AI 每日进展速报 - 2026-09-14
新旧
正在统计...
来源
当前筛选条件下没有条目。
数据状态 / Data Status
- GitHub 数据源本次没有返回条目；可能是暂无匹配结果，也可能是接口异常，请结合日志确认。
图像生成/编辑
arXiv
- How far can we go with ImageNet for Text-to-Image generation?
- 赛道归属: 文生图（Text-to-Image Generation）
- 核心创新点: 挑战"数据量越大越好"的主流范式，证明仅使用 ImageNet 配合精心设计的文本增强与图像增强策略，即可达到在十亿级网络爬取数据集上训练的模型性能。核心突破在于通过高质量的数据增强手段（文本描述生成 + 图像变换）弥补数据规模不足的缺陷，同时显著提升了训练数据的可复现性与开放性，为学术界提供了一条低成本、可复现的文生图研究路径。
- Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring 🆕NEW
- 赛道归属: 文生图 / 情感可控图像生成
- 核心创新点: 提出将连续情感空间（Valence-Arousal 效价-唤醒度坐标）与强化学习相结合的流匹配图像生成框架。核心突破在于引入"情感-语义解耦"机制：通过 RL 奖励信号同时优化情感对齐度与语义一致性，避免传统监督式情感注入方法中因强化情感条件而导致的内容漂移（emotion-semantic drift）问题，实现在不改变场景布局和对象描述的前提下对情感强度进行连续、精细的控制。
- Unified Text-Image Generation with Weakness-Targeted Post-Training 🆕NEW
- 赛道归属: 多模态统一生成 / 文生图
- 核心创新点: 针对现有统一多模态生成系统依赖显式模态切换（先生成推理文本再手动切换至图像生成）的局限，提出基于弱点靶向后训练（Weakness-Targeted Post-Training）的方法，识别并针对性强化模型在跨模态耦合上的薄弱环节，实现文本与图像的全统一自动生成，消除顺序推理中的模态割裂，提升跨模态联合建模能力。
- Semantically Aligned Gradient-Driven Context-Preserving Image Editing 🆕NEW
- 赛道归属: 图像编辑 / 指令引导编辑
- 核心创新点: 提出 IABEdit 框架，将可微分语义验证模块嵌入训练过程，填补了指令引导图像编辑中"训练时从不验证输出是否语义满足指令"的盲区。具体创新在于：利用冻结的视觉语言模型提取空间感知描述作为语义锚点，通过梯度驱动的上下文保留机制在优化过程中同时约束编辑完整性、空间溢出抑制和局部精准定位，且该框架与模型无关，可插拔应用于现有编辑模型。
- UFO: Chain-of-Evaluation for Omni-Condition Alignment in Multi-Modal Image Generation 🆕NEW
- 赛道归属: 多模态图像生成评估 / 主体驱动定制化生成
- 核心创新点: 提出 UFO 链式评估（Chain-of-Evaluation）框架，突破现有评估方法对各模态条件孤立打分的局限。核心创新在于模拟多条件同时对齐的生成目标，通过链式推理将多个模态条件（文本、参考图像等）的对齐评估串联关联，而非独立计算，从而与人类感知判断保持更高一致性，解决了现有嵌入式方法和 MLLM 方法在多模态联合对齐评估上的系统性偏差问题。
- Certifying Concept Unlearning in Text-to-Image Diffusion Models 🆕NEW
- 赛道归属: 文生图安全 / 概念遗忘认证
- 核心创新点: 针对现有文生图扩散模型概念遗忘评估仅依赖有限对抗提示集攻击成功率、无法量化整个提示空间残余泄露的缺陷，提出首个概念遗忘认证框架。核心突破在于从经验性评估升级为形式化认证：通过构建覆盖更广泛提示空间的理论保证机制，对遗忘有效性给出可证明的上界，从而更准确地量化安全风险，避免高估遗忘效果和低估潜在泄露。
- Overpainting: Localized Context-aware Diffusion Image Editing
- 赛道归属: 图像编辑
- 核心创新点: 提出"overpainting"图像编辑操作，通过三值图（trimap）机制实现对编辑区域的精细化控制——白色区域强制编辑、灰色区域可选编辑、黑色区域保持不变。核心方法突破在于将预训练图像编辑扩散模型与上下文感知机制相结合，使模型在编辑目标区域时能够感知并利用该位置的原始内容信息，从而在保持全局一致性的同时实现局部可控编辑，兼顾了精确控制与宽松控制两种用户意图。
- AcFlow: Controlling Text-to-Image Diffusion Transformers via Learned Conditional Activation Flow
- 赛道归属: 文生图（推理时可控生成）
- 核心创新点: 提出AcFlow框架，在不修改基础DiT模型参数的前提下，通过学习一个概念条件化的速度场（concept-conditioned velocity field）来传输中间层图像token的激活值，从而在推理阶段实现对风格强度调节和不良概念抑制的精细控制。核心方法突破在于将连续流（flow）思想引入激活空间的干预，以文本概念描述作为条件驱动激活流的积分方向，无需重新训练主干模型即可灵活插拔式地控制生成结果，相比传统提示词工程或微调方法具有更强的可解释性和可控精度。
- Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models
- 赛道归属: 文生图 / 模型可解释性与失效分析
- 核心创新点: 首次系统性地识别并定义了文生图扩散模型中的"对象依赖概念脆弱性"（object-dependent concept brittleness）现象——即仅改变提示词中的对象词时，模型对同一目标概念的生成会出现系统性失败。通过可解释性分析方法，揭示该现象源于模型内部的结构性盲点而非随机采样噪声，为理解扩散模型的内部表征缺陷提供了新的分析视角。
- Efficient Fairness Auditing Across Guidance Scales in Text-to-Image Diffusion Models via Causal Abstraction
- 赛道归属: 文生图 / 公平性审计与推理优化
- 核心创新点: 提出基于因果抽象（causal abstraction）的高效公平性审计框架，将扩散模型的去噪过程建模为低层级结构因果模型，并构建对应的高层级抽象因果模型，从而在无需大规模图像生成的前提下，高效评估不同分类器自由引导尺度（classifier-free guidance scale）下模型的公平性表现。核心突破在于以因果干预替代穷举采样，大幅降低公平性审计的计算开销。
视频生成/编辑
arXiv
- Harnessing Intrinsic Subject-Aware Attention for Controllable Multi-Subject Video Generation
- 赛道归属: 视频生成（多主体可控视频生成）
- 核心创新点: 通过分析扩散Transformer（DiT）的内部注意力机制，发现特定注意力块会自然形成"内在空间定位图"（ISGM），能精确定位参考主体位置。基于此发现，提出"双阶段内在注意力利用"框架（DIAL），将这一内生信号同时用于训练和推理阶段，从而在无需额外外部控制信号的情况下，同时解决多主体生成中保真度强度不可控和语义漂移两大核心问题——本质上是将模型自身的隐式空间感知能力显式化并加以利用。
- TokenDial: Continuous Attribute Control for Text-to-Video Generation in Visual Dial Space
- 赛道归属: 视频生成 / 可控视频生成
- 核心创新点: 提出"视觉拨盘空间（Visual Dial Space V+）"这一新型语义控制空间，利用视频扩散Transformer中视觉patch token的通道维度作为连续属性控制的语义空间。核心突破在于：通过向token流广播可加性方向向量，实现对外观（如年龄）和运动（如速度）属性的滑块式连续控制，无需修改模型结构或引入额外条件网络，仅在token特征空间内完成细粒度属性调节。
- ReaDiT Guidance: Control for Image and Video Generation using Diffusion Transformer Features
- 赛道归属: 图像生成 / 视频生成 / 可控生成（ControlNet类）
- 核心创新点: 提出ReaDiT Guidance框架，利用扩散Transformer（DiT）单个block的内部特征表示，在推理时实现对深度图、姿态图、边缘图等空间条件的轻量级控制，无需训练额外的控制网络。核心突破在于：直接读取DiT内部特征并将其作为引导信号，以极低的计算开销实现测试时的空间条件控制，并天然扩展至文生视频模型（因其同样基于DiT骨干），统一了图像与视频的可控生成范式。
- DSAQuant: Denoising-Stage-Aligned Quantization-Aware Training for Video Generation
- 赛道归属: 视频生成 / 推理优化（量化感知训练）
- 核心创新点: 针对视频扩散模型（VDMs）在量化感知训练（QAT）中存在的独特问题——量化模型虽能保留语义和全局布局，但在细节纹理和时序一致性上出现退化——提出了"去噪阶段对齐量化感知训练"方法（DSAQuant）。其核心突破在于：识别并利用扩散模型不同去噪阶段对量化误差敏感度不同的特性，将QAT过程与去噪阶段显式对齐，针对不同阶段分配差异化的量化策略或训练目标，从而在压缩模型的同时精准修复细粒度视觉质量和时序连贯性的损失，实现了推理阶段零额外开销的高效视频生成部署。
- Visko Orbis 1.0: A Live Model for Real-Time Interactive Long Video Generation
- 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：用户可在生成过程中随时修改提示词并即时生效，实现了生成与交互的同步解耦；引入有界多尺度记忆机制（bounded multi-scale memory），在分块生成的流式推理中跨块保持主体、场景和风格的一致性，支持小时级超长视频滚动生成而不出现明显质量退化。同时兼容文生视频、图生视频及视频续写多种模式，并支持多语言提示词。
- Vidu S2: Real-Time Interactive, Editable, and Spatial Video Generation
- 赛道归属: 视频生成 / 视频编辑（实时交互式空间视频生成与编辑）
- 核心创新点: 提出Vidu S2系统，涵盖两大核心模块：①Vidu S2-Avatar：支持实时720p数字人视频生成，引入"动态参考"机制（可在任意时刻更新驱动参考），并增强对舞蹈等复杂动作指令的跟随能力；②Vidu S2-Editing：实现实时视频编辑能力。在此基础上，进一步探索将两个模块的输出扩展至空间视频（Spatial Video）生成的可行性，将实时性、可交互性与空间感知三者融合，是对现有视频生成系统在延迟、可编辑性和输出维度上的综合性突破。
- AgenticGen: Reward-Guided Agentic Video Generation for Advertising
- 赛道归属: 视频生成（广告视频智能体生成）
- 核心创新点: 提出AgenticGen框架，将广告视频生成重新定义为"以在线业务指标为优化目标的产品条件推理问题"，而非单纯的视频合成任务。核心创新在于构建了一个奖励引导的智能体闭环系统：以真实在线业务反馈（如点击率、转化率等商业指标）作为奖励信号，驱动智能体自主规划产品如何被转化为有效广告内容，并基于历史生成结果的业务反馈持续优化未来的生成策略，实现了视频生成模型与广告效果评估之间的端到端闭环优化。
- Temporal State Transport in Video Generation: Diagnosing and Correcting Spectral Imbalance
- 赛道归属: 视频生成 / 时序一致性优化
- 核心创新点: 从频谱分析视角重新审视视频生成中的时序状态传输问题，提出"频谱失衡"诊断框架，揭示跨帧注意力中存在的频域不均衡现象（低频过度主导或高频噪声干扰）是导致时序不一致的根本原因。在此基础上设计无需训练的频谱校正机制，通过调节注意力的频谱分布来维持视觉属性（身份、场景布局、运动细节）在时间维度上的稳定传输，相比仅操作注意力熵或跨帧注意力权重的已有方法，提供了更具可解释性的诊断与修复路径。
- PhysFlow: Physics-Aware Optical Flow for Motion Controllable Video Generation
- 赛道归属: 视频生成 / 物理感知运动控制
- 核心创新点: 提出PhysFlow两阶段框架，将物理规律显式编码进光流表示以驱动视频生成。第一阶段利用物理约束（如流体动力学、刚体运动等先验）生成物理合理的光流场，第二阶段以该光流作为运动条件引导视频生成模型，从而在不依赖大规模物理仿真数据的前提下，将物理一致性从隐式学习转化为显式运动信号注入，突破了现有方法在动态场景中运动轨迹不符合物理规律的瓶颈。
- The Price of Consistency: Exploiting Visual Anchors for Multimodal Jailbreaking in Video Generation
- 赛道归属: 视频生成 / 安全与对抗攻击
- 核心创新点: 首次系统性揭示多条件可控视频生成中参考图像作为"视觉锚点"所带来的安全漏洞——即"视觉锚定效应"。该机制为保证时空一致性而强制模型跟随参考图像内容，反而使安全过滤器失效，形成多模态越狱攻击面。研究构建了针对该机制的攻击范式，证明攻击者可通过精心设计的参考图像绕过文本侧的安全审查，生成有害视频内容，为视频生成安全对齐研究提供了新的威胁模型视角。
HuggingFace Models
音频生成
arXiv
- CTC-TTS: LLM-based dual-streaming text-to-speech with CTC alignment
- 赛道归属: 文本转语音（TTS）/ 低延迟流式语音合成
- 核心创新点: 提出基于LLM的双流TTS系统，核心创新在于用CTC（Connectionist Temporal Classification）对齐替代传统GMM-HMM强制对齐工具（如MFA），实现端到端的神经网络文本-语音对齐。同时设计了新型训练序列交织策略，在保证合成质量的前提下动态平衡延迟，使系统天然支持低延迟双流推理，无需依赖复杂的外部对齐流水线。
- FNH-TTS: Mixture-of-Experts Duration Modeling for Robust Neural Speech Synthesis
- 赛道归属: 文本转语音（TTS）/ 语音合成
- 核心创新点: 提出 FNH-TTS 系统，在基于 VITS 的端到端语音合成框架中引入混合专家（Mixture-of-Experts, MoE）时长建模机制。核心突破在于通过多个专家子网络动态捕捉不同语言上下文和说话人风格下的时长分布差异，解决了传统单一时长预测器难以建模韵律节奏多样性的问题，从而在保持端到端训练优势的同时，显著提升了合成语音的韵律自然度与鲁棒性。
- KABURI-TTS: Phoneme-Keyed Activity-conditioned Bi-channel Utterance Rendering for Interaction
- 赛道归属: 文本转语音（TTS）/ 对话式语音合成
- 核心创新点: 针对全双工口语对话场景，提出KABURI-TTS双通道语音合成框架。核心创新在于以音素（Phoneme）为键控单元、以交互活动状态（Activity）为条件，对双通道（每通道一位说话人）的对话语音进行联合建模，能够显式处理回应词（backchannels）、打断（interruptions）和重叠（overlaps）等真实对话中的同时发话现象，突破了现有TTS系统对双方同时说话场景鲁棒性不足的瓶颈。
- GEPARD - Generative, Prosody-aware, Autoregressive text-to-speech model for Realtime Dialogue
- 赛道归属: 文本转语音（TTS）/ 实时流式语音生成
- 核心创新点: GEPARD 的核心创新在于将 TTS 系统与标准 LLM 推理引擎（vLLM）深度融合：采用单一 decoder-only 模型联合训练文本与音频 embedding，实现真正的自回归语音生成；结合基于 FSQ（Finite Scalar Quantization）的神经编解码器，支持文本流入时逐块流式解码音频，从而在保证韵律感知（prosody-aware）的前提下，实现超低延迟的实时对话语音合成。其突破点在于无需专用推理基础设施，直接复用 LLM serving 生态（vLLM）即可部署生产级实时 TTS。
- AlignDPO: Preference-Gated Alignment for Reducing Hallucination in Decoder-Only TTS 🆕NEW
- 赛道归属: 文本转语音（TTS）/ 语音生成对齐优化
- 核心创新点: 针对仅解码器（Decoder-Only）TTS模型在自回归生成过程中因文本-语音对齐薄弱而产生内容幻觉的问题，提出AlignDPO方法。核心发现在于：控制对齐注意力头（alignment-bearing attention heads）锐度与模型鲁棒性之间存在非单调关系——适度锐化最优，过度锐化反而不优于未对齐基线。基于此洞察，AlignDPO设计了一种偏好门控（Preference-Gated）的后训练对齐机制，通过DPO（直接偏好优化）框架将对齐质量作为偏好信号引入训练，使模型注意力头的锐度收敛至最优区间，从而在不破坏生成流畅性的前提下有效抑制内容幻觉，相较于直接强化对齐或无约束训练具有更精细的调控能力。
- Complex-Text Robustness Evaluation and Failure Diagnosis for Low-Resource Multilingual Text-to-Speech
- 赛道归属: 文本转语音（TTS）/ 多语言鲁棒性评估
- 核心创新点: 针对低资源多语言TTS系统在复杂文本输入下的鲁棒性问题，提出了一套系统性的评估与故障诊断框架。核心创新在于将复杂文本场景（数字、日期、命名实体、长句、代码混合表达、标点相关输入等）作为专项测试维度，突破了现有评估体系仅关注自然度、说话人相似度和内容一致性的局限，为多语言TTS系统的失效模式提供了细粒度的诊断能力，填补了低资源场景下复杂文本鲁棒性评估的方法论空白。
- Post-Training Zero-Shot TTS for Fine-Grained Emotion and Duration Control via Natural Language
- 赛道归属: 文本转语音（TTS）/ 细粒度情感与韵律控制
- 核心创新点: 提出了一种基于后训练（Post-Training）的零样本TTS统一框架，核心突破在于将大语言模型中后训练范式迁移至TTS领域，使预训练TTS模型无需重新训练即可获得自然语言驱动的细粒度情感与时长控制能力。相较于现有系统仅支持话语级（utterance-level）风格条件控制的局限，该方法实现了单句话内情感动态变化与节奏自适应调整，在保留预训练模型零样本泛化能力的同时，显著提升了语音表达的精细可控性。
- X2-NativeCursor: Native-Token Text Progress Tracking for Incremental-Text Streaming Codec TTS
- 赛道归属: 文本转语音（TTS）/ 流式语音合成
- 核心创新点: 提出 X2-NativeCursor，一种轻量级的文本进度追踪观察器，其核心突破在于直接从原生语音 Token（Native Speech Token）层面进行文本对齐追踪，无需等待波形解码完成。相比传统基于波形的对齐方法（需要完整音频或额外声学处理），该方法在流式 Codec TTS 的 Token 生成阶段即可实时推断当前语音对应的文本位置，从而在不引入额外声学处理开销的前提下，实现增量文本流式合成场景下的同步高亮、中断处理和对话历史更新等功能。
- AV-SafetyBench: A Safety Benchmark for Text-to-Audio-Video Generation
- 赛道归属: 多模态安全评测 / 文本生成音视频（T2AV）安全基准
- 核心创新点: 构建了首个专门面向文本生成音视频（T2AV）联合生成模型的安全评测基准AV-SafetyBench。核心创新在于突破现有基准仅孤立评估视频或音频安全性的局限，引入跨模态联合安全评估范式——既能检测仅通过音频轨道传递的不安全内容，也能识别视觉与音频联合解读时才显现的跨模态风险，为多模态生成模型的安全对齐研究提供了新的评测维度。
- PRISM-Bench: An Audio-Centric Diagnostic Benchmark for Text-to-Audio-Video Generation
- 赛道归属: 音视频生成评测 / 多模态生成基准
- 核心创新点: PRISM-Bench 是首个以音频为中心的文本到音视频（T2AV）生成诊断基准，核心创新在于重新定义评测维度：现有基准将音频视为视频质量的附属项或孤立评估，PRISM-Bench 通过构建 900 条人工验证的精标数据集，系统性地从音频生成质量与音画对齐两个维度进行联合诊断评估，填补了当前 T2AV 评测体系中音频模态被严重低估的空白，为精准定位现有系统在音频生成上的能力边界提供了标准化工具。
HuggingFace Models
- m-a-p/YuE2-3B 🆕NEW
- tencent/AuK 🆕NEW
语言大模型
arXiv
- Typological Feature Prediction with Large Language Models: An In-Context Learning Approach
- 赛道归属: 多语言NLP / 语言类型学特征预测
- 核心创新点: 将大语言模型的上下文学习（In-Context Learning）能力引入语言类型学特征预测任务，突破了传统方法缺乏可解释性的局限。通过构建少样本提示范式，利用LLM的元语言推理能力不仅预测缺失的类型学特征值，还能生成可解释的预测依据，并系统性地评估了不同资源水平和特征类型下的预测性能差异。
- A*-Thought-V2: Efficient Latent Reasoning via Geometric Dynamics of LLM
- 赛道归属: 推理优化 / 链式思维压缩
- 核心创新点: 提出将CoT推理过程建模为隐状态轨迹的几何动力学框架，核心突破在于以"显式-隐式交错潜在架构"替代传统的硬剪枝删除策略。通过将问题投影到潜在空间并利用LLM的几何动力学特性进行连续压缩，在保留中间推理信息的同时大幅降低计算和上下文开销，解决了现有方法要么丢失中间信息、要么缺乏连续压缩原则性准则的双重缺陷。
- Data Efficient Sample Selection for In-Context Learning
- 赛道归属: 上下文学习（In-Context Learning）/ 样本选择优化
- 核心创新点: 针对ICL示例选择问题，突破了现有方法静态任务级离线选择的局限，提出对ICL样本与下游LLM性能之间复杂关系进行显式建模的数据高效选择框架。核心创新在于从静态离线选择转向动态自适应选择机制，能够对未见场景保持泛化能力，同时在大规模候选样本池中高效定位最优示例组合，显著提升ICL的数据利用效率。
- Not All LLM Reasoning is Visible in the Chain-of-Thought
- 赛道归属: 推理可解释性 / AI安全
- 核心创新点: 揭示了前沿语言模型存在"隐性推理"的具体失效模式——模型可以利用语义无关的填充词（filler tokens）在链式思维（CoT）输出之外隐式完成推理，从而提升任务表现。通过对13个前沿模型、三类合成推理任务的系统评测，证明填充词可带来最高13个百分点的精度提升，表明模型的实际推理过程并不完全体现在可见的输出token中，对CoT可解释性和AI安全监督机制提出了根本性挑战。
- Robust Dual-Signal Fusion: Hybrid Neuro-Symbolic Gating with Compressed Chain-of-Thought Refinement for Irony Detection in Social Media Texts
- 赛道归属: 情感/语用理解 / 反讽检测 / 神经符号融合
- 核心创新点: 提出RDS（Robust Dual-Signal）融合框架，核心创新在于构建混合神经符号门控机制，将小规模LLM生成的压缩CoT推理链与静态预训练符号特征进行双信号融合。突破点在于：即便使用倾向于字面语义解释的小型LLM，通过压缩CoT提炼其隐式推理能力，并借助符号门控动态调节两路信号的贡献权重，从而在噪声社交媒体文本的少样本反讽检测任务中实现有效推断。
- Verify to Amplify: Improving Reasoning via Learned Chain-of-Thought Verification
- 赛道归属: 推理优化 / 链式思维验证
- 核心创新点: 提出了一种基于学习型验证器的链式思维（Chain-of-Thought）验证框架，核心突破在于系统性地研究"何时以及如何"将学习型验证器与生成模型协同使用。该工作不仅将验证器用于后验筛选，还将其反馈信号融入生成过程以主动放大推理质量，从而在可靠性与推理准确性之间建立更紧密的闭环机制。
- Localizing and Correcting Errors for LLM-based Planners
- 赛道归属: LLM规划推理 / 错误定位与纠正
- 核心创新点: 针对LLM在符号经典规划任务中频繁违反领域约束的问题，提出局部化上下文学习（L-ICL）迭代增强指令的方法。核心突破在于将传统全局ICL演示细化为针对具体失败步骤的局部化定向纠正示例，通过迭代方式将错误定位信息注入指令上下文，使模型能够精准识别并修正特定违约步骤，而非依赖泛化的全局示例，显著提升了LLM规划器在约束遵循方面的可靠性。
- EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics 🆕NEW
- 赛道归属: LLM评估与公平性 / 教育AI
- 核心创新点: 提出EduFair-Bench基准，专门用于审计LLM家教系统的"教学公平性"——即辅导质量是否因学生人口统计特征（如性别、种族、社会经济背景等）而系统性地产生差异。核心方法论突破在于：构建了跨数学、物理、化学多领域题库，并设计了受控仿真框架，通过固定LLM学生角色与不同人口统计背景配对，对九类人口特征组合进行系统性交叉测试，从而将教学公平性问题转化为可量化的基准评测任务，填补了现有LLM评估体系中对教育场景公平性审计的空白。
- K-Bench: A Benchmark for LLM Unlearning in Agentic Deployments 🆕NEW
- 赛道归属: LLM安全与遗忘机制 / Agent系统评估
- 核心创新点: 提出K-Bench基准，揭示并解决了现有LLM遗忘（Unlearning）评估体系的根本性缺陷——传统基准（如TOFU、MUSE）仅检查模型最终输出是否拒绝回答，但该"模型级证书"在Agent部署场景下失效。K-Bench的核心创新在于将遗忘验证扩展至ReAct Agent暴露的全部六条信息通道（包括思维链CoT、工具调用、工具观测结果等），系统性地检测模型是否在中间推理步骤或工具交互过程中泄露了"已遗忘"的知识，从而为Agent化部署下的LLM遗忘提供更严格、更全面的评估框架。
- TripPattern: A Pattern-based Text Watermarking Method for Large Language Models 🆕NEW
- 赛道归属: LLM水印与内容溯源
- 核心创新点: 提出TripPattern水印框架，将文本水印问题重新建模为基于模式匹配的任务，核心突破在于打破了传统"绿/红词表二分法"的局限——现有方法通过引导模型偏向绿色词元来嵌入水印，会损害文本质量和自然度。TripPattern创新性地将词表划分为三个分区，通过三元模式匹配机制嵌入水印信号，在保持生成文本质量与自然度的同时实现可靠的水印检测，从方法论上解耦了水印嵌入强度与文本生成质量之间的固有矛盾。
HuggingFace Models
HuggingFace Datasets
- [2026-09-06] openbmb/UltraData-SFT-Agent-2609
- [2026-09-07] openbmb/UltraData-Code
多模态大模型
arXiv
- 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: 提出了一种递归式"上下文构造器"自动搜索框架，将视频上下文构建程序（采样、检索、记忆等策略）本身作为独立的优化目标，通过递归自我改进（RSI）机制在冻结VLM参数的前提下自动生成并优化可执行的上下文构造程序。核心突破在于将原本依赖人工设计的上下文构建策略转化为可程序化搜索和迭代优化的对象，从而解耦了模型能力与上下文构建策略的研究，为长视频理解提供了一个可控的优化框架。
- AVA-VLM: Adaptive Visual Attention-Vision Language Model for In-the-Wild Construction Site Monitoring
- 赛道归属: 多模态理解 / 垂直领域视觉问答（建筑工地监控）
- 核心创新点: 提出AVA-VLM，采用受人类视觉启发的"粗到细"自适应注意力策略：先在低分辨率全局图像上推理定位关键区域，再对高置信度区域进行高分辨率局部裁剪精细分析。核心突破在于将动态视觉注意力机制与VLM推理流程深度融合，在不依赖单一全局图像直接微调的前提下，同时提升低分辨率输入下的鲁棒性与推理效率，解决了现有建筑工地VLM方案在实际部署中分辨率敏感、推理开销大的痛点。
- Transfer Safety Awareness for Cross-Modal Safety Drift in Multimodal Large Language Models
- 赛道归属: 多模态安全 / 多模态大模型安全对齐
- 核心创新点: 提出"跨模态安全漂移"概念，系统性研究视觉模态如何使原本良性的文本查询携带有害意图而绕过安全机制。核心方法是设计"安全意识迁移"机制，将文本模态中已有的安全感知能力迁移至视觉-语言联合理解场景，从而弥补多模态模型在跨模态语境下安全响应率显著低于纯文本场景的缺陷。
- MAD: Modality-Adaptive Decoding for Mitigating Cross-Modal Hallucinations in Multimodal Large Language Models 🆕NEW
- 赛道归属: 多模态理解 / 幻觉抑制 / 推理优化
- 核心创新点: 提出无需训练的模态自适应解码方法（MAD），通过动态加权模态特定解码分支来缓解多模态大语言模型中的跨模态幻觉问题。核心突破在于利用模型自身的模态相关性自评估能力，在推理阶段自适应地调控不同模态对生成过程的影响权重，从而在无需额外训练或微调的前提下，从根本上改善模态交互控制机制，抑制因某一模态不当主导而产生的虚假输出。
- OmniHallu: Unified Hallucination Detection for Cross-Modal Comprehension and Generation in Multimodal Large Language Models
- 赛道归属: 多模态理解 / 幻觉检测
- 核心创新点: 提出了首个统一的多模态幻觉检测框架OmniHallu，突破了现有方法仅针对单一模态或单一任务类型的局限性。核心创新在于将图像、视频、音频三种模态的理解任务与生成任务中的幻觉检测统一建模，构建了跨模态、跨任务类型的通用检测范式，实现了对多模态大语言模型输出与输入语义一致性的全面校验，显著提升了幻觉检测的泛化能力。
- Understanding Cross-Modal Contributions in Continual Vision-Language Models: A Theoretical Perspective
- 赛道归属: 多模态理解 / 持续学习（Continual Learning）理论分析
- 核心创新点: 从理论视角系统分析持续视觉-语言模型中跨模态贡献的动态变化机制，揭示了顺序微调范式下视觉模态与语言模态对灾难性遗忘的差异化影响。核心突破在于建立了跨模态贡献量化的理论框架，明确指出现有方法在稳定性-可塑性权衡中忽视了模态间交互的不对称性，为设计更具理论依据的持续学习策略提供了新的分析基础。
- Online Video Agent Harness for Long Video Understanding 🆕NEW
- 赛道归属: 多模态理解 / 长视频理解 / 视频智能体
- 核心创新点: 提出VideoXAgent，一种面向长视频理解的纯在线视频智能体框架。核心突破在于摒弃了传统视频智能体依赖查询无关的离线预处理范式，转而采用查询驱动的在线动态帧检索与分析策略，有效解决了长视频中相关证据稀疏分布导致的"视觉大海捞针"问题，同时规避了将密集帧全量塞入单一VLM上下文所引发的"上下文腐化"（context rot）和高计算开销问题，实现了按需、高效的长时序视频内容理解。
- Vision-language models know more about agriculture than they show and rubric-grounded verifications close the gap
- 赛道归属: 多模态理解 / 农业视觉分类
- 核心创新点: 构建了涵盖116个数据集、834个类别、8324张图像的农业领域专项基准，系统性地揭示了VLM在农业分类任务中"知识存在但无法激活"的核心问题。通过线性探针实验证明视觉编码器已具备充分的农业特征表征能力，性能瓶颈在于语言解码阶段的知识对齐失效，而非视觉特征不足。进一步提出基于评分标准引导的验证机制（rubric-grounded verification），通过结构化的领域知识评分准则显式桥接视觉特征与农业专业知识，有效弥合零样本性能与实际能力之间的差距，为垂直领域VLM应用提供了新的诊断与优化范式。
- Parser-Free VLM Verification for Federated Weakly Supervised Video Anomaly Detection
- 赛道归属: 多模态理解 / 视频异常检测（联邦弱监督）
- 核心创新点: 提出一种无需解析器的轻量级联邦MIL-VLM级联框架，核心设计是将训练与推理职责解耦：仅在各客户端本地训练紧凑的多实例学习（MIL）评分器，而将冻结的VLM仅用于对高分可疑片段进行服务端验证，完全规避了VLM在分布式端侧的密集推理、生成式解释及额外适配需求。该方案在保护数据隐私、适应弱标注和资源受限场景的同时，实现了VLM能力的高效复用。
- Thinking with Cameras: Active Visual Reasoning via Dynamic Viewpoint Control for Surveillance Video Understanding
- 赛道归属: 多模态理解 / 监控视频理解（主动视觉推理）
- 核心创新点: 提出CamVLM框架，突破传统LVLM被动固定视角观测的局限，赋予模型"主动控制摄像机视角"的能力。核心创新在于将动态视点控制（如虚拟PTZ操作：平移、倾斜、缩放）建模为推理过程中的可执行动作，使模型能够根据场景理解需求自主决策何时、向何处调整视角以获取关键视觉证据，从根本上解决了监控场景中目标远小、遮挡或越界导致的视觉信息缺失问题。
强化学习
arXiv
- RL-VLA$^3$: A Flexible and Asynchronous Reinforcement Learning Framework for VLA Training
- 赛道归属: 具身智能 / VLA模型强化学习训练框架
- 核心创新点: 针对VLA模型训练中同步RL框架与实际需求不匹配的问题，提出了一种灵活异步的RL训练框架RL-VLA³。核心突破在于打破传统LLM训练中"数据采集-策略优化"严格交替的同步范式，将完整rollout拆解为可独立处理的单元，支持数据采集与策略优化的异步并行执行，从而更好地适配VLA训练中动作执行延迟长、环境交互频率低等独特特性，显著提升训练效率与灵活性。
- CanvasAnneal: Curriculum Reinforcement Learning for Diffusion Language Models 🆕NEW
- 赛道归属: 扩散语言模型 / 强化学习训练优化
- 核心创新点: 提出 CanvasAnneal 课程引导扩散RL框架，核心突破在于解决扩散语言模型（DLM）在RL训练中的探索瓶颈问题。通过从更强教师模型注入推理先验来引导早期探索，并设计课程退火机制逐步从教师引导过渡到自主探索，使DLM在复杂推理和工具使用任务上的RL训练效率和效果显著提升，弥补了DLM相对自回归模型的能力差距。
- Expert-Space Exploration in MoE Reinforcement Learning 🆕NEW
- 赛道归属: 大语言模型后训练 / MoE模型强化学习优化
- 核心创新点: 在混合专家（MoE）模型的RL训练中，首次将专家路由选择作为额外的探索多样性来源加以利用。通过对专家选择施加扰动来增加rollout多样性，突破了以往MoE-RL研究仅关注优化稳定性和训练效率、将路由视为固定组件的局限，从稀疏计算路径的角度为输出分布引入新的多样性维度。
- Offline Reinforcement Learning for Wind Farm Control: A Wind Tunnel Study under Dynamic Wind Directions 🆕NEW
- 赛道归属: 工业控制 / 离线强化学习应用
- 核心创新点: 提出改进的离线RL算法 MTD3-BC（Modified Twin Delayed Deep Deterministic Policy Gradient with Behavior Cloning），专门针对动态风向变化下的风电场偏航控制问题。核心创新在于将行为克隆约束融入TD3框架，仅依赖预收集的离线数据集即可推断优质控制策略，同时引入平滑性约束保证偏航动作的渐进性，避免机械损耗，无需在线与真实风场交互即可实现功率最大化。
- Distortion of AI Alignment Revisited: RLHF is a Decent Utilitarian Aligner 🆕NEW
- 赛道归属: AI对齐 / RLHF理论分析
- 核心创新点: 从理论层面重新审视RLHF在多元偏好场景下的对齐失真问题，针对Gölz等人提出的"失真随Bradley-Terry温度参数β指数级增长"的悲观结论进行修正。通过更精细的理论分析证明RLHF实际上是一个合理的功利主义对齐器，其平均用户效用与最优平均效用之间的差距在实践相关条件下并不像此前认为的那样严重，为RLHF的理论合理性提供了新的支撑。
- Reinforcement Learning over Patient Trajectories for Clinical Reasoning in EHR Foundation Models 🆕NEW
- 赛道归属: 医疗AI / EHR基础模型强化学习微调
- 核心创新点: 提出将EHR基础模型作为患者轨迹上的生成策略进行RL微调的框架，核心突破在于将常见临床预测任务重新形式化为可用RL优化的决策问题，突破了仅依赖下一token预测在有限且不完整EHR数据上训练的局限，赋予EHR基础模型更强的临床推理能力，实现对纵向患者轨迹的深层语义理解与推断。
- Inverting Self-Triggered Control: Adversarial Reinforcement Learning for Sparse Denial-of-Service Attacks 🆕NEW
- 赛道归属: 网络安全 / 对抗强化学习 / 控制系统攻防
- 核心创新点: 提出对自触发RL控制（RL-STC）的"逆向"攻击框架，训练对抗性RL智能体学习最稀疏的拒绝服务（DoS）干扰调度策略以破坏闭环系统稳定性。核心创新在于将防御方的Lyapunov递减稳定性证书"镜像"为攻击方的Lyapunov递增可行性谓词，并从理论上证明了使系统立即失稳所需的最小干扰次数下界，为评估自触发控制系统的安全脆弱性提供了严格的理论工具。
- Near-Optimal Reinforcement Learning with Multi-Step Transition Lookahead
- 赛道归属: 强化学习理论 / 规划与搜索优化
- 核心创新点: 研究带有多步转移前瞻（multi-step transition lookahead）的强化学习问题，突破性地证明了即使在折扣因子远离1的情况下，多步前瞻的最优规划问题仍然是NP-hard的，从而彻底解答了此前悬而未决的计算复杂性问题。在此基础上，提出了近似最优的算法方案，在理论上给出了接近最优的性能保证，填补了前瞻式RL在计算复杂性与算法设计之间的理论空白。
- Distributed Optimization of Modular Production Systems using Model-based Reinforcement Learning with Inverse Models
- 赛道归属: 工业控制 / 模型基强化学习（Model-based RL）
- 核心创新点: 针对高度灵活的模块化制造系统，提出了一种将近似逆过程模型（approximate inverse process model）嵌入模型基强化学习训练框架的新方法。核心突破在于将驱动动力学（actuation dynamics）与状态空间动力学的学习解耦，使得RL训练过程完全在任务空间（task space）中进行，显著降低了学习复杂度。同时采用轻量级前馈网络架构，兼顾了分布式部署的实用性与数据效率，为模块化产线的自学习控制提供了可落地的解决方案。
- Certifying Lower Bounds for Risk-Sensitive Reinforcement Learning under Adversarial State Perturbations
- 赛道归属: 强化学习鲁棒性 / 风险敏感强化学习（Risk-Sensitive RL）
- 核心创新点: 将现有RL认证方法从风险中性目标扩展至风险敏感目标，首次建立了在对抗性状态扰动下针对风险敏感指标（如CVaR等）的累积奖励下界认证框架。核心创新在于推导出适用于风险敏感度量的鲁棒性下界证明机制，使得安全关键场景中的RL智能体不仅能抵御观测扰动，还能在更严格的风险度量标准下提供可验证的安全保障，弥补了现有认证方法在风险感知维度上的缺失。
HuggingFace Models
HuggingFace Datasets
- [2026-09-07] openbmb/UltraData-RL-2609
- [2023-05-26] Anthropic/hh-rlhf 🆕NEW
世界动作模型
arXiv
- Learning to Use Imagination: Progress-Conditioned Future Utilization for World Action Models
- 赛道归属: 世界动作模型（World Action Model）/ 具身智能与机器人控制
- 核心创新点: 针对现有WAM在利用想象未来时缺乏对执行进度自适应的问题，提出了"进度条件化未来利用"机制。核心突破在于识别并建模两类未来效用非均匀性：（1）跨进度层面——不同执行阶段对想象未来的依赖程度不同；（2）跨视角层面——同一时刻不同视角的预测可靠性存在差异。通过动态调节想象未来对动作生成的贡献权重，使模型能够在执行过程中"学会何时以及如何使用想象力"，而非固定地依赖预测信息，从而减少不可靠预测带来的干扰。
- WALL-WM: Carving World Action Modeling at the Event Joints
- 赛道归属: 世界动作模型（World Action Model）/ 具身智能与机器人控制
- 核心创新点: 提出以语义连贯的动作事件（Action Event）作为学习原子单元，取代传统WAM中固定长度动作块（chunk）的优化范式。核心突破在于将视频-动作学习的粒度从"块中心"转向"事件接缝"（Event Joints）——在语义边界处切分视频，使预训练对齐的时序单元与真实动作语义结构一致，解决了固定chunk划分导致的语义粒度错配问题。这一设计使模型在VLA预训练阶段即能捕获结构化的事件级时序依赖，而非在任意帧边界上强行对齐动作与视觉动态。
- GameWAM: A World Action Model for Video Games
- 赛道归属: 世界动作模型 / 游戏智能体 / 视频游戏动态建模
- 核心创新点: 首次将世界动作模型（WAM）框架系统性地拓展至视频游戏领域，提出GameWAM。其核心创新在于统一了两类此前相互割裂的研究范式——"视觉-动作直接映射的游戏智能体"与"基于动作输入预测视觉未来的交互式游戏世界模型"——在单一模型中同时实现任务策略执行与世界动态建模。针对视频游戏特有的挑战（第一人称感知、快速视觉变化、持久世界状态、异构原生控制接口），设计了适配该场景的WAM架构，填补了WAM在开放式、高动态交互环境下应用的空白。
- Valerant: An Automatic Navigable Game Map Generator via Action-Conditioned World Model Exploration
- 赛道归属: 世界动作模型（World Action Model）/ 游戏地图生成 / 具身智能
- 核心创新点: 提出 Valerant 框架，将动作条件化世界模型（Action-Conditioned World Model）与自动导航地图生成相结合，核心突破在于：通过 WAM 驱动的自主探索机制，在无需外部奖励函数或独立策略网络的前提下，直接利用世界模型对未来状态的预测来引导智能体行为，从而自动生成可导航的游戏地图。相较于现有方法仅在 2D 视觉观测空间中运作并依赖外部策略与奖励信号的局限，该工作将 WAM 范式扩展至游戏场景的三维空间地图构建任务，实现了预测性世界建模与动作生成的深度耦合，填补了通用型 WAM 在游戏领域应用的空白。
- SG-WAM: Self-Guided World Modeling in Geometry-Aware Policy Space
- 赛道归属: 世界动作模型（World Action Model）/ 具身智能与机器人控制
- 核心创新点: 提出在几何感知的策略空间中进行自引导世界建模，解决现有WAM在未来状态建模空间上"动作相关性"与"几何感知性"难以兼得的矛盾。核心突破体现在两点：（1）构建一个联合结构化的潜在空间，同时满足与动作生成对齐和对场景几何变化敏感的双重需求，避免了观测空间目标感知负担过重或辅助潜空间缺乏几何结构的缺陷；（2）采用自引导（Self-Guided）机制，无需额外监督信号即可在该几何感知空间内驱动世界模型的学习，使预测的未来动态更直接地服务于"在哪里"和"如何"改变场景的动作决策。
由 Research Daily 自动生成 生成时间: 2026-09-14 05:31:19