AI 每日进展速报 - 2026-07-31

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

• PRISM: Prompt Refinement via Image-grounded Self-rewarding Mechanism for Text-to-Image Generation

  • 赛道归属: 文生图（Prompt优化/提示词自动改写与对齐）
  • 核心创新点: 提出一种“图像落地”的提示词精炼框架，通过让模型在生成图像后基于图像内容进行自诊断与自奖励（self-rewarding），把“提示词是否有效”从纯文本层面的启发式改写，转为由生成结果驱动的闭环优化；同时强调可学习、可复用的提示词优化策略（而非一次性prompt扩写），使优化过程能够沉淀为通用的prompt refinement policy，提升对不同提示与场景的泛化能力与稳定性。

• MaskAttn-SDXL: Controllable Region-Level Text-To-Image Generation

  • 赛道归属: 文生图（可控生成/区域级控制与组合生成）
  • 核心创新点: 提出面向SDXL的区域级可控生成机制，通过“Mask Attention”在注意力计算中显式引入空间掩码约束，实现按区域绑定文本条件，从而降低多对象场景中属性串扰与对象混淆；在保持U-Net扩散骨干高效性的前提下增强跨区域/全局协调能力，避免直接切换到高成本的Transformer扩散架构，以较低额外计算实现更可靠的组合式生成与可控布局。

• Anchoring and Steering Diffusion: Enhancing the Faithfulness of Text-to-Image Generation at Inference Time 🆕NEW

  • 赛道归属: 文生图 / 推理优化
  • 核心创新点: 提出在推理阶段同时对初始噪声和注意力机制进行双重干预的无训练方法。通过"锚定"（Anchoring）策略优化初始噪声采样，使其更贴近目标语义分布；通过"引导"（Steering）策略在去噪过程中动态调整交叉注意力，强化文本与图像区域的对齐。两者协同作用，在不修改模型权重的前提下显著提升复杂组合提示下的文本-图像语义忠实度。

• OmniPhys: Knowledge-Graph-Driven Benchmarking and Collective Optimization for Physical Commonsense in Text-to-Image Generation

  • 赛道归属: 文生图（物理常识评测与提示/生成优化）
  • 核心创新点: 提出以知识图谱驱动的物理常识基准体系，将“物理常识”从粗粒度描述细化为可诊断、可定位的物理原则/关系维度，实现对模型在具体物理规律掌握程度的结构化评测；同时针对文生图生成的高随机性导致的提示优化“梯度幻觉”（优化器被偶发伪影误导）问题，引入更偏向群体/集体的优化与稳健评估机制，通过跨样本/跨随机种子的聚合信号抑制瞬时伪影干扰，从而更可靠地发现系统性物理缺陷并进行针对性改进。

• IB-Flow: Information Bottleneck-Guided CFG Distillation for Few-Step Text-to-Image Generation

  • 赛道归属: 文生图（少步生成/扩散蒸馏与推理加速）
  • 核心创新点: 提出IB-Flow，用信息瓶颈（Information Bottleneck）原则指导对CFG（Classifier-Free Guidance）轨迹的蒸馏，在少步生成场景下不再采用“全局静态指导强度”的粗粒度注入方式，而是通过信息约束/选择性保留与文本对齐相关的关键信息、抑制与生成无关或冗余的引导成分，实现更细粒度、动态的CFG蒸馏与引导分配；从而在极少采样步数下兼顾语义对齐与画质稳定性，降低推理延迟并缓解少步蒸馏常见的失真与不稳定问题。

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

  • 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

  • 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。

• SeFi-Image: A Text-to-Image Foundation Model with Semantic-First Diffusion 🆕NEW

  • 赛道归属: 文生图 / 基础模型训练
  • 核心创新点: 提出"语义优先扩散"（Semantic-First Diffusion）新范式，将语义信息显式注入潜在扩散建模的早期阶段，引导模型优先学习高层语义结构再细化视觉细节。基于此范式构建了 SeFi-Image 文生图基础模型，实验覆盖多个模型规模，验证了该范式在大分辨率、大规模模型上的有效性，并证明语义引导可显著加速训练收敛，降低训练资源消耗。

• Dual Inversion for Text-to-Image Diffusion Models: From Both Prompt and Noise Perspectives 🆕NEW

  • 赛道归属: 文生图 / 图像反演（Image Inversion）
  • 核心创新点: 提出"双重反演"（Dual Inversion）框架，同时从提示（Prompt）和噪声（Noise）两个维度对目标图像进行反向工程。针对现有方法的缺陷，设计了稳定可解释的提示优化路径，并引入噪声空间的协同校正机制，使二者互补——提示端保证语义可读性与可编辑性，噪声端弥补提示表达能力不足导致的视觉细节损失，从而在无需大量提示工程的情况下实现高保真图像重建与编辑。

• Instruction-based Image Editing: A Survey on Data, Models, Evaluation, and Applications 🆕NEW

  • 赛道归属: 图像编辑 / 综述
  • 核心创新点: 对基于指令的图像编辑（IIE）领域进行系统性梳理，构建了涵盖五大核心维度的分类体系：编辑操作的层次化任务定义、训练数据构建方法论、模型架构与技术路线、评估基准与指标体系、以及下游应用场景。重点整合了大语言模型（LLM）与视觉语言模型（VLM）驱动下"一句话图像编辑"的最新进展，为该领域提供了统一的研究框架与参考基线，具有较高的文献导航与方向梳理价值。

GitHub

• [2026-07-31] YouMind-OpenLab/awesome-nano-banana-pro-prompts ⭐13013

• [2026-07-30] VigoZhao/AI-Visual-Prompt-Cookbook ⭐527 🆕NEW

• [2026-07-30] AceDataCloud/Nexior ⭐385 🆕NEW

• [2026-07-30] ferranpons/Llamatik ⭐168 🆕NEW

• [2026-07-31] yuji-hatakeyama/opencode-gpt-imagegen ⭐65

HuggingFace Datasets

• [2026-07-30] unstonio/pixelgpt-24x24-20k

视频生成/编辑

arXiv

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

  • 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。

• Visko Orbis 1.0: A Live Model for Real-Time Interactive Long Video Generation 🆕NEW

  • 赛道归属: 视频生成（实时交互式长视频生成）
  • 核心创新点: 提出了一种支持实时交互的长视频生成"Live Model"架构。核心突破在于：①用户可在生成过程中随时切换提示词并即时生效，实现真正的交互式生成；②设计了有界多尺度记忆机制（bounded multi-scale memory），跨分块保持主体、场景和风格的一致性，支持小时级别的超长视频滚动生成而不出现明显质量退化；③同时兼容文生视频、图生视频和视频续写多种模式，并支持多语言提示词。

• CineWeaver: Training-Free Reference-Controllable Multi-Shot Long Video Generation for Cinematic Storytelling 🆕NEW

  • 赛道归属: 视频生成（多镜头长视频生成 / 电影级叙事视频生成）
  • 核心创新点: 提出无需训练（training-free）的统一框架，同时解决多镜头生成、角色/场景细粒度可控性和长时序一致性三大挑战。核心方法基于对现有文生视频扩散模型的键值注意力（key-value attention）机制的重新利用，通过参考帧可控的跨镜头注意力传播，在不进行任何微调或定制化训练的前提下，实现角色外观和场景风格在多个镜头间的一致性保持，为电影级叙事视频生成提供了轻量化的统一解决方案。

• FreqForcing: Autoregressive Long Video Generation via Spectral Self-Anchoring 🆕NEW

  • 赛道归属: 视频生成（自回归长视频生成 / 推理稳定性优化）
  • 核心创新点: 从频域视角重新诠释自回归视频扩散模型的误差累积问题，发现长程生成中的颜色漂移、运动停滞等退化现象本质上表现为低频能量的系统性偏移。在此基础上提出"频谱自锚定"（Spectral Self-Anchoring）方法——FreqForcing：在自回归推理过程中，利用历史帧的低频谱统计信息对当前生成帧进行频域约束，抑制低频能量漂移，从而在无需额外训练的情况下显著缓解长视频生成的视觉崩溃问题。同时深入分析了注意力汇聚（attention sink）在频域中的作用机制。

• Ripple: Real-Time Streaming Audio-Video Generation With Cross-Modal Recurrent Memory 🆕NEW

  • 赛道归属: 视频生成（实时流式音视频联合生成）
  • 核心创新点: 提出Ripple系统，核心创新在于跨模态循环记忆机制（cross-modal recurrent memory）：将音频与视频的历史上下文以循环状态的形式压缩存储，实现音视频两个模态之间的长程依赖建模，同时大幅降低流式推理的计算开销。相比已有流式音视频生成方法，Ripple在保持实时性的同时支持长时序生成，并通过跨模态记忆保证音视频的时序同步与语义一致性，填补了高质量、低延迟、长时序音视频联合生成的空白。

• TPD: Temporal Prior Decoupling for Text-to-Video Diffusion Models 🆕NEW

  • 赛道归属: 视频生成（文生视频 / 时序语义控制）
  • 核心创新点: 识别并定义了文生视频扩散模型中一种新的失败模式——"时序先验抑制"（Temporal Prior Suppression, TPS）：当提示词描述一个持续背景场景叠加一个后发事件时（如"海浪冲垮沙堡"），早期场景的强先验会主导交叉注意力，导致后段事件无法在对应帧中正确呈现。针对此问题提出时序先验解耦（Temporal Prior Decoupling, TPD）方法，通过在扩散去噪过程中对不同时间段的文本条件进行显式解耦与分段注意力调制，使早期先验与后发事件的语义信号各自作用于对应的时间帧，从而实现复杂时序叙事提示词的精准视频生成。

• Parallel Decoding Distillation for Fast Image and Video Generation

  • 赛道归属: 视频生成（扩散/流模型加速与蒸馏）
  • 核心创新点: 提出一种面向图像/视频扩散或流模型的“并行解码蒸馏”(Parallel Decoding Distillation)加速框架，核心在于用并行化的解码/采样路径来训练少步数生成器，从而绕开现有加速蒸馏中常用但难优化的VSD与对抗损失；通过更稳定的蒸馏目标与训练机制，缓解对抗训练带来的模式崩塌问题，在显著减少采样步数与计算开销的同时，尽量保持视频生成的多样性与运动一致性（减少“缺乏运动/多样性下降”的退化）。

• FilmBench: A Film-Grade Benchmark for Cinematic Video Generation

  • 赛道归属: 视频生成评测基准 / Benchmark（电影级生成质量评估）
  • 核心创新点: 构建面向“电影工业标准”的视频生成评测体系，核心突破在于将评估维度从通用基准常用的粗粒度指标（整体画质、文本一致性、时序平滑等）升级为更贴近专业影视制作与审美判断的“Cinematic Language”评价框架；同时针对现有基准依赖网页提示词/LLM模板与通用多模态打分器的问题，引入更贴合电影语境的任务设计与评价流程，旨在更真实地区分模型在镜头语言、叙事表达与专业制作质感等方面的能力差异，从而提升评测的可解释性与行业相关性。

• Sol-Attn: Accelerating Video Generation Inference via On-the-Fly Attention Sparsification

  • 赛道归属: 视频生成推理优化 / 加速（扩散Transformer注意力稀疏化）
  • 核心创新点: 提出训练无关（training-free）的“在线注意力稀疏化”推理加速框架，在不改动/不重训生成模型的前提下，动态选择性计算注意力中的部分K-V块以降低长序列注意力开销；相较固定比例Top-k块选择的刚性预算与高路由成本，该方法强调“按需、按内容”的自适应稀疏策略与更轻量的路由机制，在保证生成质量（注意力近似精度）与时序一致性的同时，提高稀疏选择的稳定性与可预测性，从而更有效地缓解视频扩散Transformer推理瓶颈。

• VIPER: Visual In-Context Physics Reasoning for Physically Plausible Video Generation

  • 赛道归属: 视频生成（物理可控/物理一致性）/ 条件控制
  • 核心创新点: 提出“视觉上下文物理推理（Visual In-Context Physics Reasoning）”范式，用视频示例而非仅文本/单图来提供连续、关系型的物理条件（材质响应、接触交互、形变、运动轨迹等），突破传统条件输入在物理行为表达上的“条件瓶颈”；通过将物理规律与交互模式以可演示的视觉上下文注入生成过程，使模型能够在生成时进行更贴近真实世界的物理行为对齐与可控合成，提升视频在接触、动力学与形变等方面的物理可信度与可操控性。

GitHub

• [2026-07-30] Anil-matcha/Open-Generative-AI ⭐25242

• [2026-07-30] ZeroLu/awesome-seedance ⭐2238 🆕NEW

• [2026-07-30] YouMind-OpenLab/awesome-seedance-2-prompts ⭐1720

• [2026-07-31] wordghost1234/agnes-ai-storyboard-studio ⭐155

• [2026-07-30] heygen-com/heygen-cli ⭐105

音频生成

arXiv

• Zero-Shot Face-to-Speech Synthesis via Latent Space Adaptation of a Style-Diffusion TTS Model 🆕NEW

  • 赛道归属: 人脸驱动语音合成（Face-to-Speech）/ 零样本语音生成
  • 核心创新点: 提出了一种无需参考音频的人脸到语音（F2S）合成框架，核心突破在于通过轻量级 Face Adapter 模块结合人脸编码器高层块的软调优（soft-tuning），将人脸识别特征对齐到冻结的 StyleTTS 扩散模型的风格隐空间（style latent space）中。该方法无需修改预训练 TTS 主干网络，仅通过隐空间适配实现跨模态（视觉→声学）的零样本迁移，从而从单张静态人脸图像预测出与人物外貌相符的合理语音风格，有效解决了历史人物、虚拟角色等无参考音频场景下的语音合成难题。

• Qwen-Audio-3.0-TTS: Freely Controllable and Highly Robust Speech Synthesis with Multi-Stage Training Paradigm

  • 赛道归属: 语音生成（TTS）/ 可控语音合成 / 低延迟语音建模
  • 核心创新点: 提出面向生产的多阶段协同训练范式，将语言模型（LM）的内容建模与Flow-Matching（FM）的声学生成进行五阶段渐进式联合优化，以同时提升内容一致性、音色相似度、韵律自然度与鲁棒性；引入约12.5Hz低帧率语音tokenizer，在尽量保持音质与可懂度的前提下显著降低序列长度，从而减少推理延迟并提升效率；整体上通过“低帧率离散表征 + 分阶段对齐LM与生成器目标”的系统化设计，实现更强可控性与多语覆盖下的稳定合成。

• 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。

• Singlish, Can or Not? Fine-Tuning and Evaluating Zero-Shot TTS for Singapore English

  • 赛道归属: 语音生成（TTS）/ 口音与方言适配 / Zero-shot TTS微调与评测
  • 核心创新点: 针对零样本TTS在区域口音（Singlish）上“保音色但口音被拉回通用英语”的系统性缺陷，提出以小规模、目标口音多说话人数据对现成ZS-TTS进行定向微调的实证路线，并在两类SOTA模型（Chatterbox、CosyVoice 3）上验证其对口音保真度的提升；方法论突破在于将“口音迁移失败”明确分解为可通过领域/口音分布再对齐来修复的问题，并配套建立面向新加坡英语的评测框架与对比基线，使口音适配从主观现象转为可量化、可复现的微调与评估流程。

• StellarTTS: Sparse Temporal Embedding for Low-Latency and Robust Speech Synthesis

  • 赛道归属: 语音生成（文本转语音TTS）/ 低延迟非自回归合成
  • 核心创新点: 提出面向移动端的非自回归TTS框架，通过稀疏时间嵌入（Sparse Temporal Embedding）在时间轴上以更稀疏但信息更集中的方式建模对齐与时长，从而在不依赖严格、刚性的NAR对齐假设下，实现对音素时长、发音细节与韵律的细粒度可控；该策略旨在同时缓解传统AR的高延迟/误差累积与常见NAR的韵律僵硬问题，在鲁棒性与实时性之间取得更优折中。

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

  • 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。---

• FreyaTTS: A Compact Tokenizer-Free Flow-Matching Transformer for Turkish-First Speech Synthesis

  • 赛道归属: 语音生成（文本转语音TTS）/ 扩散-Flow Matching 非自回归建模
  • 核心创新点: 提出紧凑、无Tokenizer（tokenizer-free）的Flow-Matching Diffusion Transformer，用条件流匹配（flow-matching）在连续潜空间直接学习“文本→语音潜变量”的映射；通过冻结的AudioVAE2将建模重心从波形/声码器细节转移到文本条件生成，并利用“16k编码、48k解码”的潜空间-重建分工继承高采样率音频质量；整体以较小参数量实现面向对话场景的高可靠、低复杂度非自回归合成范式。

• UtterTune: LoRA-Based Target-Language Pronunciation Edit and Control in Multilingual Text-to-Speech

  • 赛道归属: 语音生成（多语种TTS）/ 参数高效微调与发音可控编辑
  • 核心创新点: 提出基于LoRA的轻量适配方法，用于对LLM式多语种TTS进行目标语言发音（G2P/读音）编辑与控制：在不引入显式G2P模块、且尽量不破坏其他语言性能的约束下，通过低秩增量参数将“目标语言的发音规律与韵律偏好”定向注入模型，实现对目标语言读音错误的可控修正与稳定化，同时降低全量微调带来的跨语种遗忘与成本。

• Extracting Voice Styles from Frozen TTS Models via Gradient-Based Inverse Optimization

  • 赛道归属: 语音生成（TTS风格/音色克隆与风格迁移）
  • 核心创新点: 提出一种针对“冻结的商用/发布版TTS模型缺失参考编码器”场景的风格向量反演方法：在不改动任何模型权重的前提下，将风格向量视为可优化输入，通过梯度下降直接求解能匹配目标说话人风格的style embedding。为避免对齐与时序建模带来的困难，使用对单段录音提取的WavLM特征做时间池化统计作为优化目标（丢弃时间轴），从而把“从音频到风格向量”的问题转化为稳定的逆优化/输入空间搜索，实现对封闭管线的风格提取与个性化合成。

• Let Me Look at You: Advanced Facial Expression Modeling for Conversational Speech Synthesis

  • 赛道归属: 多模态语音生成（视觉驱动/辅助TTS）/ 情感与对话式语音合成
  • 核心创新点: 将面部表情作为关键情感线索显式引入对话式语音合成，面向“同一句话在不同表情/情绪下应生成不同韵律与表达”的问题，提出更细粒度的面部表情建模以驱动/约束语音生成，从而提升同理性与表达自然度；同时针对缺乏大规模自然对话的语音-视觉配对数据这一瓶颈，强调构建/利用包含语音与视觉模态的对话数据与训练策略，使模型能够学习表情到韵律、语气与情感强度的映射，弥补传统仅用文本/音频条件导致的情感信息缺失。

GitHub

• [2026-07-31] huggingface/diffusers ⭐34198

• [2026-07-29] SamurAIGPT/Generative-Media-Skills ⭐3943

• [2026-07-28] Stability-AI/stable-audio-tools ⭐3830

• [2026-07-30] apocas/restai ⭐513

• [2026-07-27] dgrauet/ltx-2-mlx ⭐86

HuggingFace Models

• owensong/Inflect-Micro-v2

• Audio8/Audio8-TTS-Preview-0.6b 🆕NEW

• owensong/Inflect-Nano-v2 🆕NEW

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

HuggingFace Spaces

• owensong/Inflect-v2

语言大模型

arXiv

• Developing and Validating the Spanish Version of the Large Language Models Dependency Scale (LLM-D12-SP)

  • 赛道归属: LLM应用评测与心理测量（人机交互/安全治理）
  • 核心创新点: 将“对LLM的心理依赖”从概念层面落到可量化的心理测量工具上，完成LLM依赖量表在西语人群中的跨文化适配与信效度验证；通过系统的心理计量学流程（条目筛选、结构效度/聚合与区分效度、信度与测量等价性等）构建可复用的评估框架，使组织/工作场景中LLM使用带来的依赖风险能够被标准化监测与比较，为后续干预与治理提供可操作的量化指标。

• Progressive Multimodal Alignment for Continual Instruction Tuning 🆕NEW

  • 赛道归属: 多模态持续学习 / 多模态大语言模型对齐
  • 核心创新点: 针对多模态持续指令微调（MCIT）中被忽视的"投影器级遗忘"问题，提出渐进式多模态对齐框架（PMA）。核心突破在于：不再仅关注LLM主干的遗忘，而是专门设计机制约束视觉-语言投影器在视觉分布偏移和指令语义演变时的漂移，从而在持续学习过程中维持跨模态对齐的稳定性。

• Not All LLM Reasoning is Visible in the Chain-of-Thought

  • 赛道归属: 可解释性与AI安全（链式思维/隐式推理评估）
  • 核心创新点: 揭示“链式思维并不等于模型全部推理”的具体失效模式：在合成推理任务中向输出中插入语义无关的填充token（filler tokens）可显著提升多款前沿模型的正确率（最高提升约13个百分点），表明模型可能在不可见的内部表征/隐式轨迹中完成关键推理，而表面CoT仅是部分或事后合理化的文本外显；并通过跨13个模型、三类任务的系统评测，将“不可见推理”从概念讨论落到可复现实证与可量化对比，为安全审计与可解释性评估提出新的对抗/探针范式（用无关token作为干预变量检测推理外显性）。

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

  • 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。

• OmegaUse-OfficeVal: Benchmarking LLM Agents on Long-Horizon Office-Suite Tasks with Economic Grounding 🆕NEW

  • 赛道归属: LLM Agent 评测基准 / 办公自动化任务
  • 核心创新点: 提出OmegaUse-OfficeVal基准，首次将经济成本（Economic Grounding）作为评估维度引入LLM Agent的长时序办公套件任务评测。基准包含100个来自真实从业者需求的任务，突破了现有基准仅关注任务完成率而忽视执行成本合理性的局限，实现了任务级别的效能-成本联合评估。

• Dual-Path LLM Reasoning for Multimodal Few-Shot Knowledge Graph Completion 🆕NEW

  • 赛道归属: 知识图谱补全 / 多模态推理
  • 核心创新点: 提出双路径LLM推理框架用于多模态少样本知识图谱补全（KGC）。核心创新在于：通过双路径设计同时利用多模态信息和LLM先验知识，并引入噪声/幻觉证据过滤机制，在归纳式KGC的少样本乃至零样本场景下，有效平衡多模态信息增益与噪声引入之间的矛盾，提升稀疏关系上下文下的推理鲁棒性。

• From Tokens to Watt-hours: Analytical Energy Estimation for LLM Inference on Modern GPUs 🆕NEW

  • 赛道归属: 推理优化 / LLM能耗分析
  • 核心创新点: 提出一套无需硬件遥测或电力仪器的解析式能耗估算方法，通过建立LLM推理过程中计算操作与GPU功耗之间的分析模型，并以实测数据进行校准，实现对现代GPU上LLM推理能耗（以瓦时为单位）的可移植、低门槛估算。该方法填补了早期系统设计阶段和可持续性报告场景中能耗评估工具的空白。

• LLMET: Enabling Cross-Layer Evaluation of Emerging M3D Memories for Energy-Efficient LLM Serving 🆕NEW

  • 赛道归属: 推理优化 / LLM服务硬件系统设计
  • 核心创新点: 提出LLMET跨层评估框架，专门针对新兴单片3D（M3D）集成缓存存储器在LLM服务场景下的能效潜力进行系统性评估。核心突破在于构建了从器件工艺层到系统服务层的跨层联合分析方法，量化M3D技术通过减少片上缓存与HBM之间数据搬移所带来的能耗收益，为能效导向的LLM服务硬件选型提供决策依据。

• Evaluating Prompt Scope and Demonstration Similarity in Local LLM Machine Translation 🆕NEW

  • 赛道归属: 机器翻译 / LLM提示工程
  • 核心创新点: 系统性研究了本地部署LLM机器翻译中提示范围（单目标语言 vs. 多目标语言同时翻译）和示例相似度（demonstration selection策略）两个变量对翻译质量的影响。以英语到罗曼语族语言翻译为实验场景，突破了现有研究仅在单一提示形式下评估LLM翻译能力的局限，揭示了提示设计策略对本地LLM翻译性能的实际影响规律。

• Identifying Implicit Bias in LLM-based Chat AI Toward People with Intellectual Disabilities 🆕NEW

  • 赛道归属: LLM公平性与偏见评估 / AI伦理
  • 核心创新点: 针对智力障碍（ID）群体这一此前被忽视的弱势群体，系统性识别和量化GPT-4-Turbo中存在的隐性偏见。方法论创新在于：设计了包含/不包含ID描述符的对照提示词（10组提示词茎），通过故事生成任务对比分析模型输出中的表征差异，将隐性偏见的测量从情感分析层面延伸至叙事表征层面，为AI公平性评估提供了针对认知障碍群体的专项分析范式。

GitHub

• [2026-07-31] sgl-project/sglang ⭐30978

• [2026-07-31] AI4Finance-Foundation/FinGPT ⭐20986

• [2026-07-31] NVIDIA/TensorRT-LLM ⭐14262

• [2026-07-31] openJiuwen-ai/jiuwenswarm ⭐1855

• [2026-07-31] huhusmang/Awesome-LLMs-for-Vulnerability-Detection ⭐1202

HuggingFace Models

• poolside/Laguna-S-2.1

• Nanbeige/Nanbeige4.2-3B

• upstage/Solar-Open2-250B

• nota-ai/Solar-Open2-250B-Nota-NVFP4

HuggingFace Datasets

• [2026-07-29] HuggingFaceCode/stack-v3-train

• [2026-07-22] r0b0tlab/qwen3.8-max-distillation-50k

• [2026-07-27] moonshotai/PerceptionBench

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

• [2026-07-16] ianncity/GLM-5.2-Conversation

多模态大模型

arXiv

• HumanCLAW: Can Vision-Language Models Act Through a Body? 🆕NEW

  • 赛道归属: 多模态理解 / 具身智能评估
  • 核心创新点: 提出 HumanCLAW 评估框架，核心创新在于将视觉语言模型（VLM）的高层动作决策与底层运动控制执行解耦。传统具身评估中，任务失败难以区分是模型决策失误还是运动控制执行失败所致。该框架通过约束执行层（harness机制），使评估结果能够纯粹反映 VLM 的感知推理与决策能力，而非被电机控制误差所干扰，从而为衡量 VLM 在物理实体中的行动能力提供了更公平、可解释的基准测试方法。

• SepPrune:A Separator-based Pruning Framework for Efficient Multimodal Large Language Models

  • 赛道归属: 多模态大模型推理优化（视觉token剪枝/加速）
  • 核心创新点: 提出基于“模态分隔符（separator token）”的视觉token剪枝框架SepPrune。关键观察是：无论来自视觉还是文本的注意力分数，都会在模态分隔符位置出现峰值，分隔符可作为跨模态信息汇聚的稳定“锚点”。据此在不依赖昂贵的跨模态注意力全量计算、也不需要高开销多样性估计的前提下，构建可更早介入推理流程的剪枝策略（更接近prefill前/早期阶段决策），在高分辨率输入产生大量vision tokens的场景中显著降低计算与延迟，同时尽量保持跨模态对齐与任务性能。

• Forensic Reproducibility Audit of a Radiology Vision-Language Model Benchmark: From Intended Protocol to Released Artifact

  • 赛道归属: 多模态评测与可复现性（基准审计/Benchmark治理）
  • 核心创新点: 提出“取证式可复现性审计（forensic reproducibility audit）”范式，针对放射影像VLM基准从“意图协议”到“发布产物”的全链路一致性进行追溯验证。在不重新调用模型、不新增标注的约束下，通过系统追踪与比对提示词绑定（prompt bindings）、DICOM渲染与元数据、模型输出完整性、自动标签生成流程、统计代码与仓库发布版本等关键环节，定位基准实现与论文/协议之间的偏差来源，揭示多组件基准中常被默认成立但未被检验的隐含假设，并给出可操作的审计路径以提升医疗多模态评测的可信度与可复现性。

• FORGE: Frame Orthogonality in Relevance Geometry for Long-Form Video Understanding

  • 赛道归属: 长视频多模态理解（训练无关的推理期帧选择/检索）
  • 核心创新点: 提出FORGE（Frame Orthogonality in Relevance Geometry），在不训练的前提下，于推理时从长视频中选择更“查询相关”的帧子集以抑制无关内容对MLLM准确率的负面影响。方法核心是将帧的相关性建模为几何空间中的“相关性方向/表示”，通过强调所选帧在相关性空间中的“正交性”（减少冗余、覆盖更多互补信息）来最大化有效信息密度；相较于仅按相关性打分或均匀采样，FORGE在固定上下文窗口内更有效地平衡“相关性强度”和“信息多样性”，提升长序列视频问答/理解的鲁棒性。

• Reasoning with Memory: A Temporal Granularity-Adaptive Framework for Training-Free Long Video Understanding

  • 赛道归属: 长视频多模态理解（训练无关的时间粒度自适应关键帧选择/记忆式推理）
  • 核心创新点: 提出ReMem（Reasoning with Memory），面向上下文窗口受限的MLLM长视频理解，设计“时间粒度自适应”的关键帧选择框架以匹配不同问题的时间尺度需求。区别于均匀采样或静态的query-guided选择，ReMem引入记忆式推理机制：根据查询所需的时间粒度动态调整采样/聚合策略，在粗粒度问题上保留全局脉络、在细粒度问题上聚焦关键局部片段，从而减少关键时序上下文被遗漏的风险；全流程无需额外训练即可在推理阶段提升长视频任务的覆盖性与回答准确性。

• CADER: Confidence-Aware Dynamic Evidence Reasoning for Long-Video Understanding

  • 赛道归属: 长视频多模态理解与工具增强推理（自适应推理/证据检索）
  • 核心创新点: 提出训练无关（training-free）的置信度感知动态证据推理框架：先基于模型输出置信度/不确定性对问题难度进行判别，再自适应地决定是否触发以及如何分配工具调用与时序证据检索粒度；对困难样例引入更细粒度的时间证据定位与迭代式证据聚合，提升长视频问答的可控性与可靠性，同时避免对简单样例的过度工具开销，实现“按需推理”的推理路径调度。

• MarineEVT: Advancing Event-Centric Marine Video Understanding via Visual Tool Reasoning

  • 赛道归属: 垂直领域视频多模态理解（海洋事件理解）与视觉工具推理
  • 核心创新点: 面向海洋视频的事件中心（event-centric）理解范式，引入“视觉工具推理”以弥补通用VLM在视频时序建模与领域知识上的不足：通过工具化的视觉分析模块（如事件候选定位、关键帧/片段检索、属性与行为线索抽取等）为VLM提供可验证的中间证据，并围绕事件结构进行组织与推理，从而在标注稀缺、领域专业性强的场景下提升事件识别/描述的准确性与可解释性。

• Development of Vision-Language Model-based GNSS Spoofing Detection for Autonomous Vehicle Navigation

  • 赛道归属: 多模态安全与鲁棒感知（自动驾驶GNSS欺骗检测）/跨模态传感器融合
  • 核心创新点: 首次将视觉-语言模型用于GNSS欺骗检测的多模态融合框架：将前视摄像头视觉线索与车载动态传感器读数（速度、加速度、横摆角速度等）进行语义化对齐，并与GNSS推导的车辆机动/轨迹一致性进行对比推理；通过VLM的跨模态一致性判断与解释能力，把“视觉可见的运动/场景变化”与“GNSS报告的运动状态”之间的不一致显式化，从而实现对隐蔽重定向类攻击的检测与可解释告警。

• MV-Bench: Benchmarking Multimodal Large Language Models for Coordinated Multi-View Interface Construction

  • 赛道归属: 多模态理解（评测基准/Benchmark，面向可视化界面生成与代码生成）
  • 核心创新点: 提出面向“协调多视图（coordinated multi-view）可视化界面构建”的专用评测基准 MV-Bench，将评测从传统单图表生成扩展到更贴近真实可视化开发流程的多视图联动场景；评测重点覆盖多视图之间的数据语义一致性、视图间协调关系（如共享筛选/联动高亮等）以及交互逻辑的联合推理与代码生成能力，从而系统性暴露现有 MLLM 在复杂可视化界面构建任务中的能力缺口与失败模式。---

• Continual Video-MLLM Adaptation over Evolving Domains

  • 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。

GitHub

• [2026-07-30] Blaizzy/mlx-vlm ⭐5276

• [2026-07-31] NVIDIA-AI-Blueprints/video-search-and-summarization ⭐1762

• [2026-07-30] waybarrios/vllm-mlx ⭐1472 🆕NEW

• [2026-07-30] gokayfem/ComfyUI_VLM_nodes ⭐577

• [2026-07-31] NVIDIA-Omniverse/usd-content-agents ⭐174

强化学习

arXiv

• LA-RL: Label-Aware Self-Reflection for Reinforcement Learning in Information Extraction

  • 赛道归属: 多模态/LLM信息抽取的强化学习对齐（结构化IE、反思式RL）
  • 核心创新点: 提出LA-RL（Label-Aware Reflective RL）将“自我反思”从自由文本纠错对齐到结构化抽取空间：用结果监督把错误细分为缺失span、标签错误、边界不匹配、关系类型非法、论元顺序颠倒等可操作的失败类型，并据此生成面向标签/结构约束的反思与修正信号；通过将反思过程显式绑定到结构化输出的可验证属性，提升纠错的可定位性与可学习性，避免仅“指出有错但无法精确修复”的反思失配问题。

• Do You Really Need to Pretrain Q-Functions for Online RL Fine-Tuning? 🆕NEW

  • 赛道归属: 强化学习 / 离线预训练与在线微调
  • 核心创新点: 系统性地研究了在线RL微调时是否必须预训练Q函数这一核心问题。通过大量实验揭示：随机初始化Q函数配合在线RL微调，在多数场景下可达到与预训练Q函数相当甚至更优的性能，打破了"必须预训练Q函数"的传统认知。核心方法论突破在于通过对比分析，明确了Q函数预训练的必要性边界条件，为实践中简化预训练流程提供了理论依据。

• Probing the Origins of Reasoning Performance: Representational Quality for Mathematical Problem-Solving in RL vs. SFT Fine-Tuned Models 🆕NEW

  • 赛道归属: 推理优化 / RL与SFT训练机制对比分析
  • 核心创新点: 从表征质量角度深入剖析RL训练模型在数学推理任务上优于SFT模型的内在机制。创新性地采用逐层线性探针分析隐藏状态表征，提供了两条收敛性证据链：一是RL模型在中间层形成了更高质量、更具判别性的数学概念表征；二是这种表征优势与最终推理性能高度相关。该工作首次从机制层面（而非仅从结果层面）解释了RL训练范式的优越性，为后续模型训练策略设计提供了可解释性基础。

• Meta-Learned Reward Shaping for Reinforcement Learning from Human Feedback 🆕NEW

  • 赛道归属: 大语言模型对齐 / RLHF奖励建模
  • 核心创新点: 针对RLHF中静态、任务无关奖励模型导致学习信号稀疏、对齐效果欠佳的痛点，提出MeRLa框架。核心创新在于引入元学习机制，在RLHF训练前跨辅助任务元学习一个任务感知的奖励塑形函数Φ(x,y;φ)，将其与原始奖励组合形成复合奖励信号。相比传统固定奖励模型，该方法能够动态适配不同任务特性，有效缓解奖励稀疏问题，从方法论上将元学习与奖励塑形理论系统性地融入RLHF流程。

• Evaluating Fuzz Testing for Reinforcement Learning Agents

  • 赛道归属: 强化学习安全与鲁棒性评测（RL智能体Fuzz测试/测试基准）
  • 核心创新点: 聚焦“RL fuzzing如何被公平、可复现地评估”的方法学缺口，系统化梳理并统一不同RL模糊测试方法在实验设置、基线选择与指标定义上的差异，构建可对齐的评测框架/协议以减少结论不可比问题；强调以覆盖/失效发现能力、触发条件多样性、崩溃/违规复现性等更贴近安全部署的指标来评价fuzzing有效性，从而把“提出新fuzzer”推进到“可验证、可对比的安全测试科学”。

• ACRL: Adaptive Control of Training-Inference Discrepancy for Stable Reinforcement Learning

  • 赛道归属: LLM强化学习训练系统与推理优化（训练-推理一致性/稳定性）
  • 核心创新点: 提出ACRL，通过“自适应控制训练-推理差异（training-inference discrepancy）”来稳定LLM的RL训练：将不稳定根因归结为训练/推理引擎架构割裂与推理侧低精度量化带来的数值分布偏移，并引入机制在训练过程中动态调节/约束这种差异（而非仅在训练端做算法补丁）；核心突破在于把系统层面的精度与引擎不一致显式纳入RL优化闭环，用可控的差异管理降低梯度/奖励估计的漂移，从而提升训练稳定性与可部署一致性。

• Sparse Gaussian-Mixture-Model Q-Functions via Hadamard Overparametrization for Online Reinforcement Learning

  • 赛道归属: 强化学习理论与函数逼近（在线离策略RL、Q函数建模/稀疏表示）
  • 核心创新点: 提出基于稀疏高斯混合模型Q函数（S-GMM-QFs）的在线离策略策略迭代框架：用Hadamard过参数化实现可解释的稀疏化（通过平滑正则诱导混合成分/参数选择），并结合参数空间的黎曼几何结构进行优化，以更好地处理流式、非平稳数据下的稳定更新；同时通过经验回放缓解分布失配，使“在线+离策略+非平稳”场景下的Q函数学习兼具表达力（GMM）与可控复杂度（稀疏化）及几何一致的优化路径。

• Label-free Industrial Fault Detection via Adversarial Inverse Reinforcement Learning: A System for Run-to-Failure Prognostics

  • 赛道归属: 工业时序/设备健康管理的强化学习（无标签故障检测、逆强化学习/对抗IRL）
  • 核心创新点: 将工业故障检测从常见的“伪RL的静态CB分类”提升为真正的序列决策建模：显式利用状态转移与时间折扣刻画退化过程，并提出对抗式逆强化学习在无故障标签条件下学习隐式奖励/健康度信号，用于run-to-failure预测与故障检测；方法论突破在于用AIRL式的奖励辨识替代监督标签，借助对抗学习从运行轨迹中抽取可泛化的退化驱动因素，实现面向寿命周期的序列化诊断与预后。

• Enough is as good as a feast: A Comprehensive Analysis of How Reinforcement Learning Mitigates Task Conflicts in LLMs

  • 赛道归属: 大语言模型对齐与强化学习（RLHF/RLAIF）、模型合并（Model Merging）分析
  • 核心创新点: 系统性研究并量化对比不同训练范式（如SFT与RL）对模型合并效果的影响，聚焦“多任务/多能力合并时的任务冲突”这一关键瓶颈；通过全面实验与分析揭示RL在缓解合并后任务冲突、提升能力兼容性方面的作用机制与适用边界，为后续设计更可合并（merge-friendly）的对齐训练流程与合并策略提供可操作的经验规律与诊断框架

• Expert Behavior Prior Reinforcement Learning

  • 赛道归属: 强化学习中的离线到在线迁移（行为先验RL、示范驱动的样本效率提升）
  • 核心创新点: 提出“专家行为先验强化学习”，针对传统BPRL依赖静态离线示范集（多样性不足、轨迹质量参差）导致先验失效与在线训练不稳的问题，引入可随在线交互更新/校准的专家行为先验机制：在利用示范提供的策略先验进行高效探索与初始化的同时，增强对先验偏差与次优示范的鲁棒性，平衡“先验利用（exploitation）”与“在线修正（adaptation）”；核心在于把先验从静态约束升级为可适配的行为分布建模，从而提升在线阶段稳定性与样本效率。

GitHub

• [2026-07-30] PufferAI/PufferLib ⭐6210 🆕NEW

• [2026-07-30] natolambert/rlhf-book ⭐2232

• [2026-07-31] radixark/miles ⭐1816

• [2026-07-30] nvidia-cosmos/cosmos-rl ⭐468 🆕NEW

• [2026-07-30] GPUOpen-LibrariesAndSDKs/Schola ⭐79 🆕NEW

HuggingFace Datasets

• [2026-07-29] Qyrou/reasoning-corpus-4K-5M-v1 🆕NEW

HuggingFace Spaces

• acvlab/abot-world-interactive 🆕NEW

世界动作模型

arXiv

• From World Models to World Action Models: A Concise Tutorial for Robotics

  • 赛道归属: 机器人世界模型/世界动作模型（World Action Model）综述与统一框架（多模态表征学习 + 模型式强化学习/规划）
  • 核心创新点: 以“教程+统一视角”而非传统综述的方式，系统澄清机器人语境下“world”的构成要素，并给出世界模型（World Model）与世界动作模型（World Action Model）的明确定义与边界；进一步提出一个可对齐比较的统一分析框架，用同一套维度刻画不同路线（如空间智能模型、JEPA 等）在表征形态、预测目标（状态/潜变量/能量或一致性目标）、动作条件化方式、以及在机器人系统中承担的功能位置（感知表征、预测、规划/控制接口）上的差异，从而把分散的研究范式映射到可复用的设计空间，帮助研究者更直接地定位“从世界模型到可执行动作的世界动作模型”所需的关键模块与接口设计。

GitHub

• [2026-07-30] OpenMOSS/Awesome-WAM ⭐1198

• [2026-07-30] DravenALG/awesome-vla-wam ⭐883 🆕NEW

• [2026-07-30] yuyangalin/ImageWAM ⭐143

---

由 Research Daily 自动生成 生成时间: 2026-07-31 01:46:44