AI 每日进展速报 - 2026-08-27

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

• The Plan, Not the Decoder: Diagnosing and Repairing Compositional Failure in Reasoning-Augmented Text-to-Image Generation

  • 赛道归属: 文生图 / 组合式生成 / 推理增强生成诊断与修复
  • 核心创新点: 该工作针对推理增强型文生图模型（如 GoT-R1）的组合生成失败问题，提出了一种故障定位与修复框架，核心创新在于将生成失败的根因分离为两个独立环节：规划阶段（文本计划/布局生成） 与 解码阶段（图像渲染忠实度）。由于模型在生成图像前会输出包含对象名称、属性和边界框的结构化文本计划，该计划具有机器可读性，可在解码前被独立检查和编辑。研究者通过交换边界框等干预实验验证了计划与解码的可分离性，从而精确诊断出组合失败究竟源于"规划错误"还是"解码不忠实"，并在此基础上提出针对性的修复策略。这一方法论突破为推理增强型生成模型的可解释性分析和定向优化提供了新范式。

• DiSCO: Defending text-to-image generation through distribution-guided contrastive prompt optimization

  • 赛道归属: 文生图安全防御 / 对抗攻击防护
  • 核心创新点: 提出DiSCO框架，针对文生图模型的NSFW内容生成问题，在黑盒场景下实现安全防御。核心方法是基于分布引导的对比提示优化（Distribution-guided Contrastive Prompt Optimization）：通过对比学习将恶意/对抗性提示在语义分布空间中向安全提示分布靠拢，同时远离NSFW内容分布，从而在不依赖模型内部权重、文本编码器或推理时干预的前提下完成防御。相比现有白盒方法（权重编辑、文本编码器优化等），该方法可扩展至闭源商业模型，填补了黑盒防御场景下对抗红队攻击的方法空白，兼顾了安全性与通用性。

• Swift-Image: Exploring the Performance Frontier of Compact Unified Image Generation Models

  • 赛道归属: 文生图 / 图像编辑（统一生成与编辑）
  • 核心创新点: Swift-Image 提出了一个紧凑型统一图像生成与编辑模型，核心突破在于：在有限计算预算下，通过系统性训练工程探索小参数量模型的性能上限。采用高效的 6B 参数单流 DiT 架构，并设计了渐进式训练流水线——从宽泛语义覆盖逐步演进至更高分辨率、更强视觉质量，同时统一支持文生图、单图编辑和多图编辑三类任务，在参数效率与任务统一性之间取得显著平衡。

• Efficient Training with Foresight: Multi-Token Auxiliary Supervision for Autoregressive Image Generation 🆕NEW

  • 赛道归属: 自回归图像生成 / 推理优化与训练效率
  • 核心创新点: 提出多令牌自回归（MTAR）统一训练框架，核心突破在于引入"多令牌辅助监督"机制——在训练阶段让模型同时预测未来多个token（前瞻性监督），而非传统的单步next-token prediction。这一设计从三个维度解决了传统AR训练的痛点：①通过多步前瞻缓解监督稀疏与短视问题；②通过辅助预测目标增强表征判别性；③通过稀疏化计算策略降低全序列密集计算带来的训练开销，在不改变推理架构的前提下显著提升训练效率与生成质量。

• Scalable Question-Centric Text-to-Image Evaluation: Reliable Ranking, Fine-Grained Diagnosis, and Cost-Aware Routing

  • 赛道归属: 文生图评估与基准测试
  • 核心创新点: 提出以"问题为中心"（Question-Centric）的文生图评估框架 QC-T2I-Bench，核心突破在于三个层面：①将开放式提示词分解为细粒度可归因的问题单元，实现更精准的失败诊断，而非简单回归到提示词级别的总分；②区分基础需求与组合需求的评分，揭示模型在简单属性绑定与复杂组合推理上的差异化表现；③引入成本感知路由机制，在评估精度与计算开销之间实现动态权衡，支持可扩展的大规模评估场景。整体框架将模型排名可靠性、细粒度诊断能力与评估效率统一在同一体系下，解决了现有基准评估归因模糊、复杂度忽视和成本不可控的三大痛点。

• OccluRank: Controllable Occlusion-Aware Layout-to-Image Generation by Adding Just an Ordinal Rank

  • 赛道归属: 文生图 / 布局可控图像生成（Layout-to-Image Generation）
  • 核心创新点: 针对边界框布局生成中无法表达实例遮挡顺序的问题，提出 OccluRank 框架，其核心创新在于仅引入一个轻量级的序数排名（Ordinal Rank）信号作为遮挡条件，即可在不依赖额外几何条件（如深度图、分割掩码）或复杂推理流程的前提下，实现对实例间遮挡关系的显式建模与可控生成。相比现有方法独立构建各实例表示后简单聚合的范式，OccluRank 通过排名信息驱动实例间遮挡依赖交互，以极低的条件复杂度实现了遮挡感知的布局到图像生成。

• WithEveryone: Unified Planning and Identity Grounding for Group Image Generation

  • 赛道归属: 文生图 / 身份保持多人图像生成
  • 核心创新点: WithEveryone 针对多人（最多10人）身份保持图像生成这一高难度场景，提出了统一的规划与身份定位框架。核心创新在于：将每个参考身份编码为独立的寻址令牌（addressed token），从而在生成过程中精确建立"参考身份→场景中特定人物→空间位置"的三元对应关系；同时针对多人场景下训练时多个噪声预测人脸之间难以建立对应关系的问题，设计了专门的身份损失对齐机制，有效解决了传统方法在人数增多时身份混淆与绑定失效的核心痛点。

• From Corpora to Co-Evolving Capabilities: Capability-Centric Data Design for Generalist Image Generation 🆕NEW

  • 赛道归属: 文生图 / 通用图像生成 / 数据工程与能力协同
  • 核心创新点: 提出以"能力为中心"的数据基础设施设计范式，核心创新在于打破传统各任务数据集孤立优化的惯例，转而对生成能力之间的依赖关系进行显式建模，并据此构建能力协同演化的数据组织体系。具体而言，该框架将异构监督信号按能力依赖图进行结构化耦合，使不同生成能力（如构图、细节、语义对齐等）在数据层面相互增强而非相互干扰，从数据工程角度为通用图像生成模型提供了系统性的能力协同提升路径。

• EDITBRIDGE: Towards Faithful and Efficient Ultra-High-Resolution Image Editing 🆕NEW

  • 赛道归属: 图像编辑 / 超高分辨率图像编辑
  • 核心创新点: 提出EDITBRIDGE框架，专门解决超高分辨率（>1K）图像编辑中的两大核心痛点。技术突破体现在：①针对"信息发散"问题，设计跨分辨率一致性约束机制，确保超分阶段生成的细节与低分辨率编辑结果语义一致，避免超分模型幻觉内容与编辑意图相矛盾；②针对二次注意力复杂度导致的显存瓶颈，引入高效注意力计算策略，使模型能够在有限资源下处理超高分辨率输入，整体上将低分辨率编辑与超分辨率重建从独立两阶段整合为信息互通的联合框架。

• Qwen-Video-Edit: Instruction-Based Video Editing by Repurposing an Image Editing Model 🆕NEW

  • 赛道归属: 视频编辑 / 指令驱动视频编辑
  • 核心创新点: 提出一种无需视频扩散主干的视频编辑新范式，核心创新在于将图像编辑模型（Qwen-Image-Edit）直接复用于视频编辑任务。关键技术突破是将视频VAE潜空间中的多帧latent以"瓦片拼接"方式排列为一张大型虚拟图像，从而将时序视频编辑问题转化为单张大图的图像编辑问题，完全绕开了对视频扩散Transformer进行高成本适配微调的需求。该方法以极低的迁移代价实现了跨模态能力复用，为图像编辑模型赋能视频编辑提供了简洁高效的技术路径。

GitHub

• [2026-08-27] pydantic/pydantic-ai ⭐19522

• [2026-08-27] YouMind-OpenLab/awesome-nano-banana-pro-prompts ⭐13286

• [2026-08-27] sunchaokun/PPT-Design-Skill ⭐1003

• [2026-08-27] alfredxw/denova ⭐656

• [2026-08-27] TGYD-helige/pi ⭐52 🆕NEW

视频生成/编辑

arXiv

• Identity-Preserving Text-to-Video Generation via Agentic Enhancement and Semantic Repair

  • 赛道归属: 视频生成（身份保持文生视频）
  • 核心创新点: 针对闭源商业视频生成模型无法通过参数优化改进的局限性，提出了一种基于智能体增强（Agentic Enhancement）与语义修复（Semantic Repair）的免训练框架。核心方法论突破在于：将视频生成过程拆解为多智能体协作流水线，通过语义层面的自动检测与修复机制，在不访问模型权重的前提下，解决身份漂移（identity drift）、指令跟随不完整以及复杂提示下视觉细节缺失等问题，实现对黑盒生成模型的外部增强与质量提升。

• EditStream: A Unified Autoregressive Framework for Interactive Video Generation and Editing

  • 赛道归属: 视频生成与编辑（统一框架）
  • 核心创新点: EditStream 提出了一个基于 DiT（Diffusion Transformer）的统一自回归框架，将文生视频（T2V）、图生视频（I2V）、视频转视频（V2V）等多种视频创作与编辑任务整合进单一模型。其核心方法突破在于：①通过灵活的任务特定条件机制（task-specific conditioning）实现多任务统一建模，无需为每类任务维护独立模型；②将扩散模型转化为少步自回归流式推理模型（few-step autoregressive streaming），大幅提升生成效率，支持交互式实时视频流式输出，兼顾生成质量与推理速度。

• TurboT2VA: Fast Large-Scale Text-to-Video-Audio Generation via Score-Regularized Consistency Distillation

  • 赛道归属: 视频生成（文本到视频+音频联合生成 / 推理加速）
  • 核心创新点: 针对大规模（19B参数）文本到视频-音频（T2VA）联合生成模型的推理加速问题，提出TurboT2VA蒸馏与推理框架。核心技术突破在于：通过评分正则化一致性蒸馏（Score-Regularized Consistency Distillation）解决大规模多模态联合模型蒸馏中的三大挑战——视频与音频模态间优化不平衡、大规模连续时间一致性训练困难、以及蒸馏后生成质量下降问题，从而在显著减少采样步骤的同时保持视频与音频的高质量同步生成。

• VGI-BENCH: Probing Visual Intelligence in Video Generation Models

  • 赛道归属: 视频生成 / 评测基准
  • 核心创新点: 提出 VGI-Bench 评测框架，专门用于探测视频生成模型中的视觉智能能力。核心创新在于针对现有评测体系的三大缺陷进行系统性修正：①输入设计与当前视频模型的视觉先验对齐，避免分布偏移导致的评测失真；②要求模型生成合理的动态演化过程而非仅输出可信的最终帧，从而真正考察时序推理能力；③通过难度校准确保任务既具挑战性又部分可解，避免天花板/地板效应。基准涵盖 27 个任务、810 个实例，构建了一套系统化的零样本视觉推理评测体系，为衡量视频生成模型的视觉智能边界提供了可靠的量化工具。

• CamWorldQA: Perceptual Quality Assessment of Camera-Controlled World Video Generation

  • 赛道归属: 视频生成质量评估 / 相机控制视频生成
  • 核心创新点: 针对相机控制世界视频生成场景，现有VQA方法无法有效评估其特有感知特性（如视角一致性、运动连贯性、内容保真度）的问题，提出了CamWorldQA——首个专门面向相机控制世界视频生成的感知质量评估基准。其核心方法论突破在于：将评估维度从通用自然视频质量指标扩展至相机控制生成特有的多维感知属性，填补了该细分场景下缺乏专用评测体系的空白，为后续相机可控视频生成模型的质量对比与优化提供了标准化评估框架。

• Magnitude-Direction Decoupling for Fast Video Generation with Flow Matching Models

  • 赛道归属: 视频生成 / 推理加速优化
  • 核心创新点: 提出将Flow Matching模型的去噪过程解耦为"幅度"（Magnitude）和"方向"（Direction）两个独立分量分别处理的框架。核心发现是：轻量级替代模型能够可靠地预测去噪方向，但在幅度估计上存在偏差。基于此，方法在部分去噪步骤中使用轻量级模型预测方向，同时从原始模型借用幅度信息进行校正，从而在保持生成质量接近原始轨迹的前提下，显著降低整体推理计算开销，实现视频生成的快速采样。

• SemComp-Bench: Benchmarking Semantic Task Completion in Video Generation

  • 赛道归属: 视频生成 / 评测基准
  • 核心创新点: 提出"语义任务完成视频生成"（Semantic Task Completion Video Generation）这一新的以结果为导向的任务范式，并构建配套评测基准SemComp-Bench。其核心创新在于将评估焦点从传统的过程连贯性转移至最终结果的语义达成度，同时引入"语义锚定"（Semantic Grounding）指标，量化参考图像与生成结果在任务相关高层语义上的对应程度，无需对中间步骤进行完整呈现，为视频生成的功能性与语义一致性评估提供了新的方法论框架。

• Equilibrium Forcing: Adaptive Video Generation Without Noise Conditioning

  • 赛道归属: 视频生成 / 扩散模型训练与采样框架
  • 核心创新点: 提出均衡强迫（Equilibrium Forcing, EqF）框架，彻底去除扩散/流匹配模型对噪声水平条件化的依赖，核心创新在于：（1）将去噪场的学习与采样调度完全解耦，模型训练时无需感知当前噪声级别，实现模块化的训练与推理设计；（2）推理时采样过程可自适应地根据数据特性动态调整，不再受固定噪声调度表的约束，提升生成灵活性；（3）为自回归视频生成提供了一种更简洁的理论框架，简化了标准扩散模型的训练目标设计，同时保持或提升生成质量。

• GraphVid: Interactive Graph-Controllable Video Generation 🆕NEW

  • 赛道归属: 视频生成（可控视频生成）
  • 核心创新点: 提出以场景图（Scene Graph）作为控制信号的视频生成框架 GraphVid，将多主体交互关系显式编码为图结构（节点表示对象，边表示关系），替代传统轨迹绘制或文本描述的控制方式。核心突破在于将图结构的关系语义注入视频扩散模型，实现对多对象空间关系、交互逻辑的精确且可交互式编辑的控制，有效解决了复杂场景下轨迹控制扩展性差、遮挡歧义等问题。

• AgentMV: A State-Guided Multi-Agent Framework for Budget-Aware Music Video Generation 🆕NEW

  • 赛道归属: 视频生成（音乐视频生成 / 多智能体协作生成）
  • 核心创新点: 提出 AgentMV 多智能体框架，以"状态引导"机制驱动音乐视频的全局规划与分段生成。核心创新在于：①引入显式的全局状态追踪模块，跨片段维护视觉一致性与主题连贯性；②设计预算感知（Budget-Aware）的生成策略，根据累计成本动态调整各片段的生成质量与资源分配，而非采用固定策略；③将音乐结构（节拍、段落边界）与视觉编辑时机对齐，实现音画同步。整体突破了现有方法独立生成片段、缺乏全局协调的局限。

GitHub

• [2026-08-27] ZeroLu/awesome-seedance ⭐2339

• [2026-08-27] tetherto/qvac ⭐551

• [2026-08-27] 1038lab/ComfyUI-MiniMax-H3-Promptor ⭐191

• [2026-08-27] heygen-com/heygen-cli ⭐113

• [2026-08-27] Clipcat-ai/clipcat-skill ⭐74 🆕NEW

HuggingFace Spaces

• Saravutw/Omni-videos-custom

音频生成

arXiv

• EmoTra-TTS: Smooth Intra-Utterance Emotion Transitions for Speech Synthesis

  • 赛道归属: 情感语音合成（Emotional Text-to-Speech）
  • 核心创新点: 针对现有情感TTS系统仅支持单一静态情感标签/嵌入的局限性，提出EmoTra-TTS框架，核心突破在于实现句内（Intra-Utterance）连续情感动态过渡。该方法摒弃了传统"一句一情感"的离散建模范式，转而在单条语音合成过程中对情感状态进行时序连续建模，使情感能够在毫秒级时间尺度上自然地上升、衰减与转变，从而与心理学研究中情感作为连续动态过程的本质规律对齐，同时保持对情感轨迹的显式可控性——这一点也弥补了LLM-based TTS系统虽能隐式变化韵律但缺乏精确情感控制的不足。

• X2Streaming-TTS: Causal Token-Level Text-to-Speech from Streaming Text with Speech-State Inheritance

  • 赛道归属: 文本转语音（TTS）/ 流式语音合成
  • 核心创新点: 提出了真正意义上的token级流式TTS框架X2Streaming-TTS，核心突破在于：（1）引入语音状态继承（Speech-State Inheritance）机制，通过跨片段传递隐状态，在有界上下文窗口内维持无界流式生成的感知连续性，解决了传统方法因上下文截断导致的语音断裂问题；（2）采用因果架构，无需访问未来输入即可对异步到达的文本token实时生成语音，从根本上区别于等待句子级完整文本的"伪流式"方案，显著降低端到端延迟。

• Poly-InstructTTS: Learning In-the-Wild Expressive Speech Synthesis from Open-Ended Instructions

  • 赛道归属: 文本转语音（TTS）/ 可控表达语音合成
  • 核心创新点: 提出了一套基于开放式自然语言指令控制语音表达的端到端框架。核心突破在于：①构建了一个可扩展的多模态数据流水线，从野外视听数据中自动标注生成覆盖1000+细粒度情感与风格的千小时指令语料库；②设计了无需提示词的GPT模型，结合基于属性的链式思维（attribute-based thinking）机制，将开放式自然语言指令解析为结构化的语音属性控制信号，从而实现对细粒度表达的精准可控合成，突破了传统TTS在指令跟随能力上的瓶颈。

• CuteTTS: Efficient and High-Quality Speech Synthesis via Autoregressive Modeling of Continuous Latents 🆕NEW

  • 赛道归属: 文本转语音（TTS）/ 零样本语音合成
  • 核心创新点: CuteTTS 提出了一种基于连续潜变量自回归建模的高效高质量语音合成框架。核心突破在于：设计了一种紧凑的低码率连续潜变量序列表示，在保留充分声学细节的同时降低自回归预测的序列长度；同时针对扩散采样和无分类器引导在每个自回归步骤中带来的高推理开销问题，提出了优化方案，在流式低延迟场景下实现了保真度与推理效率的平衡，适用于交互式助手、个性化媒体等实时应用场景。

• Chatterbox-Flash: Prior-Calibrated Block Diffusion for Streaming Zero-Shot TTS

  • 赛道归属: 文本转语音（TTS）/ 流式零样本语音合成
  • 核心创新点: 提出了一种将预训练自回归TTS解码器迁移为块扩散（Block Diffusion）解码器的高效微调方案，实现块内并行token生成与块间流式输出的兼顾。核心技术突破在于：针对离散语音token长尾分布导致并行位置选择偏向高频token、从而引发质量退化的问题，提出了先验校准（Prior Calibration）机制，在不依赖额外架构改动的前提下修正采样偏差，显著提升了块扩散解码在零样本TTS场景下的生成质量，同时保持了低延迟流式推理能力。

• MINT-Bench: A Comprehensive Multilingual Benchmark for Instruction-Following Text-to-Speech

  • 赛道归属: 文本转语音（TTS）评测基准 / 多语言语音生成
  • 核心创新点: 提出 MINT-Bench，一个面向指令跟随型 TTS 的多语言综合评测基准。核心创新在于构建了分层多轴分类体系（hierarchical multi-axis taxonomy），将语音控制能力细化为多个可独立评估的维度，并配套设计了可扩展的多阶段数据构建流水线，从根本上解决了现有 TTS 评测中覆盖范围有限、诊断粒度粗糙、多语言支持不足三大核心缺陷，为指令跟随型语音生成模型提供了系统性、高诊断价值的评估框架。

• TurboT2VA: Fast Large-Scale Text-to-Video-Audio Generation via Score-Regularized Consistency Distillation

  • 赛道归属: 视频生成（文本到视频+音频联合生成 / 推理加速）
  • 核心创新点: 针对大规模（19B参数）文本到视频-音频（T2VA）联合生成模型的推理加速问题，提出TurboT2VA蒸馏与推理框架。核心技术突破在于：通过评分正则化一致性蒸馏（Score-Regularized Consistency Distillation）解决大规模多模态联合模型蒸馏中的三大挑战——视频与音频模态间优化不平衡、大规模连续时间一致性训练困难、以及蒸馏后生成质量下降问题，从而在显著减少采样步骤的同时保持视频与音频的高质量同步生成。

• MRMAD: A Multi-Round Multi-Audio Benchmark for Evaluating Acoustic Degradation Perception in Large Audio-Language Models

  • 赛道归属: 音频理解与评测 / 大型音频语言模型基准测试
  • 核心创新点: 提出MRMAD基准，专门针对大型音频语言模型（LALMs）在音频质量退化感知方面的评估能力进行系统性测量。现有基准主要聚焦语义理解和事件识别，忽视了模型对音频信号退化（如噪声、压缩失真、混响等）的推理能力。MRMAD通过多轮对话、多音频对比的设计范式，构建了一套专门考察模型能否识别和推理音频质量差异的评测体系，填补了该领域的评估空白。

• AudioNoisePrints: Model-free audio watermarking using spatial correlation in flow matching TTS

  • 赛道归属: 音频生成 / TTS水印与安全
  • 核心创新点: 提出AudioNoisePrints，一种无需训练、无需修改模型的音频水印方案，专为基于流匹配（Flow Matching）和扩散模型的TTS系统设计。其核心创新在于利用扩散/流匹配模型中初始高斯噪声与生成输出之间存在强空间相关性这一固有特性，通过计算初始噪声与生成音频之间的余弦相关性来实现水印嵌入与检测，整个过程无需重训练模型、不降低生成质量，且推理阶段额外计算开销极小，为生成式TTS模型的溯源与版权保护提供了轻量级解决方案。

• sanoTTS: The Smallest Real-Time Neural TTS on a General-Purpose Microcontroller 🆕NEW

  • 赛道归属: 文本转语音（TTS）/ 端侧轻量化语音合成
  • 核心创新点: sanoTTS 实现了迄今已知最小的可在通用微控制器上实时运行的神经 TTS 系统。核心突破在于：将完整的"音素ID → 时长预测 → 声学模型 → 逆短时傅里叶变换"推理链路压缩至仅 567,008 个参数（int8 量化后占用 679,832 字节），并在无神经加速器的 ESP32-S3 上以 0.22 倍实时速率（即生成 4.54 秒语音仅需 1.02 秒）完成推理，在无 FPU 的 ESP32-C3 上亦可达 5.72 倍实时；通过极致的模型压缩、int8 量化与可移植 C 核心设计，将神经语音合成能力首次落地于资源极度受限的通用嵌入式平台。

GitHub

• [2026-08-27] huggingface/diffusers ⭐34386

• [2026-08-25] SamurAIGPT/Generative-Media-Skills ⭐4163

• [2026-08-26] OpenMOSS/MOVA ⭐1104

• [2026-08-24] Xiaohao-Liu/Awesome-Vision2Audio ⭐108

• [2026-08-26] dgrauet/ltx-2-mlx ⭐103

HuggingFace Models

• Lightricks/LTX-2.5

• MiniMaxAI/MiniMax-H3

• MiniMaxAI/MiniMax-Music3

HuggingFace Datasets

• [2026-08-01] saidutta69/fable-5-premium

语言大模型

arXiv

• LLM as Detector: An In-context Learning Approach for Tabular Anomaly Detection

  • 赛道归属: 表格数据异常检测 / LLM上下文学习应用
  • 核心创新点: 提出LLM-Detector框架，突破性地将LLM的上下文学习（In-Context Learning）能力引入表格异常检测任务。与以往依赖几何距离、重建误差或需要微调LLM的方法不同，该框架通过结构化的提示条件化评分合成（prompt-conditioned scoring synthesis），无需微调即可利用LLM对跨特征依赖关系的理解来识别异常，从根本上解决了表格异常往往源于特征间关联违反而非单一特征边际偏差的核心难题。

• Can Large Language Models Explain Flight Safety Events? A Prior-Guided Semantic LLM-based Approach

  • 赛道归属: 大模型应用 / 航空安全事件解释
  • 核心创新点: 提出了一种先验引导的语义化LLM解释框架，将飞行安全事件的检测结果与飞行员操控行为的因果解释相结合。核心突破在于引入领域先验知识对LLM的推理过程进行约束与引导，使模型能够将传统可解释AI（如特征重要性图）输出的技术信号转化为具有操作意义的自然语言解释，降低了领域专家介入的门槛，实现了从"检测"到"解释"的跨越。

• Investigating the Interplay between Contextual and Parametric Chain-of-Thought Faithfulness under Optimization

  • 赛道归属: 推理可解释性 / 思维链（CoT）忠实性优化
  • 核心创新点: 提出FaithMATE统一偏好对齐框架，首次将"上下文忠实性"（通过扰动输入或CoT轨迹衡量）与"参数忠实性"（通过干预模型参数知识衡量）这两种长期割裂的CoT忠实性评估范式纳入同一优化界面，实现联合建模与分析。核心突破在于从描述性比较升级为可优化的统一接口，系统性地揭示两类忠实性指标在优化过程中的相互作用与内在权衡关系。

• An Agentic AI Framework with Large Language Models and Chain-of-Thought for UAV-Assisted Logistics Scheduling with Mobile Edge Computing

  • 赛道归属: 大模型应用 / 智能体调度与边缘计算
  • 核心创新点: 构建了一个融合LLM与思维链（Chain-of-Thought）推理的Agentic AI框架，用于解决无人机辅助物流与移动边缘计算（MEC）的联合调度问题。核心创新在于将物理层物流决策（无人机路径规划与货物收集）与计算层任务调度（工业传感器任务卸载）耦合建模，并利用LLM的CoT推理能力在混合调度空间中生成可解释的决策策略，突破了传统优化方法难以处理异构耦合约束的瓶颈。

• Anchoring Bias in LLM-as-a-Judge Systems: Prior Scores Compromise Evaluation Independence 🆕NEW

  • 赛道归属: LLM评估与可靠性 / LLM-as-a-Judge
  • 核心创新点: 首次系统性地揭示了LLM-as-a-Judge系统中的"锚定偏差"现象——即先验评分会显著影响模型的后续独立评判结果。通过设计三种提示条件（无元数据、修订框架、含先验分数的锚定元数据）进行对照实验，证明即便先验分数与当前内容无关，也会系统性地拉偏评分输出，从而挑战了生产流水线中"每次评判相互独立"这一核心假设，为评估系统的设计规范提供了重要警示。

• Are LLM-Enhanced GNNs Privacy-Safe? 🆕NEW

  • 赛道归属: 图神经网络安全 / LLM增强GNN隐私风险
  • 核心创新点: 针对LLM增强型GNN这一新兴范式，首次构建了系统性的隐私风险评估统一框架，填补了该领域隐私攻击研究的空白。核心贡献在于将成员推断攻击、属性推断攻击等隐私威胁模型迁移并适配至LLM-GNN融合架构，揭示了语义信息增强在提升模型性能的同时所引入的额外隐私泄露面，为后续隐私保护方法的设计提供了基准评估体系。

• Narcissus: Program Synthesis Using Context-Aware LLM Approximations 🆕NEW

  • 赛道归属: 程序合成 / LLM引导的枚举式合成
  • 核心创新点: 提出Narcissus系统，核心创新在于引入"上下文感知的LLM近似"方法替代现有的规则频率近似方案。传统方法将LLM提案压缩为规则频率时会丢失语法构造的位置上下文信息，并错误剪枝未出现的规则。Narcissus通过保留每个语法构造在程序结构中的位置感知信息，使枚举合成器能够在训练数据稀缺的目标语言上也能正确生成符合语法规范的程序，显著提升了对罕见领域特定语言的合成能力。

• TOPAS: Workflow-Aware Prefix-State Scheduling for Multi-Agent LLM Serving 🆕NEW

  • 赛道归属: LLM推理服务优化 / 多智能体工作流调度
  • 核心创新点: 提出TOPAS调度框架，核心创新在于将工作流感知（Workflow-Aware）与前缀状态感知（Prefix-State）相结合，解决多智能体LLM服务中KV缓存预算共享下的根本性调度矛盾。现有调度器在"前缀局部性优先"与"工作流整体进度优先"之间顾此失彼，TOPAS通过联合建模任务级工作流依赖关系与KV缓存状态，在共享GPU内存约束下同时优化两个目标，有效降低任务级端到端延迟。

• Adaptive Triggering for Bias Correction in LLM Reasoning 🆕NEW

  • 赛道归属: LLM推理偏见缓解 / 链式思维去偏
  • 核心创新点: 针对链式思维（CoT）推理过程中人口统计学刻板印象的传播问题，提出自适应触发机制，核心突破在于解决偏见干预的"时机决策"难题。现有方法要么在推理完成后才介入（过晚），要么无差别干预（破坏正确推理）。该方法通过动态检测中间推理步骤中的偏见信号，仅在必要时触发纠偏操作，在有效阻断偏见传播的同时最小化对正常推理链的干扰，实现了精准的生成时去偏。

• Mitigating LLM sycophancy with RL-based fine-tuning: Bayesian Truth Serum approach 🆕NEW

  • 赛道归属: LLM对齐与微调 / 谄媚性（Sycophancy）缓解
  • 核心创新点: 将博弈论中的贝叶斯真相血清（Bayesian Truth Serum, BTS）机制创新性地引入LLM强化学习微调，作为GRPO（Group Relative Policy Optimization）的奖励信号。BTS的核心特性是奖励"令人惊讶的普遍性"答案——即那些比预期更常见的真实答案，而非迎合用户偏好的答案。这一机制从激励设计层面根治谄媚性的根源，使模型在面对用户明确表达的错误信念时仍能坚持输出真实判断，相比传统监督微调方法具有更强的原理性保障。

GitHub

• [2026-08-27] sgl-project/sglang ⭐32523

• [2026-08-27] NVIDIA/TensorRT-LLM ⭐14484

• [2026-08-27] google-ai-edge/LiteRT-LM ⭐6299

• [2026-08-27] openJiuwen-ai/jiuwenswarm ⭐3889 🆕NEW

• [2026-08-27] huhusmang/Awesome-LLMs-for-Vulnerability-Detection ⭐1283 🆕NEW

HuggingFace Models

• orcarouter/Qwen3.8-27B-Uncensored-FP8

• froggeric/Qwen-Fixed-Chat-Templates

HuggingFace Datasets

• [2026-08-20] openbmb/Ultra-FineWeb-L1

多模态大模型

arXiv

• UniFed-VLM: Federated Instruction Tuning for Vision-Language Models with Multiple Heterogeneity

  • 赛道归属: 多模态理解 / 联邦学习与隐私保护
  • 核心创新点: 提出 UniFed-VLM 框架，专门针对视觉语言模型（VLM）联邦指令微调中的多重异构性问题。核心突破在于同时处理数据异构（不同客户端的数据分布差异）、模型异构（不同客户端的模型结构或参数规模差异）以及任务异构（多样化的指令任务类型）三类挑战，在无需共享原始数据的前提下实现跨客户端的 VLM 协同微调，为医疗等隐私敏感场景下的多模态模型训练提供了可行的联邦学习解决方案。

• VideoHarness-RSI: Recursive Harness Self-Improvement for Long-Video Understanding with Frozen Vision-Language Models

  • 赛道归属: 多模态理解 / 长视频理解
  • 核心创新点: 提出递归套索自改进（Recursive Harness Self-Improvement, RSI）框架，在冻结视觉语言模型参数的前提下，专注于优化视频上下文构建过程本身。核心突破在于将上下文构建程序（context-construction harness）作为独立优化目标，通过递归自改进机制迭代提升可执行上下文的质量，从而在不修改底层模型权重的情况下显著提升长视频理解性能。这一方法将上下文构建与模型能力解耦，揭示了仅通过改进推理时的信息组织策略所能带来的性能上限。

• Do Vision-Language Models Agree on the Affective Qualities of Shape? A Cross-Model Audit for Generative Design Interfaces 🆕NEW

  • 赛道归属: 多模态理解 / 生成设计界面评估
  • 核心创新点: 针对生成设计界面中语义控制的一致性问题，提出对6个主流VLM进行系统性审计的方法框架。核心创新在于引入"感性工学（Kansei）"形容词对作为评估维度，通过对无纹理3D物体的情感属性排序任务，量化不同VLM在产品形态情感表征上的跨模型一致性差异，揭示当前VLM在主观语义概念（如"优雅""简约"）编码上的分歧程度，为生成设计界面的语义控制可靠性提供实证依据。

• Video-IFBench: Evaluating Instruction Following of Multimodal LLMs in Video Understanding Scenarios 🆕NEW

  • 赛道归属: 多模态理解 / 视频指令跟随评测
  • 核心创新点: 提出Video-IFBench评测基准，专门针对多模态大语言模型在视频理解场景下的指令遵循能力进行系统评估。核心创新在于将评测维度从传统的"任务准确率"扩展至"指令adherence"，构建包含多样化用户自定义约束的评测集，填补了现有视频理解基准忽视指令遵循能力评估的空白，为衡量MLLM在真实复杂指令下的视频理解能力提供了新的标准化评测框架。

• Where to Look Matters: On-Policy Self-Distillation for Long-Video Understanding 🆕NEW

  • 赛道归属: 多模态理解 / 长视频理解
  • 核心创新点: 针对长视频理解中无关时序内容干扰问题，提出基于在策略自蒸馏（On-Policy Self-Distillation）的视觉输入聚焦方法。核心创新在于：通过实证发现将视觉输入聚焦于包含关键证据的短时间片段可显著提升问答性能，进而设计自蒸馏训练机制，使模型在无需人工标注线索区间的情况下，自主学习"应该关注哪里"的能力，从而在推理阶段动态定位关键时序片段，有效缓解长视频中冗余内容对模型注意力的干扰。

• PonderPounce: A Pretrained MLLM as an Episode Context Engine for Robot Control

  • 赛道归属: 具身智能 / 机器人控制 / 多模态推理
  • 核心创新点: 提出PonderPounce框架，创新性地将预训练多模态大语言模型（MLLM）的原生因果上下文窗口直接复用为机器人的情节记忆（episode memory），而非为机器人策略专门设计历史记忆机制。其中"Ponder"模块作为System 2慢思考引擎，在执行过程中持续积累视觉历史并进行推理；"Pounce"模块则基于Ponder输出的语义摘要执行快速动作决策。核心突破在于无需额外设计记忆模块，直接利用MLLM天然具备的长上下文整合与少样本推理能力来处理部分可观测环境下的机器人控制问题，实现了预训练语言模型上下文能力向机器人领域的零改造迁移。

• SAVER: Selective Auditing of Verbal Evidence for Error Recovery in VLM Change Reasoning

  • 赛道归属: 多模态理解 / 视觉变化推理
  • 核心创新点: 提出SAVER方法，核心洞察在于：正确的VLM输出通常包含支持其结论的显式语言证据（如物体名称、颜色、空间位置），而错误输出往往缺乏此类证据。基于此，SAVER设计了一套轻量级、基于规则的后处理机制，通过解析VLM响应中的语言证据来判断输出可信度，并在检测到证据缺失时触发错误恢复流程，无需重新训练模型即可提升视觉变化推理的准确性。

• Vision-Language Models for Occupational Physical Exposure Assessment: Estimating External Hand Forces in Manual Material Handling Tasks from RGB Video

  • 赛道归属: 多模态理解 / 视觉语言模型垂直应用（职业健康）
  • 核心创新点: 将VLM应用于职业生物力学分析领域，构建了一套从普通RGB视频估计双手三轴动态外力的流水线。核心创新在于将任务特定的文本提示、视觉表征与已知物体质量信息融合，绕过了传统方法依赖传感器仪器的限制，实现了非侵入式、连续的手部受力估计，为职业伤害风险评估提供了低成本的视觉化解决方案。

• Text-Anchored Semantic Perturbations for Transferable Jailbreak Attacks on Multimodal Large Language Models

  • 赛道归属: 多模态大模型安全 / 对抗攻击（越狱攻击）
  • 核心创新点: 提出TA-SPA（文本锚定语义扰动攻击）框架，针对MLLM安全对齐在跨模态融合表征层面的薄弱环节。核心创新在于以文本语义空间为锚点，优化图像侧的对抗扰动，使其在跨模态融合后能够有效绕过安全对齐机制。该方法以黑盒方式运行，生成的扰动具备较强的跨模型迁移性，揭示了"文本空间安全对齐无法可靠迁移至多模态融合表征"这一根本性安全漏洞。

• Learning to Look Again: Loss-Gap Supervision for Free-form Crop Routing in Vision-Language Models

  • 赛道归属: 多模态理解 / 视觉语言模型推理效率优化
  • 核心创新点: 提出GapSight框架，模拟人类"二次审视"的阅读行为，实现自适应的视觉细节感知。核心创新在于引入"Loss-Gap监督"机制：VLM先进行低分辨率全局浏览，再根据全局视图与精细视图之间的损失差距（loss gap）作为监督信号，学习将有限的高分辨率视觉Token动态路由至最需要细节的图像区域，而非均匀分配计算资源，从而在不牺牲全局上下文理解的前提下，高效解决细节敏感型问题（如OCR、文档理解）。

GitHub

• [2026-08-27] Blaizzy/mlx-vlm ⭐5422

• [2026-08-27] NVIDIA-AI-Blueprints/video-search-and-summarization ⭐1824 🆕NEW

• [2026-08-26] mala-lab/Awesome-Anomaly-Detection-Foundation-Models ⭐213

• [2026-08-23] mll-lab-nu/MindCube ⭐168

• [2026-08-23] filliptm/Video-Caption-Suite ⭐82

强化学习

arXiv

• MCite-RL: Towards Reliable Multimodal RAG via Citation-enhanced Agentic Reinforcement Learning

  • 赛道归属: 多模态理解 / 检索增强生成（RAG）
  • 核心创新点: 提出 MCite-RL 框架，将强化学习引入多模态 RAG 的视觉引用生成任务。核心突破在于通过"引用增强的智能体强化学习"机制，将引用准确性与答案生成质量联合优化，解决了传统 SFT 方法中视觉引用与生成内容解耦、跨模态推理不稳定的问题，实现了引用与答案之间更强的一致性与可追溯性。

• rl-triton: High-Performance Triton GPU Kernels for Reinforcement Learning Credit Assignment

  • 赛道归属: 强化学习基础设施 / GPU内核优化
  • 核心创新点: 提出统一的关联扫描（Associative Scan）框架，将GAE、V-Trace、Retrace(λ)、TD(λ)等七种主流RL信用分配算法统一抽象为一阶线性递推问题，并通过Triton实现O(log T)并行复杂度的GPU内核。核心突破在于以单一算法框架替代七种独立实现，同时利用GPU并行扫描原语大幅提升时序序列计算效率，为RL训练中的回报估计环节提供高性能开源基础设施。

• LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents

  • 赛道归属: 代码智能体 / 强化学习训练框架
  • 核心创新点: 针对编码智能体在长时运行的Agent Harness（工具集成、仓库上下文、执行反馈）中进行强化学习训练时存在的三大核心矛盾——环境崩溃污染奖励信号、奖励黑客攻击、训练-推理行为不一致，提出LEGO-RL框架。其核心突破在于将原生Harness执行环境与策略梯度训练直接桥接，通过模块化设计实现稳定的在线RL训练，消除了rollout行为与策略更新之间的解耦问题，使编码智能体能够在真实执行环境中端到端地进行强化学习优化。

• Simulating Cognitive Smart Freight Corridors with Agent-Based Models and Reinforcement Learning 🆕NEW

  • 赛道归属: 多智能体强化学习 / 智能交通仿真
  • 核心创新点: 提出了一个将物理基础设施层、V2X连接层与决策层深度耦合的智能货运走廊仿真框架。核心突破在于将强化学习（RL）与多智能体强化学习（MARL）嵌入基于智能体的建模（ABM）系统中，使每个货运智能体能够自适应地学习驾驶与协调策略，突破了传统方法依赖预定义控制策略、无法捕捉动态自适应行为的局限，为CAV在货运场景中的大规模部署提供了低成本的认知仿真实验平台。

• Towards Reliable, Generalizable, and Specific In-Context Knowledge Editing via Multi-Objective Reinforcement Learning 🆕NEW

  • 赛道归属: 大语言模型后训练 / 知识编辑
  • 核心创新点: 针对上下文知识编辑（In-Context Knowledge Editing）中可靠性、泛化性与特异性难以同时满足的三难困境，提出基于多目标强化学习（Multi-Objective RL）的提示构建优化方法。核心创新在于将知识编辑的三项关键指标（可靠性、泛化性、特异性）统一建模为多目标奖励信号，通过RL动态优化检索与提示组装策略，取代固定检索规则，使黑盒LLM在无需参数更新的前提下实现更精准、更鲁棒的知识注入。

• Demystifying Reinforcement Learning Post-Training of Language Models 🆕NEW

  • 赛道归属: 大语言模型后训练 / 推理优化
  • 核心创新点: 系统性地拆解并揭示了RL后训练（尤其是基于可验证奖励的RLVR）作用于LLM的内在机制，打破"黑盒"认知。核心贡献在于通过逐步隔离RL流程中各组件（奖励设计、策略更新、采样机制等）进行消融分析，厘清了哪些模块真正驱动了数学推理、代码生成等能力的提升，为研究者提供了可复现、可解释的RL后训练原理性框架，对后续算法设计具有重要指导价值。

• SkillForge: Evolving Verifiable Skills for Reinforcement Learning Agents

  • 赛道归属: 强化学习 / LLM智能体 / 技能学习与知识复用
  • 核心创新点: 提出SkillForge框架，突破了现有技能库"只增不减"的局限。核心创新在于引入技能验证与进化机制：通过可验证的方式持续评估技能库中已有技能的有效性，淘汰失效技能并动态更新，使技能库能够跨episode积累、精炼和复用高质量可验证技能，而非简单地追加原始轨迹提取的技能片段。

• WarpSAC: Towards the Pinnacle of Scalable Off-policy RL by Rethinking Exploration and Exploitation

  • 赛道归属: 强化学习 / 离策略RL / 大规模并行仿真训练
  • 核心创新点: 针对大规模并行仿真带来的高吞吐量数据环境，系统性地重新审视了离策略RL中各类稳定化组件（参数归一化、Clipped Double-Q、经验回放加权策略等）的适用边界。核心发现是这些稳定器具有"数据制度依赖性"——在数据充足的高并发场景下，原本为数据稀缺设计的稳定机制反而会限制值函数拟合能力。在此基础上提出WarpSAC，通过自适应地放宽或调整这些组件，实现了可扩展离策略RL在大规模仿真环境下的性能突破。

• AHEAD: Adaptive Hindsight with Environment-Augmented Distillation for Agentic RL

  • 赛道归属: 强化学习 / 多轮LLM智能体训练 / 自蒸馏与过程监督
  • 核心创新点: 提出AHEAD框架，解决了多轮LLM智能体RL训练中轨迹级奖励无法区分关键决策步骤的问题。核心创新在于引入"自适应后见之明"机制：识别轨迹中的关键步骤与常规步骤的不对称性，对关键决策步骤注入环境增强的特权信息（privileged information）进行细粒度蒸馏监督，而对常规步骤则采用不同强度的处理，从而在RL训练中实现步骤级别的差异化监督信号，显著提升智能体的训练效率与决策质量。

• Learning to Act While Waiting: RL Finetuning of Generalist Robot Policies Under Inference Latency

  • 赛道归属: 强化学习 / 机器人策略 / 推理延迟补偿
  • 核心创新点: 针对大型视觉-语言-动作模型（VLA）等通用机器人策略在RL微调时因推理延迟破坏马尔可夫假设的核心问题，提出了一种专门的RL微调方法。核心创新在于显式建模推理延迟对环境动力学的影响，将延迟引入的状态转移偏差纳入RL框架的状态表示或训练机制中，恢复有效的马尔可夫性，使标准RL算法能够在存在严重推理延迟的真实部署条件下稳定收敛并持续改进通用机器人策略。

GitHub

• [2026-08-27] OpenPipe/ART ⭐10666

• [2026-08-27] RLinf/RLinf ⭐4661

• [2026-08-27] alibaba/ROLL ⭐3374 🆕NEW

• [2026-08-27] ZJU-REAL/SDAR ⭐352 🆕NEW

• [2026-08-27] Algorineko/AgenticArXiv-RL ⭐100

HuggingFace Datasets

• [2026-08-23] hamzabagirsakci/turkish-court-decisions

世界动作模型

arXiv

• 4DGS-WAM: Bridging Past and Future with an Object-Centric World Action Model based on 4D Gaussian Splatting 🆕NEW

  • 赛道归属: 世界动作模型 / 4D场景表示与预测
  • 核心创新点: 提出基于4D高斯散射（4DGS）的以物体为中心的世界动作模型（WAM），核心突破在于将动态物体与静态背景解耦建模，摒弃传统WAM在2D视觉数据上操作的范式。通过显式4DGS表示在三维空间中对场景进行结构化建模，避免了对冗余背景内容的重复处理，同时解决了点云在多视角对齐与累积上的困难。该方法将过去的观测与未来的预测通过统一的4D时空表示桥接，赋予模型对单个物体的显式空间结构感知能力，从而在保持高视觉质量的同时提升了场景理解的几何精确性与可操控性。

• GeoWAM: Visual Geometry World Action Models for Autonomous Driving

  • 赛道归属: 自动驾驶 / 世界动作模型（World Action Model）/ 几何感知视频生成与轨迹预测
  • 核心创新点: GeoWAM 的核心突破在于将世界动作模型的建模空间从像素域迁移至视觉几何域。传统WAM在像素空间学习场景动态，导致几何、运动与外观、纹理、光照相互耦合，表征效率低下。GeoWAM 提出以几何结构（如深度图、点云或几何特征）作为场景演化的主要建模对象，将未来帧预测与自车轨迹预测统一在几何表示空间中，从而实现对场景动态更直接、更紧凑的建模，降低了外观变化对运动与几何推理的干扰，提升了动作预测的精度与泛化能力。

• ForeTime-VLA: Causal Future-Token Distillation from a World Action Model for Conveyor-Belt Manipulation

  • 赛道归属: 具身智能 / 视觉-语言-动作模型（VLA）/ 机器人操控
  • 核心创新点: 提出 ForeTime-VLA 框架，核心突破在于因果未来Token蒸馏机制：以冻结的 Fast-WAM 衍生教师模型为知识源，将其未来感知的动作等价表征蒸馏进轻量级 pi0.5 策略网络，使学生策略在推理阶段无需显式生成未来帧或运行视频级教师模型，即可具备对接触事件的预判能力。该方法专门针对传送带上运动物体操控场景，解决了传统 VLA 仅依赖当前观测、缺乏前瞻性动态建模的痛点，同时规避了 WAM 在部署时的高计算开销。

• RISE: Adaptive Imagination for World Action Models

  • 赛道归属: 具身智能 / 世界动作模型（WAM）/ 自适应规划推理优化
  • 核心创新点: 提出 RISE（基于选择性展开的自适应想象）框架，核心突破在于动态想象预算分配机制：针对现有 WAM 对所有场景均分配固定想象步数的低效问题，引入一个轻量级潜空间评估器（Latent Evaluator），在每个规划步骤实时估计继续展开的预期收益（风险-收益权衡），并做出 Roll/Stop 的二元决策，从而实现按需、自适应地终止或延续想象过程。该方法将想象计算资源集中分配给真正需要长程预测的复杂场景，在保持规划质量的同时显著降低系统级推理开销。

• Diagnosing and Mitigating Perception-Decision Misalignment in Omni-LLMs via Modality Subspace Activation

  • 赛道归属: 多模态理解 / 自主智能体推理对齐
  • 核心创新点: 该工作针对全模态大语言模型（Omni-LLMs）中普遍存在但被忽视的感知-决策错位（PDM）问题展开系统性研究。核心方法论突破体现在三个层面：①提出因果模态敏感性（CMS）形式化框架，从宏观行为层面的答案保留率（ARR）与微观表示层面的Logit角度差异（LAD）双视角量化感知与决策之间的不一致程度；②通过双镜头诊断框架揭示模型在多模态输入下决策路径对感知信号不忠实的根本机制；③提出模态子空间激活（Modality Subspace Activation）方法，通过在推理过程中显式激活与特定模态对应的表示子空间，从内部表示层面缓解跨模态信息在决策阶段的失真与丢失，而非依赖外部监督信号进行后处理修正。该方法对世界动作模型和自主智能体等需要高保真多模态推理的应用场景具有直接价值。

• BrainWAM: Action-Space Coordination of Semantic Priors and Predictive Dynamics for Autonomous Driving

  • 赛道归属: 自动驾驶 / 世界动作模型 / 端到端规划
  • 核心创新点: 针对现有端到端驾驶方法要么侧重语义推理（VLA模型）、要么侧重预测动态（世界动作模型）的单一性缺陷，BrainWAM 提出了一种在动作空间层面协同融合语义先验与预测动态的统一规划框架。其核心突破在于：不在特征空间或输出空间进行简单融合，而是在动作空间中实现 VLM 语义约束与生成式世界模型预测能力的协调对齐，从而同时获得语义合理性与未来感知能力，解决了两类方法难以兼容的根本矛盾。

GitHub

• [2026-08-26] OpenMOSS/Awesome-WAM ⭐1337

• [2026-08-21] DravenALG/awesome-vla-wam ⭐981

• [2026-08-24] world-action-models/awesome-world-action-models ⭐314

• [2026-08-27] H-EmbodVis/SimWAM ⭐158

• [2026-08-23] geyan21/flex-pi ⭐157

---

由 Research Daily 自动生成 生成时间: 2026-08-27 05:31:49