AI 每日进展速报 - 2026-07-23

查找

重置

新旧

全部 仅 NEW

正在统计...

来源

全部来源 arXiv GitHub HuggingFace

图像生成/编辑

arXiv

• Improving Sample Diversity in Autoregressive Text-to-Image Generation via Cluster Truncation

  • 赛道归属: 文生图 / 自回归图像生成 / 样本多样性优化
  • 核心创新点: 针对文生图任务中样本多样性坍塌问题，提出Cluster Truncation方法应用于自回归（AR）图像生成模型。其核心思路是在自回归解码阶段对token预测分布进行聚类截断，通过保留分布中多个语义聚类而非简单的top-k/top-p截断，从根本上扩大采样空间，在维持图像质量的同时显著提升样本多样性，推动AR模型在质量-多样性Pareto前沿上超越扩散模型。

• MixDiffusion: Mixing Diffusion-based Uni-condition Text-to-Image Generation Models for Multi-condition Image Synthesis

  • 赛道归属: 文生图（多条件可控生成 / 扩散模型推理框架）
  • 核心创新点: 提出一种无需训练（training-free）的多条件扩散生成框架，通过在推理阶段对多个“单一条件控制”的T2I扩散模型进行可组合的混合（mixing），实现对任意数量、任意类型控制条件的统一支持；方法层面强调对不同条件分支的融合机制与理论可扩展性，使多条件约束在同一次采样过程中协同生效，而不依赖重新训练多条件ControlNet式模型。

• UniNDM: A Unified Noise-driven Detection and Mitigation Framework Against Sexual Content in Text-to-Image Generation

  • 赛道归属: 文生图安全（NSFW检测与缓解 / 扩散模型安全对齐）
  • 核心创新点: 提出统一的“噪声驱动”检测与缓解框架，将扩散模型生成过程中的噪声/去噪动态作为关键信号，用于识别隐式性暗示（implicit sexual prompts）而非仅依赖显式词表或生成后图像判别；并在同一框架内给出对应的生成期干预/抑制策略，实现从“意图检测”到“生成抑制”的闭环，针对隐式提示与对抗token导致的偏置触发提供更鲁棒的防护路径。

• CoBind: Stage-Aware Compositional Binding for Training-Free Text-to-Image Generation

  • 赛道归属: 文生图（复杂提示组合生成 / 训练免提示遵循增强）
  • 核心创新点: 提出训练免的阶段感知（stage-aware）组合绑定（compositional binding）机制，显式建模“属性-实体-关系”的归属与绑定，而不是仅做token级注意力增强；核心在于根据扩散去噪的不同阶段，分阶段施加不同约束（例如先布局/关系后细节属性），从而减少多实体场景中的漏物体、属性串绑、空间关系颠倒等典型失败，实现更稳定的复杂指令遵循。

• RubricRL: Simple Generalizable Rewards for Text-to-Image Generation 🆕NEW

  • 赛道归属: 文生图对齐优化（RLHF/偏好对齐）
  • 核心创新点: 提出 RubricRL，用“可解释的评分量表（rubric）”来构造文本到图像生成的强化学习奖励信号：将对齐目标拆解为多个可读、可控的维度（而非固定权重的复合指标或单一黑盒标量奖励），并以统一、通用的奖励框架进行优化，从而提升奖励的可解释性、可调节性与跨任务/跨概念的泛化能力，降低对特定指标权重调参或偏好模型蒸馏的依赖。

• Mage-Flow: An Efficient Native-Resolution Foundation Model for Image Generation and Editing 🆕NEW

  • 赛道归属: 文生图 + 指令式图像编辑（高效基础模型/原生分辨率生成）
  • 核心创新点: 提出 Mage-Flow，一个面向高效训练与部署的“原生分辨率”生成与编辑基础模型栈，通过两项协同设计实现性能/成本平衡：1）Mage-VAE 作为轻量高保真 latent tokenizer，采用一步扩散式编码/解码以降低重建开销并保持细节；2）在原生分辨率上训练的多模态 Diffusion Transformer，并用 rectified flow matching（流匹配范式）替代传统扩散训练以提升训练/采样效率。整体以紧凑 4B 规模同时覆盖文本生成与指令编辑，强调端到端效率与高分辨率细节保真。

• Read It Back: Pretrained MLLMs Are Zero-Shot Reward Models for Text-to-Image Generation

  • 赛道归属: 文生图 / 强化学习对齐 / 奖励模型设计
  • 核心创新点: 提出SpectraReward，一种无需额外训练的零样本奖励函数，将预训练多模态大语言模型（MLLM）直接复用为文生图强化学习的奖励信号。创新点在于将奖励计算转化为"反向阅读"任务——通过单次图像条件下的teacher-forced前向推理，衡量原始文本提示能否从生成图像中被准确还原，以图像条件下的提示平均对数似然作为奖励分数，无需任何判别式微调或问题分解，实现奖励模型的零样本复用。

• Cross-Branch Conflict as a Shield: Safeguarding Facial Identities in Unified Multimodal Image Editing

  • 赛道归属: 图像编辑安全（人脸身份保护 / 多模态统一编辑模型防护）
  • 核心创新点: 针对统一多模态图像编辑模型（UMMs）存在多视觉分支处理路径、导致传统对抗保护迁移失效的问题，提出以跨分支冲突（cross-branch conflict）为核心的身份防护思路：在特征层面刻意诱导不同视觉分支对人脸身份表征产生不一致，从而在编辑/生成链路中形成“盾牌”，降低未授权的人像篡改与身份保持编辑的成功率；方法重点在于面向UMM结构特性设计可迁移、可触发的防护扰动/机制，而非单一路径的对抗噪声。

• Latent-Identity Tuning in Text-to-Image Personalization Models

  • 赛道归属: 文生图 / 图像个性化 / 人脸身份精细化编辑
  • 核心创新点: 提出Latent-Identity Tuning方法，专门针对文生图个性化模型中的高精度人脸身份调整场景。区别于传统图像编辑（操作已有图像），该方法在潜在空间中对身份表征进行精细化调整，修改的是模型对特定人物的身份隐式表达，从而支持在保持整体生成能力的前提下对人脸细粒度属性（如面部特征、年龄等）进行精准、可控的编辑，突破了通用文生图模型在细粒度人脸编辑上精度不足的瓶颈。

• Decomposing Subject-Driven Image Generation via Intermediate Structural Prediction

  • 赛道归属: 文生图（主体驱动/个性化生成、结构-外观解耦）
  • 核心创新点: 提出两阶段的“结构先行”生成范式，将主体驱动生成从直接RGB生成中解耦出来：第一阶段先进行中间结构预测（以Canny边缘图作为显式结构表征），第二阶段在“源外观特征 + 预测结构”的双条件下进行渲染生成。该设计通过显式约束几何与轮廓，显著提升大幅编辑场景下的高频身份细节保持能力（如logo、纹理、文字等），并通过面向文本细节的专门处理机制增强文字/图案的可控与可读性，缓解传统端到端RGB生成在细节处易退化的问题。

GitHub

• [2026-07-23] YouMind-OpenLab/awesome-nano-banana-pro-prompts ⭐12927

• [2026-07-22] Osmantic/ODS ⭐3453 🆕NEW

• [2026-07-22] AceDataCloud/Nexior ⭐380

• [2026-07-23] Asilcanasil/Hent-AI-Synthesis-Engine ⭐152

• [2026-07-23] yuji-hatakeyama/opencode-gpt-imagegen ⭐62

HuggingFace Models

• microsoft/Mage-Flow 🆕NEW

视频生成/编辑

arXiv

• Moving Alphabet: A Controlled Study of Training Data for Text-to-Video Generation 🆕NEW

  • 赛道归属: 视频生成（文生视频）/ 数据工程与数据配方研究
  • 核心创新点: 聚焦“训练数据”这一长期被低估的变量，构建可控实验环境（Moving Alphabet）以系统剥离真实数据采集/清洗/标注的混杂因素，从而定量研究两类关键数据维度对文生视频模型的因果影响：①训练数据分布（动作/外观/时序变化等分布偏置）如何改变模型的生成能力与泛化；②字幕质量（描述粒度、时序对齐、噪声与歧义）如何影响文本-视频映射学习与可控性。该工作的方法论突破在于用“可控合成数据基准”替代不可控的真实数据配方对比，使数据分布与标注质量的影响可复现实证、可诊断并可指导后续数据配方设计。

• Between Safe Boundaries: Exploiting Temporal Consistency for Jailbreaking Text-To-Video Generation Models

  • 赛道归属: 视频生成安全/对抗攻防（Text-to-Video Jailbreak）
  • 核心创新点: 针对T2V黑盒越狱中“沿用文生图攻击导致时序信息利用不足、且需要高查询优化成本”的痛点，提出利用视频生成固有的时间一致性作为攻击杠杆：通过在跨帧保持稳定的对抗提示/约束，使不安全语义在时间维度上被持续强化与传播，从而在更少查询、更贴近真实部署的黑盒条件下提升越狱成功率；方法论上把“时序一致性”从生成质量指标转化为可被利用的攻击面。

• When Physical Preferences Meet Semantic Constraints: Physical and Semantic Direct Preference Optimization for Text-to-Video Generation

  • 赛道归属: 视频生成对齐/偏好优化（Text-to-Video Preference Optimization）
  • 核心创新点: 识别并形式化“物理偏好 vs 语义一致性”的系统性冲突：传统物理偏好标注往往只比较两段视频的动力学优劣，却不判断其是否忠实于文本语义，导致优化会偏向物理合理但语义跑偏。提出物理-语义联合的直接偏好优化框架，在偏好学习目标中显式引入语义约束/过滤或联合判别机制，使物理改进只在满足文本语义的可行域内进行，从训练目标层面缓解两类偏好信号的梯度对冲与偏置。

• Your Data Manifold is Secretly a Reward Model: Shell-LCC for Text-to-Video Generation

  • 赛道归属: 文生视频（Text-to-Video Generation）
  • 核心创新点: 提出 Shell-LCC 方法，核心洞察是将训练数据的流形结构（data manifold）本身作为隐式奖励模型使用，无需额外的奖励模型或人工标注。通过显式建模高质量监督数据的流形结构（Shell 层次化局部一致性约束），在扩散模型训练中引导生成结果向数据流形靠近，从而在不引入额外计算开销的情况下提升生成内容的真实感和局部细节质量，突破了传统 RLHF/DPO 方案依赖外部信号的瓶颈。

• When Cultures Move: Measuring and Improving Multicultural Text-to-Video Generation

  • 赛道归属: 视频生成评测与文化对齐（Multicultural Text-to-Video）
  • 核心创新点: 面向“单提示多文化表达”这一未充分研究的能力，提出MAVEN多智能体提示精炼：将提示分解为人物(Person)、动作(Action)、地点(Location)等维度，由专门代理并行/串行地重写与约束提示，减少文化要素在生成中被稀释或误配；同时配套系统化评测设定以量化文化保真度与跨文化组合的失败模式。方法突破在于用可组合的结构化提示分解与代理协作，把文化对齐从单一提示工程提升为可控的流程化优化。

• Keyframe-Anchored Identity Preservation for Sequential-Action Video Generation

  • 赛道归属: 身份保持视频生成/视频生成条件控制（Sequential-Action T2V）
  • 核心创新点: 针对带时间戳动作序列的身份保持生成（同一主体跨多动作、跨时间保持可识别性）提出关键帧锚定的身份保持机制：以关键帧作为身份“锚点”在时序上提供强约束，并将后续帧的生成对齐到锚定身份表征，从而在动作切换、姿态变化和长时序条件下抑制身份漂移；方法论上把身份一致性从逐帧弱约束提升为“关键帧—序列传播”的结构化约束方式，更适配分段动作脚本输入。

• Learning Explicit Physical Parameter Control and Benchmarking for Video Generation 🆕NEW

  • 赛道归属: 视频生成（图生视频）/ 物理可控生成与评测基准
  • 核心创新点: 面向“物理因果可控”的视频生成，提出显式物理参数控制与系统化基准评测框架：一方面引入大规模、细粒度的物理参数化标注（将动力学因素以可显式输入/约束的参数形式提供），解决现有模型“看起来合理但不受物理原因支配”的问题；另一方面在模型设计上强调将物理参数与多物体交互解耦，降低实例级约束在交互场景中的泄漏与纠缠，从而实现更稳定的参数可控运动生成。整体贡献在于把“物理参数→运动结果”的控制链条做成可训练、可评测的闭环，而非仅凭主观观感判断物理一致性。

• DeforM: Reasoning-Guided Physics-Aware Video Generation via Spatial-Temporal Masking 🆕NEW

  • 赛道归属: 视频生成（图生视频）/ 物理感知生成（形变动力学）
  • 核心创新点: 针对复杂形变（非刚体）动力学难以生成的问题，提出DeforM：通过“推理引导 + 时空掩码”的方式显式定位真正发生形变/运动的局部区域，避免无关背景区域稀释注意力导致的物理失败。方法上利用空间-时间联合masking在生成过程中强化对动态区域的建模与约束，并引入推理模块（或推理信号）指导mask聚焦于物理相关部位，从而提升形变视频的物理一致性与稳定性。关键突破在于把“物理推理的关注区域选择”显式化为可操作的时空结构约束，而不是依赖扩散模型隐式学习全局运动统计。

• ShotPlan: Cinematic Video Generation with Learnable Planning Token

  • 赛道归属: 电影化多镜头视频生成/视频生成规划（Cinematic Multi-shot T2V）
  • 核心创新点: 为解决多镜头叙事中缺乏显式镜头规划的问题，提出在视频扩散模型上引入可学习的规划token（planning token），用于编码镜头级的转场线索与构图/节奏意图，并在生成过程中作为可插拔条件注入，实现从“单镜头生成”到“多镜头有计划生成”的范式升级；关键突破在于用可学习的离散/连续token承载镜头计划，使规划与生成端到端协同优化，而非依赖外部脚本或手工规则。

• PhysAgent: Reflective Agentic Physics Control for Physically Plausible Video Generation

  • 赛道归属: 物理可控视频生成/Agent式生成控制（Physics-grounded T2V）
  • 核心创新点: 针对“VLM一次性生成物理规格→驱动仿真”易误译用户意图、难覆盖细粒度动力学与长时序轨迹的问题，提出反思式Agent物理控制（PhysAgent）：以代理循环方式生成—执行—评估—修正物理规格/仿真参数，在反馈中逐步逼近可执行且符合意图的物理过程，再用仿真结果作为强物理先验指导视频合成；方法论突破在于把物理控制从one-shot预测改为可迭代自校正的闭环规划，显著提升复杂运动与时序结构下的物理可信度与可控性。

GitHub

• [2026-07-23] hao-ai-lab/FastVideo ⭐3870

• [2026-07-22] YouMind-OpenLab/awesome-seedance-2-prompts ⭐1628

• [2026-07-22] wordghost1234/agnes-ai-storyboard-studio ⭐154

• [2026-07-23] Jacky-hate/HiAR ⭐153 🆕NEW

• [2026-07-23] heygen-com/heygen-cli ⭐97 🆕NEW

音频生成

arXiv

• Harness TTS: Towards Context-Aware Expressive Speech Synthesis with Harness Layer

  • 赛道归属: 语音生成（TTS）/可控与情感表达语音合成
  • 核心创新点: 提出一种可插拔的轻量级“Harness Layer”控制层，以“封闭集合的提示工具路由（prompt-tool routing）”重构TTS风格控制：离线构建带结构化元数据的风格提示工具注册表（style prompt tools registry），在线由LLM规划器根据显式指令与对话上下文选择并调用合适的风格工具，从而将表达性行为从TTS主模型中外置化、可治理化，实现更稳定、可解释且上下文感知的风格/情绪控制，而无需对底层TTS引擎进行大规模改造。

• FdAudio: MeanFlow-Anchored Fr\'echet-Distance Post-Training for One-Step Text-to-Audio Generation

  • 赛道归属: 文生音频（Text-to-Audio Generation）/ 扩散模型推理加速
  • 核心创新点: 提出FdAudio框架，在预训练的文生音频模型基础上进行后训练（Post-Training），核心突破在于：不再像MeanAudio那样单纯回归目标速度场，而是通过多表示空间的Fréchet距离直接优化单步生成的最终分布质量。该方法将MeanFlow锚定机制与分布级别的优化目标相结合，填补了单步生成与多步采样之间的质量鸿沟，在保持单步推理速度的同时显著提升生成保真度。

• Precise Video-to-Audio Generation with Cross-Modal Alignment in Latent Space

  • 赛道归属: 视频生成音频（Video-to-Audio Generation）
  • 核心创新点: 提出Flowley，一种端到端单阶段训练的视频生成音频框架。核心突破在于直接在潜在空间（Latent Space）中实现跨模态对齐（Cross-Modal Alignment），无需多阶段训练或将视觉输入转换为文本中间表示，从而在保留细粒度时序线索的同时显著降低计算成本。通过将视觉与音频特征在潜在空间中直接对齐，实现了语义一致性与时序同步性的统一优化。

• Fr\'echet Distance Loss on Speech Representations for Text-to-Speech Synthesis

  • 赛道归属: 文本转语音（Text-to-Speech Synthesis）/ 扩散模型训练优化
  • 核心创新点: 提出语音表示弗雷歇距离损失（SR-FD Loss），作为一种训练时的分布正则化器，引入到无分词器的流匹配自回归TTS模型微调中。核心突破在于打破了传统TTS仅依赖局部目标（如条件流匹配、重建损失等）的范式，通过在训练阶段引入分布级别的约束，显式要求模型生成的语音分布向高质量真实语音分布对齐，从而解决了局部损失无法感知全局分布质量的根本缺陷。

• Efficient Text-to-Audio Generation via Pruning

  • 赛道归属: 文本生成音频（Text-to-Audio Generation）/ 推理优化
  • 核心创新点: 针对基于扩散模型的文本生成音频系统AudioLDM，系统性地分析U-Net卷积块中的参数冗余，提出基于滤波器剪枝（Filter Pruning）的策略以降低模型推理计算开销。核心突破在于将结构化剪枝方法迁移应用至音频潜扩散模型的U-Net骨干网络，在保持感知质量与语义一致性的同时，显著减少计算量，为扩散式音频生成模型的轻量化部署提供了方法论依据。

• VoxENES 2026: Benchmarking Generalization of Speech Spoofing Detectors Against LLM-Era TTS and Voice Conversion

  • 赛道归属: 语音生成安全评估 / TTS反欺骗检测基准
  • 核心创新点: 提出VoxENES 2026双语（英语+西班牙语）基准数据集，专门针对LLM时代TTS与语音转换系统所产生的新型合成语音，系统性地评估现有反欺骗检测器的时序泛化能力（Temporal Generalization）。核心贡献在于揭示并量化了传统基准与现代LLM驱动合成语音之间的"时代鸿沟"，包含53,628个样本、覆盖10种当代语音合成方法及真实后处理条件，为检测器在实际部署场景下的鲁棒性评估提供了更严格的现实基准。

• Staged Depth-Pruning Distillation of a Flow-Matching Text-to-Speech Teacher: A Compact Hindi Speech Synthesizer 🆕NEW

  • 赛道归属: 文本到语音生成（TTS）/ 模型压缩与蒸馏
  • 核心创新点: 提出一种在极低数据预算（约17.6小时印地语语音）下构建小型TTS的可复现配方：以大规模Flow-Matching的DiT教师模型为起点，对学生进行“仅深度剪枝”的分阶段蒸馏。方法上刻意保持教师的宽度、文本嵌入维度、注意力头数以及mel/text输入输出接口不变，使除Transformer block外的张量可一对一拷贝，从而实现从教师到学生的稳定warm-start；再通过逐步减少网络深度（均匀保留block）完成容量压缩，避免小模型在小数据上从零训练直接崩溃，并在保持生成质量的同时显著降低参数量与推理成本。---

• FillGauss: Fine-Grained Filling-Aware Impact Sound Generation for 3D Gaussian Splatting

  • 赛道归属: 视听生成（视觉到音频）/物理一致性冲击声生成（3D感知音频生成）
  • 核心创新点: 针对3D高斯泼溅（3D Gaussian Splatting）场景下的冲击声合成，引入“细粒度填充状态（filling state）”这一以往3D音频生成忽略但显著影响共振与阻尼的关键物理因素，提出新任务“Fine-Grained Filling-Aware Impact Sound Generation”。方法层面从仅建模外表面几何扩展到对物体内部填充状态进行显式建模与条件化生成，使生成的冲击声在频谱共振、衰减特性等方面更符合真实物理规律，提升对同一几何但不同内部状态物体的可区分与可泛化能力。

• Data Augmentation for L2 English Speaking Assessment using TTS

  • 赛道归属: TTS数据增强 / 第二语言（L2）口语自动评估
  • 核心创新点: 针对L2英语口语评估中标注语音数据稀缺的痛点，提出利用TTS与声音克隆技术将书面L2文本转化为合成语音进行数据增强。核心挑战与创新在于：系统性地处理书面L2与口语L2之间的根本差异（如自发语音中的停顿、话语标记等），通过针对性设计将口语特征注入合成数据，使TTS生成的增强样本能够更真实地模拟真实L2学习者的口语表现，从而有效提升自动评分模型的性能与泛化能力。

• RobustSpeechFlow: Learning Robust Text-to-Speech Trajectories via Augmentation-based Contrastive Flow Matching

  • 赛道归属: 文本到语音生成（TTS）/ Flow Matching 生成建模与对齐鲁棒性
  • 核心创新点: 提出一种面向对齐错误的训练策略 RobustSpeechFlow，将对比式 Flow Matching 扩展为“增强驱动”的鲁棒学习：在潜变量轨迹上构造长度保持的 repeat/skip 增强，显式模拟真实 TTS 失败模式（跳读、重复）并在训练中进行对比惩罚，从而提升内容保真与对齐稳定性；方法不依赖外部强制对齐器或偏好数据，直接在生成轨迹学习层面增强对齐鲁棒性与零样本说话人相似度/自然度的兼容性。

GitHub

• [2026-07-22] huggingface/diffusers ⭐34133

• [2026-07-21] SamurAIGPT/Generative-Media-Skills ⭐3889

• [2026-07-22] Stability-AI/stable-audio-tools ⭐3826

• [2026-07-21] dgrauet/ltx-2-mlx ⭐83

• [2026-07-20] xiquan-li/Awesome-Audio-Generation ⭐74

HuggingFace Datasets

• [2026-07-18] Manusagents/GPT-5.5-Gemini-3.1-Pro-Grok-4-Claude-Fable-5-Mythos-5-Qwen-3.7-Max-and-more-Distillation-Dataset

语言大模型

arXiv

• Interventional Grounding Audits: Black-Box Premise-Dependency Tests for LLM Chain-of-Thought via Predicate Substitution

  • 赛道归属: LLM推理可靠性 / 思维链审计
  • 核心创新点: 提出"干预性基础审计"（Interventional Grounding Audits）方法，通过对单一前提的谓词进行替换（predicate substitution），以黑盒方式逐步检测LLM思维链（CoT）中每个推理步骤是否真正依赖其声明的前提。核心突破在于将因果干预思想引入CoT可信度评估，无需访问模型内部权重，即可量化推理步骤与前提之间的实际依赖关系，从而区分"表面合理"与"真实接地"的推理过程。

• Latency-Response Theory Model: Evaluating Large Language Models via Response Accuracy and Chain-of-Thought Length

  • 赛道归属: 大模型评测与基准（自适应测试/推理能力评估）
  • 核心创新点: 将传统基于准确率的IRT（Item Response Theory）评测扩展为“延迟-响应”联合建模框架，把Chain-of-Thought长度作为反映推理过程开销/复杂度的关键观测量，与回答正确性一起纳入同一统计模型中进行估计与对比；从而在评测中同时刻画“答对了没有”和“以多长推理链条答对”的能力差异，提升对推理能力与效率权衡的可解释性与区分度，并可与自适应测试流程结合以更高效地测量模型能力。

• RLearner-LLM: Balancing Logical Grounding and Fluency in Large Language Models via Hybrid Direct Preference Optimization

  • 赛道归属: 大模型对齐（RLHF/DPO改进、偏好建模）
  • 核心创新点: 针对DPO在知识密集生成中存在的“冗长/流畅性偏置”导致逻辑正确性被系统性低估的问题，提出Hybrid-DPO的自动化偏好构造管线：将基于自然语言推断/逻辑一致性的判别信号（如DeBERTa类NLI/grounding信号）与偏好学习目标融合，用“逻辑扎根(grounding) + 语言流畅度”双目标共同驱动偏好优化；从方法上缓解仅靠人类或LLM裁判偏好带来的奖励错配，缩小SFT到逻辑对齐之间的“logical alignment gap”。

• LLM-Guided Transportation Hub Capacity Planning with Textual Business Inputs

  • 赛道归属: LLM Agent / 运筹优化决策
  • 核心创新点: 提出将LLM作为枢纽容量规划的决策代理，核心创新在于设计了一套"结构化决策表"生成协议：LLM通过思维链推理将自然语言业务描述（定性文本）映射为具体容量调整参数，从而将传统量化运筹模型无法处理的定性业务上下文纳入容量规划流程，实现文本业务语义与量化调度优化的迭代融合。

• Learning to Make Friends: Coaching LLM Agents toward Emergent Social Ties 🆕NEW

  • 赛道归属: 多智能体LLM仿真与社会行为建模（Agent学习/记忆机制）
  • 核心创新点: 提出一个多智能体LLM在线互动仿真框架，使智能体在“反复互动—相互评价—行为调整”的闭环中形成可涌现的社会关系；关键方法是在纯in-context学习的基础上引入“教练信号（coaching）”加速行为更新，并配套设计面向人类社交动力学（如同质性、互惠、社会认同/验证）的行为规则与记忆/偏好表征，使社会纽带的形成可被机制化地诱导与分析，而非仅靠静态提示或一次性设定。

• Beyond Score Prediction: LLM-Based Essay Scoring and Feedback Generation via Reinforcement Learning with Rubric Rewards 🆕NEW

  • 赛道归属: 教育AI（自动作文评分与反馈生成）+ 强化学习后训练（RLHF/RL with rubric）
  • 核心创新点: 提出RLAES统一框架，将“作文打分（AES）”与“反馈生成（AFG）”在同一策略中通过强化学习联合优化；核心突破在于把评分量表（rubric）显式转化为可计算的奖励信号（rubric rewards），从而让“反馈质量”可度量、可优化，而不仅停留在prompt或SFT；同时构建面向反馈的自动化评估/训练闭环，使模型在满足量表约束的同时提升反馈的针对性与可执行性。

• From Dependency to Compositionality: A Neurosymbolic Lifting of LLM Outputs via Combinatory Categorial Grammar 🆕NEW

  • 赛道归属: 神经符号方法（LLM输出结构化/可组合语义提升）+ 语法与可解释生成
  • 核心创新点: 将LLM自回归生成的“前缀驱动、类型补全”动态与组合范畴语法（CCG）的类型组合机制对齐，提出一种对LLM输出进行“神经符号lifting”的方法：把表面文本从依存式的局部连接提升为可组合的类型化结构与组合推导；该框架用显式语法类型与组合规则约束/解释生成过程，从而在不替换LLM的前提下，为输出提供更强的组合性、可验证的结构以及更可控的语义组装路径。

• Reasoning Error from Known Fact: Step-Level Self-Consistency Group Relative Policy Optimization for LLM 🆕NEW

  • 赛道归属: 推理可靠性与幻觉抑制（长链推理）+ 强化学习优化（GRPO/自一致性）
  • 核心创新点: 针对长多步推理中“从已知事实出发仍产生推理幻觉”的现象做细粒度分析，并提出“步级（step-level）自一致性”的组相对策略优化方法：不只在最终答案层面对齐，而是在每一步推理上通过多样化采样形成自一致性群体信号，并用相对策略优化（GRPO）在组内比较中强化更一致、更贴合已知事实的推理轨迹；从训练目标上把“减少中间步骤幻觉”显式化，提升长链推理的可检测性与稳健性。

• HindsightBench: A Black-Box Behavioral Audit Protocol for Parametric Hindsight in Time-Indexed LLM Decision Tasks 🆕NEW

  • 赛道归属: LLM安全与评测（时间索引任务的参数化后见之明/数据泄漏审计）
  • 核心创新点: 提出HindsightBench黑盒行为审计协议，用极低成本在不需要logprobs、语料访问或回测的条件下，检测LLM在历史决策任务中是否泄漏“已实现结果”的参数化知识；方法上通过“四臂日期操控矩阵”（如揭示/仅日期/遮蔽/移植等条件）构造对照探针，并以探针级别的行为差异归因模型是否利用了未来信息，从而把“后见之明泄漏”从现象描述推进到可复用、可量化、可部署的审计流程。

• CASE: Causal Alignment and Structural Enforcement for Improving Chain-of-Thought Faithfulness 🆕NEW

  • 赛道归属: 推理可解释性与忠实性（Chain-of-Thought Faithfulness）+ 因果对齐/结构约束
  • 核心创新点: 从因果视角形式化CoT忠实性，提出应满足指令Z→推理链X→答案Y的因果链路，并要求指令对答案的影响主要经由推理链传递；在此基础上提出CASE，通过“因果对齐（causal alignment）”与“结构强制（structural enforcement）”约束训练/生成，使推理链对最终答案具有更强的因果支撑而非事后编造；相较仅用偏好对齐或启发式过滤，CASE把忠实性问题转化为可操作的因果结构约束与优化目标。

GitHub

• [2026-07-23] sgl-project/sglang ⭐30643

• [2026-07-23] NVIDIA-NeMo/Speech ⭐17810 🆕NEW

• [2026-07-23] NVIDIA/TensorRT-LLM ⭐14179

• [2026-07-23] google-ai-edge/LiteRT-LM ⭐5994

• [2026-07-23] eharris128/Obsidian-LLM-Plugin ⭐65 🆕NEW

HuggingFace Models

• poolside/Laguna-S-2.1

• upstage/Solar-Open2-250B 🆕NEW

• Nanbeige/Nanbeige4.2-3B 🆕NEW

• ATH-MaaS/OvisOCR2

• unsloth/Laguna-S-2.1-GGUF 🆕NEW

HuggingFace Datasets

• [2026-07-17] openbmb/UltraX-Preview

• [2026-06-29] Glint-Research/Fable-5-traces

• [2026-07-23] greghavens/kimi-k3-coding-and-debugging-traces 🆕NEW

多模态大模型

arXiv

• One Modality to Forget Them All: Enhancing Cross-Modal Unlearning in Vision-Language Models

  • 赛道归属: 多模态安全与机器遗忘（Vision-Language Models Unlearning）
  • 核心创新点: 首次对VLM中的“跨模态遗忘迁移”进行系统、双向（文本→视觉、视觉→文本）研究，覆盖三类主流跨模态连接架构（MLP投影、Q-Former、门控交叉注意力），用统一实验框架量化“在一个模态执行unlearning是否会在另一模态同步生效”的程度与不对称性；进一步从架构耦合方式与表示共享机制角度揭示迁移失败/有限迁移的关键因素，为后续设计“单模态触发、跨模态一致清除”的unlearning策略提供了可操作的诊断基准与方法学依据。

• SkyVLaM: Multimodal Large Language Model for UAV Video Understanding in Remote Sensing

  • 赛道归属: 遥感多模态理解（UAV视频理解/语言条件分割）
  • 核心创新点: 面向无人机遥感视频中“小目标、外观歧义、视角动态变化”导致的细粒度理解难题，提出SkyVLaM这一UAV视频多模态大模型框架，将视频时序信息与语言条件分割能力进行模型级整合，以“语言驱动的目标级分割/定位”作为核心能力接口来提升对细粒度目标的可解释理解；通过针对UAV视频场景的建模与训练设计，强化模型在动态航拍视角下的时空一致目标理解与指令跟随分割表现。

• GAP-MLLM: Geometry-Aligned Pre-training for Activating 3D Spatial Perception in Multimodal Large Language Models

  • 赛道归属: 多模态理解（3D空间感知增强/几何对齐预训练）
  • 核心创新点: 提出GAP-MLLM的“几何对齐预训练”范式，针对MLLM在纯RGB输入下3D空间感知弱的问题，指出瓶颈并非缺少几何先验，而是训练范式错配（文本主导微调难以激活/对齐几何表征）；通过在预训练阶段引入显式的几何对齐目标/约束，使视觉表征与3D几何关系在表示空间中可被语言推理有效调用，从而在不依赖显式3D输入的前提下显著提升空间关系理解、方位/深度等3D感知相关能力。

• GHR-VLM: Making Zero-Shot Transit Video Analytics Realizable with Grounded Hybrid Reasoning

  • 赛道归属: 多模态理解 / 视频分析推理
  • 核心创新点: 提出 GHR-VLM 框架，将视觉语言模型（VLM）与传统监督视觉模型相结合，通过"视觉接地混合推理"机制实现零样本公交视频分析。核心突破在于：无需任务特定标注数据，通过混合推理架构（Grounded Hybrid Reasoning）协同利用监督模型的精确感知能力与 VLM 的语义理解能力，将长视频分析分解为可靠的结构化子任务，有效解决了 VLM 直接处理长视频时存在的不稳定性和高成本问题，实现了对公交车载视频的零样本细粒度分析（如乘客行为统计等）。

• Continual Video-MLLM Adaptation over Evolving Domains 🆕NEW

  • 赛道归属: 多模态理解（视频理解）/ 持续学习与域自适应
  • 核心创新点: 面向“视频数据按时间持续流入且域分布不断演化”的真实部署场景，聚焦Video-MLLM在顺序多域适配中的灾难性遗忘与跨域干扰问题；相较于以往依赖共享适配空间（易导致不同域更新相互污染）的做法，该工作提出更适合“域持续扩展”的适配范式，通过降低跨域参数耦合/干扰来实现新域知识增量吸收，同时尽量保持旧域视频理解能力稳定，从方法层面强化了Video-MLLM的持续适配能力。

• MissingBench-Verified: Probing Vision-Language Models' Inability to Detect Missing Object Parts 🆕NEW

  • 赛道归属: 多模态理解（视觉-语言模型评测）/ 鲁棒性与幻觉诊断
  • 核心创新点: 提出专门针对“缺失关键部件的物体”这一细粒度失败模式的评测基准MissingBench-Verified，用以系统性探测VLM在部件缺失检测上的能力缺口；该基准将问题从泛化的幻觉评测细化为“应当识别缺失但模型倾向于基于常识补全”的可验证场景，并通过验证机制提升标注与结论可靠性，从而更精准地区分模型的真实视觉证据利用能力与由先验知识偏置导致的错误补全，为后续针对性数据构造与训练/对齐提供可操作的诊断工具。

• Efficient Frame Selection for Long Videos at Test Time with Attention-Based MLLM Selectors

  • 赛道归属: 多模态理解（长视频理解/测试时推理优化）
  • 核心创新点: 利用MLLM内部跨模态注意力在特定“验证集选定的抽取层”中已包含与文本查询相关的帧级证据这一现象，提出一种无需自回归生成即可完成长视频关键帧筛选的测试时方法（DAFS）。该方法通过读取/聚合注意力信号来对成千上万候选帧进行高效打分与选择，从而打破“先理解视频才能选帧”的循环依赖，在不显著增加推理开销的前提下实现更紧凑且更相关的帧子集抽取。

• Ask Twice, Look Twice: Prompt Echoing Resolves the Question-First Paradox in Vision-Language Models

  • 赛道归属: 多模态理解（VLM提示工程/推理机制分析与改进）
  • 核心创新点: 针对VQA中“问题放在图像前反而更差”的question-first悖论，提出Prompt Echoing（问两次、看两次）策略：在提示中对问题进行回声式重复/重申，使模型在不同计算阶段都能显式对齐问题语义与视觉证据。论文通过logit-lens与注意力探针定位到悖论源于VLM内部两个阶段的目标冲突（早期视觉编码/对齐与后期语言解码/回答），并用“问题回声”在不改模型参数的情况下缓解阶段错配，提升问题条件化的视觉检索与最终回答一致性。

• SLAPBench: Benchmarking Multimodal Large Language Models for Four-Finger SLAP Fingerprint Verification

  • 赛道归属: 多模态理解（生物特征识别评测/指纹验证）
  • 核心创新点: 构建首个面向MLLM的四指SLAP指纹身份验证基准SLAPBench：基于NIST SD302b整理7,832对样本（含少量同一人mated与大量非同一人non-mated），将传统指纹“比对/验证”任务以多模态对话/判别形式标准化，提供可复现的评测设置以系统检验MLLM在细粒度纹理判别、跨指组合证据整合与低误报约束下的能力边界，从而填补“MLLM能否做指纹验证”的空白评测缺口。

• Gaussian Mixture Modeling for Event-Aware Visual Allocation in Long Video Understanding

  • 赛道归属: 多模态理解 / 长视频理解
  • 核心创新点: 提出GMM-EVA框架，将高斯混合模型（GMM）引入长视频帧采样，实现事件感知的视觉预算动态分配。核心突破在于：将视频帧序列的语义分布建模为多个高斯分量，自动识别高层语义事件边界，并依据事件密度差异化地分配视觉token预算（而非均匀采样），从而在减少冗余计算的同时保留关键语义结构，突破了现有方法将帧视为孤立原子单元的局限。

GitHub

• [2026-07-23] Blaizzy/mlx-vlm ⭐5236

• [2026-07-23] NVIDIA-AI-Blueprints/video-search-and-summarization ⭐1750

• [2026-07-22] zli12321/Vision-Language-Models-Overview ⭐673 🆕NEW

• [2026-07-22] ydyhello/Awesome-VLM-Streaming-Video ⭐188 🆕NEW

• [2026-07-21] NVIDIA-Omniverse/usd-content-agents ⭐164

强化学习

arXiv

• SIVA-RL: Sensitivity-Invariance Visual Alignment for Multimodal Reinforcement Learning

  • 赛道归属: 多模态强化学习 / 视觉语言模型对齐
  • 核心创新点: 现有视觉干预方法依据干预类型分配监督信号，但忽略了同一干预算子在不同样本上效果异质的问题。SIVA-RL 提出以实测效果而非干预类型来区分"敏感样本"与"不变样本"，对敏感样本施加视觉基础对齐约束（鼓励模型依赖视觉证据），对不变样本则屏蔽该约束以避免错误梯度，从而在不改变奖励结构的前提下，将视觉语言模型的预测真正锚定于视觉输入。

• OOD-RL-Bench: A Benchmark Framework for Out-of-Distribution Detection in Reinforcement Learning

  • 赛道归属: 强化学习 / 分布外检测与鲁棒性评估
  • 核心创新点: 提出首个专门面向强化学习场景的OOD检测基准框架OOD-RL-Bench，突破了现有OOD基准仅针对图像分类器或静态低维数据集的局限。核心创新在于将OOD检测问题系统性地拆解为三个维度——观测偏移、状态转移偏移和轨迹动态偏移，覆盖传感器故障、动态扰动、环境渐变等真实部署场景，为评估RL智能体在非训练分布下的可靠性提供了标准化的测试协议与统一评价体系。

• Interpret Policies in Deep Reinforcement Learning using SILVER with RL-Guided Labeling: A Model-level Approach to High-dimensional and Multi-action Environments

  • 赛道归属: 强化学习可解释性（策略解释/归因分析）
  • 核心创新点: 在SILVER的Shapley回归式策略解释框架上，引入“RL-guided labeling”机制，将策略自身的多动作输出纳入标注/约束生成过程，从而把原本受限于低维、二元动作的解释方法扩展到高维观测与多动作空间；通过利用策略行为来引导解释模型的样本构造与边界设定，提升在复杂环境下的可解释性适用范围与稳定性。

• MADA-RL: Multi-Agent Debate-Aware Reinforcement Learning for Parameter-Efficient Reasoning in Compact Models

  • 赛道归属: 强化学习用于大模型推理后训练（参数高效RL/多智能体辩论）
  • 核心创新点: 提出MADA-RL后训练框架，将紧凑模型拆分为生成器与评论家两种角色，并用“辩论感知”的学习信号进行强化学习式优化；核心方法突破在于构造反事实（counterfactual）辩论/评估信号来降低训练噪声、强化可归因的改进方向，同时仅通过LoRA适配器微调少量参数，实现低预算下对小模型推理能力的有效专门化。

• RL-Struct: A Lightweight Reinforcement Learning Framework for Reliable Structured Output in LLMs

  • 赛道归属: 大语言模型对齐与结构化输出（RLHF/GRPO、可靠生成）
  • 核心创新点: 提出 RL-Struct，用无critic的GRPO（Gradient Regularized Policy Optimization）替代PPO式actor-critic以降低训练与显存开销，并设计分层奖励函数将“结构满足（schema/语法）”与“内容质量/字段有效性”等目标解耦、分级约束，从而直接缩小LLM概率生成与确定性schema需求之间的“结构鸿沟”。在复杂JSON生成上以更轻量的训练代价显著提升结构准确率与有效性，并通过去除critic实现更低峰值VRAM占用。

• S3: Stable Subgoal Selection by Constraining Uncertainty of Coarse Dynamics in Hierarchical Reinforcement Learning 🆕NEW

  • 赛道归属: 分层强化学习（Hierarchical RL）/ 长时序任务规划
  • 核心创新点: 提出一种面向高层策略的稳定子目标选择机制（S3），核心在于约束“粗粒度动力学（coarse dynamics）”的不确定性来指导子目标生成/选择：通过显式建模或估计高层状态转移在低层可达性与执行误差下的预测不确定度，并在高层决策时对高不确定子目标施加约束/惩罚，从而降低高层在稀疏延迟回报与低层能力变化耦合下的训练不稳定性；本质上把“子目标是否可靠可实现”转化为可优化的风险控制信号，提升长视野HRL的收敛稳定性与策略鲁棒性。

• Beyond Score Prediction: LLM-Based Essay Scoring and Feedback Generation via Reinforcement Learning with Rubric Rewards 🆕NEW

  • 赛道归属: 教育AI（自动作文评分与反馈生成）+ 强化学习后训练（RLHF/RL with rubric）
  • 核心创新点: 提出RLAES统一框架，将“作文打分（AES）”与“反馈生成（AFG）”在同一策略中通过强化学习联合优化；核心突破在于把评分量表（rubric）显式转化为可计算的奖励信号（rubric rewards），从而让“反馈质量”可度量、可优化，而不仅停留在prompt或SFT；同时构建面向反馈的自动化评估/训练闭环，使模型在满足量表约束的同时提升反馈的针对性与可执行性。

• Conservative Query and Adaptive Regularization for Offline RL Under Uncertainty Estimation 🆕NEW

  • 赛道归属: 离线强化学习（Offline RL）/ 人类反馈与偏好查询（Preference Query）
  • 核心创新点: 在“离线数据覆盖不足导致的分布外不确定性”背景下，提出保守式查询（Conservative Query）+ 自适应正则（Adaptive Regularization）的联合框架：一方面利用不确定性估计来选择更“信息量大且风险可控”的偏好查询（避免在高不确定区域盲目提问或被噪声反馈误导），另一方面根据不确定性水平对策略/价值学习施加强度可变的正则化（在分布外区域更保守、在可信区域更积极利用反馈），从而更有效地把少量专家偏好转化为稳定的离线策略改进，缓解“问什么”和“怎么用反馈”两类关键瓶颈。

• From Trajectories to Instructions: Language-Conditioned Meta-Reinforcement Learning 🆕NEW

  • 赛道归属: 语言条件强化学习 / 元强化学习（Meta-RL）与快速适应
  • 核心创新点: 提出从交互轨迹中自动抽取/生成任务指令（instructions）并用于语言条件的元强化学习范式，实现“轨迹→语言→快速适应”的桥接：将传统MAML式内循环适应从纯梯度更新扩展为由语言表征驱动的任务条件化（用指令作为任务摘要/上下文，指导策略在新任务上的快速调整），从而把跨任务可迁移知识显式编码到可组合、可泛化的语言空间；方法论突破在于用语言作为元学习的中间变量，提升任务识别、泛化与少样本适应效率，并降低仅靠参数微调对轨迹分布的依赖。

• Exposure-Based Reinforcement Learning to Rank 🆕NEW

  • 赛道归属: 学习排序（Learning-to-Rank）/ 强化学习优化与大动作空间建模
  • 核心创新点: 提出基于“曝光（exposure）”建模的强化学习排序方法，将传统LTR中巨大的排列动作空间问题转化为更可优化的曝光分配/曝光驱动的决策与信用分配：通过以曝光为核心的状态-动作或目标重参数化，使得优化目标（如DCG、曝光公平、蒸馏等）能够在不依赖复杂手工推导梯度的情况下高效训练，并更好兼容自动微分框架；关键突破在于用曝光这一中间量降低组合动作复杂度，显著提升RL-to-Rank的计算可行性与工程可实现性。

GitHub

• [2026-07-23] huggingface/trl ⭐18909

• [2026-07-23] rllm-org/rllm ⭐5717 🆕NEW

• [2026-07-23] RLinf/RLinf ⭐4220

• [2026-07-23] natolambert/rlhf-book ⭐2186

• [2026-07-23] radixark/miles ⭐1770

HuggingFace Datasets

• [2026-07-21] SupraLabs/reasoning-corpus-4K-5M-v1

世界动作模型

arXiv

• FlowWAM: Optical Flow as a Unified Action Representation for World Action Models

  • 赛道归属: 世界动作模型 / 视频生成与机器人控制
  • 核心创新点: 提出以光流（Optical Flow）作为统一的动作表示形式，用于世界动作模型（WAMs）。核心方法论突破在于：针对"数值动作表示与预训练视频生成器语义空间不对齐"以及"现有视觉动作表示忽略跨帧时序运动结构"这两大问题，将光流作为桥梁——它既与视频生成器的视觉特征空间天然兼容，又能显式编码跨帧的连续时序运动信息。通过将光流作为统一的动作表示，使得预训练视频生成器可以在无需大幅架构改动的前提下，同时胜任世界建模（预测未来帧）和动作预测（推断控制信号）两项任务，实现了控制精度与生成质量的协同提升。

• From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence

  • 赛道归属: 世界动作模型（World Action Model）/ 具身智能 / 综述与路线图
  • 核心创新点: 该工作系统性地提出了从"世界动作模型（WAMs）"迈向"具身大脑"的技术路线图，核心贡献在于：首次明确定义并统一了WAMs的概念框架——将其界定为能够将候选干预动作与预测后果相连接的模型，区别于单纯的视觉-语言-动作策略（VLA）和纯世界模型；深入剖析了当前领域碎片化的根源，包括动作空间不兼容、预测目标不统一、数据集与任务标准不一致，以及运行时系统差异等结构性问题；在此基础上，提出了一套覆盖模型架构、数据规范、评测体系和部署接口的系统性整合方案，旨在打通感知、预测与决策的闭环，推动开放世界物理智能的落地。该工作的方法论突破在于：以"后果预测"作为连接模型与物理世界的核心纽带，为跨任务、跨平台的具身智能统一建模提供了理论抓手。

GitHub

• [2026-07-21] open-gigaai/giga-world-policy ⭐1364

• [2026-07-22] OpenMOSS/Awesome-WAM ⭐1157

• [2026-07-17] shaohua-pan/StarWAM ⭐180 🆕NEW

• [2026-07-19] gangweix/next-forcing ⭐111

• [2026-07-20] serene-sivy/AHA-WAM ⭐77

---

由 Research Daily 自动生成 生成时间: 2026-07-23 01:46:18