer与Denoiser，并通过噪声门控训练，让模型自动学习“哪些token重要”。相较基于注意力幅值/相似度的启发式规则，提供可学习、任务自适应的token分配机制。
- 一句话总结: 用可学习的噪声门控替代启发式剪枝，实现更自适应的视觉token预算分配，在降算力的同时更好维持性能。

[2026-03-12] MM-CondChain: A Programmatically Verified Benchmark for Visually Grounded Deep Compositional Reasoning 🆕NEW
- 赛道归属: 多模态推理评测 / 视觉条件链式组合推理（基准与验证）
- 核心创新点: 提出MM-CondChain，用“程序化可验证”的方式构建视觉落地的深度组合条件链推理基准，覆盖带分支/提前终止的工作流式决策（如GUI操作中的多条件if-then链）。相较浅层组合或独立约束评测，更强调长链条件依赖与可自动判定的正确性。
- 一句话总结: 为MLLM在真实视觉工作流中的“可验证深组合条件推理”提供了更贴近应用且可自动评测的基准。

[2026-03-12] EndoCoT: Scaling Endogenous Chain-of-Thought Reasoning in Diffusion Models 🆕NEW
- 赛道归属: 文生图 / 扩散模型推理增强（链式思维式指导）
- 核心创新点: 提出EndoCoT，将“内生链式思维”引入扩散生成：不再把MLLM仅当一次性文本编码器，而是通过多步推理产生更深的指导信号，并使指导在扩散采样过程中动态演化而非保持不变。该设计针对复杂空间/组合任务提升可控性与推理深度。
- 一句话总结: 让扩散模型获得随采样过程演进的多步推理式指导，从而更好生成满足复杂约束的图像结果。

[2026-03-12] SceneAssistant: A Visual Feedback Agent for Open-Vocabulary 3D Scene Generation 🆕NEW
- 赛道归属: 3D生成 / 文本到3D场景生成（智能体与视觉反馈）
- 核心创新点: 提出SceneAssistant，一个以“视觉反馈”为闭环的开放词表3D场景生成智能体：结合3D物体生成模型与空间推理模块，在生成过程中根据渲染/视觉结果进行迭代修正，从而摆脱预定义关系与受限域。通过“生成-观察-调整”的代理式流程提升开放指令下的场景一致性与可控性。
- 一句话总结: 用视觉反馈驱动的代理式迭代生成，将文本到3D场景从受限模板推进到更开放、更可控的开放词表合成。

[2026-03-12] ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models 🆕NEW
- 赛道归属: 多模态理解 / 多媒体取证VLM推理优化（面向取证的token剪枝）
- 核心创新点: 提出ForensicZip，指出取证场景“更多token更好但非必要”，并针对现有语义驱动剪枝会丢失背景中高频伪造痕迹的问题，设计更贴合取证线索（高频异常、细微纹理/压缩痕迹等）的token保留策略。核心在于让剪枝目标从“语义显著”转向“取证证据显著”，在降算力下维持可解释取证能力。
- 一句话总结: 将视觉token压缩从语义导向改为取证证据导向，使取证VLM在加速推理时不牺牲关键篡改线索。

由 Research Daily 自动生成 生成时间: 2026-03-13 10:50:06

↑