AI 每日进展速报 - 2026-09-22
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
- Beyond Emotion Prompts: Fine-Grained Text-to-Image Generation Driven by Valence-Arousal-Dominance 🆕NEW
- 赛道归属: 文生图 / 情感可控图像生成
- 核心创新点: 提出EMOTRANS框架，将心理学中经过验证的VAD（效价-唤醒度-支配度）三维情感坐标系转化为独立于内容描述的生成条件。核心突破在于将情感控制从模糊的自然语言提示中解耦出来，赋予情感维度可量化、可排序的连续控制尺度，使创作者无需修改内容描述即可精细调控图像所传递的情感强度与类型，解决了自然语言情感提示语义不稳定、缺乏细粒度控制的根本缺陷。
- Efficient Text-to-Image Generation: An Adaptive Step Schedule Controller for Diffusion Models
- 赛道归属: 文生图 / 推理优化
- 核心创新点: 针对文生图扩散模型中固定去噪步数无法适应不同文本复杂度的问题，提出了一种无需额外训练的自适应步数调度控制器。核心方法是通过混合多种步长调度策略，并在每个时间步评估误差项差异（error term discrepancy），动态决定最优去噪步数，从而在保证图像质量的前提下显著提升生成效率。
- Multi-Axis Max@K Reinforcement Learning for Representative Diversity in Text-to-Image Generation
- 赛道归属: 文生图 / 多样性与公平性优化
- 核心创新点: 提出"多轴 Max@K"强化学习目标，将文生图的多样性问题形式化为"目标模式覆盖"任务。核心突破在于设计了一种基于分组的RL训练范式：在同一提示词下采样K张图像，以组为单位计算奖励，鼓励模型在单次生成批次中覆盖尽可能多的预定义语义模式（如不同人口统计属性）。相比逐样本优化，该方法从根本上改变了奖励信号的计算粒度，使扩散模型能够主动探索并覆盖多样化的视觉模式，同时缓解人物类提示词中的人口统计偏差问题。
- CompArt: Operationalizing Aesthetic Alignment in Text-to-Image Generation via Principles of Art
- 赛道归属: 文生图 / 美学对齐与可控生成
- 核心创新点: 提出"美学对齐"（Aesthetic Alignment）概念，将传统模糊的审美偏好（如"高质量"、"精美"）分解为基于艺术原则的显式、可操作的构图规则（如对称性、色彩对比、视觉重心等）。核心突破在于将艺术学领域的构图原理形式化为可量化的约束条件，并将其注入T2I扩散模型的生成过程，使用户能够精确控制图像的构图意图，而非依赖模糊的质量描述词，从根本上区别于以往以单一偏好分数驱动的美学优化范式。
- Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring
- 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
- 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。
- IMPLICIT-Bench: Measuring Implicit Bias in Text-to-Image Models under Neutral Prompts 🆕NEW
- 赛道归属: 文生图 / 模型偏见评测
- 核心创新点: 提出IMPLICIT-Bench基准，专门针对"中性提示下的隐式偏见"这一此前被忽视的评测盲区。与现有基准依赖显式槽位模板（如"[职业]的照片"）不同，该工作聚焦于当人口统计属性未被明确指定时模型仍会输出刻板印象的隐式偏见现象，构建了基于自然提示的系统性评测体系，从方法论上填补了T2I模型偏见评估从"显式属性探测"向"隐式语境偏见测量"的跨越。
- PixelART: Image-to-Layer Decomposition without Latents or Text-to-Image Pretraining 🆕NEW
- 赛道归属: 图像编辑 / 图层分解
- 核心创新点: 提出PixelART，彻底摒弃了现有图层分解方法对大型预训练文生图模型、RGBA自编码器及可变层数架构模块的依赖，转而在像素空间中从零训练一个基于整流流（Rectified Flow）的Transformer模型。核心突破在于证明图像到可编辑RGBA图层的分解任务本身并不需要依托潜空间扩散模型或文生图预训练的重量级组件，以更轻量、更纯粹的架构实现了同等乃至更优的元素级图层分解能力，重新审视并简化了该任务的设计范式。
- Paint-Anything: Unified Any-Color Control for Image Generation and Editing
- 赛道归属: 图像生成 / 图像编辑 / 颜色可控生成
- 核心创新点: 提出 Paint-Anything 框架，实现对任意24位十六进制颜色值的精确可控生成与编辑。核心创新在于利用大语言模型天然具备的十六进制颜色语义理解能力，设计了一个统一的共享表示空间，将颜色控制信号直接以 hex 值形式注入生成/编辑流程，无需依赖专用颜色表示（如调色板、色块参考图）或特殊推理流程。该方法将颜色控制的精度从粗粒度语义描述提升至精确的24位色彩空间，同时统一了生成与编辑两个任务的控制接口。
- Refinement Is Inherently Editable: Training-Free Prompt-to-Prompt Image Editing with Generative Refinement Network
- 赛道归属: 图像编辑 / 训练无关方法
- 核心创新点: 提出 RefineEdit，一种基于生成式精化网络（Generative Refinement Network）的无训练 Prompt-to-Prompt 图像编辑框架。核心突破在于将"精化"过程与"可编辑性"解耦并统一：发现精化网络的迭代修正机制天然具备局部可编辑性，通过将提示词替换与精化步骤耦合，在不引入额外训练的前提下实现精准的文本引导编辑。该方法同时解决了扩散模型空间控制不精确导致的编辑不完整问题，以及自回归模型固定解码顺序导致的早期决策难以修正问题，适用于两类主流生成架构。
HuggingFace Models
视频生成/编辑
arXiv
- CompAdapt: Adaptable Composite Motion Modeling for Physics-Consistent Text-to-Video Generation
- 赛道归属: 视频生成（物理一致性文生视频）
- 核心创新点: 提出CompAdapt框架，针对现有文生视频模型无法正确建模物理动力学的问题，设计了一种可自适应的复合运动建模机制。核心突破在于：能够同时处理多种类型的复合运动（而非单一运动类型），无需人工指定物理参数，并具备对未见物理规律的泛化能力。通过将显式物理动力学先验与扩散模型生成过程有机结合，实现了更具物理一致性的视频生成。
- 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。
- Slot-ID: Identity-Preserving Video Generation from Reference Videos via Slot-Based Temporal Identity Encoding 🆕NEW
- 赛道归属: 视频生成（身份保持/人物一致性）
- 核心创新点: 提出基于"槽（Slot）"的时序身份编码机制，突破了现有方法仅依赖单张参考图像的局限。核心创新在于从参考视频片段中提取多帧、多视角的身份特征，通过槽注意力机制将动态变化的身份线索（表情、姿态、光照）聚合为结构化的时序身份表示，从而有效解决了单帧参考导致的人脸变形、姿态锁定和身份漂移问题，实现了在大幅视角/表情变化下的鲁棒身份保持视频生成。
- VideoGen-Agent: Reinforcing Video Generation Agents 🆕NEW
- 赛道归属: 视频生成（智能体/工具增强）
- 核心创新点: 提出多模态视频生成智能体框架，核心创新在于将多任务智能体强化学习（Agentic RL）引入视频生成流程。智能体通过学习协调"增强—生成—验证"三类外部工具，能够自主规划工具调用策略，以弥补单一生成模型在专业知识、特定身份、物理一致性及事件顺序等方面的能力短板，实现了从被动生成到主动决策的范式转变。
- Recency Forcing: Bridging the Long-Horizon Gap in Autoregressive Video Generation
- 赛道归属: 视频生成 / 自回归长视频生成
- 核心创新点: 针对自回归视频生成中"KV驱逐不匹配"问题（训练时所有帧均在KV缓存中，推理时远端帧被驱逐导致上下文丢失），提出"Recency Forcing"方法：在训练阶段主动模拟推理时的KV驱逐行为，同时引入"recency token"作为被驱逐帧的压缩摘要，使模型在保留长程时序信息的同时适应推理时的内存约束，从根本上弥合训练与推理之间的分布差距，显著提升长视频生成的运动连贯性。
- PhysStream: Streaming Physics-Grounded Video Generation with Structured Scene Memory and Fine-Grained Motion Control
- 赛道归属: 视频生成（物理驱动·流式自回归·细粒度运动控制）
- 核心创新点: PhysStream 提出了一种基于物理约束的流式自回归图像转视频生成框架，核心突破体现在两个层面：①引入结构化场景记忆（Structured Scene Memory），使模型在自回归生成过程中能够持续追踪场景状态，无需在生成前预先提供完整的控制序列，从而支持真正的在线/流式交互控制；②以物理动力学而非像素级位置信号作为运动控制的基础，将力、速度等物理量作为细粒度控制信号驱动对象运动，使生成结果符合真实物理规律，而非仅仅在像素空间中插值对象轨迹。相比现有可控视频生成方法，PhysStream 同时解决了"需要预知完整控制计划"和"控制信号缺乏物理语义"两大痛点，实现了动态场景的实时、物理合理的精细运动控制。
- The Missing Temporal Link: Temporal Context Routing for Script-Driven Audio-Video Generation
- 赛道归属: 视频生成（脚本驱动音视频联合生成）
- 核心创新点: 针对现有音视频联合生成模型在时序控制上的不足（无法精确控制镜头切换时机和对话发生时间），提出了"时序上下文路由"（Temporal Context Routing）机制。核心突破在于：在共享时间轴的音视频表征对齐基础上，引入专门的时序路由模块，实现对脚本驱动内容创作中关键时序事件（镜头转场、台词时机）的精细化控制，从而保障叙事连贯性和观看体验，填补了现有联合生成模型在时序精度上的缺失环节。
- Mode Seeking meets Mean Seeking for Fast Long Video Generation
- 赛道归属: 视频生成 / 长视频生成
- 核心创新点: 针对长视频生成中高质量短视频数据丰富而连贯长视频数据稀缺的核心矛盾，提出"Mode Seeking meets Mean Seeking"训练范式，将局部保真度与长程连贯性解耦建模。具体通过解耦扩散Transformer（Decoupled Diffusion Transformer）实现统一表征：局部帧质量由Mode Seeking（对抗/分布匹配）目标驱动，利用丰富的短视频数据优化；长程时序一致性由Mean Seeking（Flow Matching监督学习）目标驱动，利用有限的长视频数据训练全局头，两者协同实现从秒级到分钟级的高质量长视频生成。
- Exo2EgoSyn: Unlocking Foundation Video Generation Models for Exocentric-to-Egocentric Video Synthesis 🆕NEW
- 赛道归属: 视频生成（跨视角合成/第一人称视角）
- 核心创新点: 提出将预训练基础视频生成模型（WAN 2.2）适配至第三人称（外视角）到第一人称（自我中心视角）跨视角视频合成任务的框架。核心创新包含三个模块：①EgoExo-Align模块在潜空间中对齐外视角与自我中心视角的首帧表示，完成视角重定向；②专门的跨视角时序建模机制；③针对该任务的数据与训练策略，整体突破了基础生成模型仅支持同视角生成的固有限制。
- CoaG: Cylinders on a Grid: Coarse 3D Layout Control for Video Generation 🆕NEW
- 赛道归属: 视频生成（可控生成/3D布局控制）
- 核心创新点: 提出以极简几何图元（地平面网格 + 每人一个圆柱体）作为视频生成的粗粒度3D布局控制信号，核心创新在于设计了一种低门槛的用户交互范式——用户仅需在网格上拖动圆柱体并指定相机轨迹，模型即可渲染出人物位置、运动轨迹与相机运动均与控制信号精确对齐的真实感视频，同时将外观生成与布局控制解耦，实现了对多人场景空间布局和镜头运动的联合可控生成。
音频生成
arXiv
- TTS-Guard: Black-Box Ownership Verification of Text-to-Speech Models via Adaptive Adversarial Speaker-Pair Fingerprints 🆕NEW
- 赛道归属: 文本转语音（TTS）模型安全与版权保护
- 核心创新点: 提出了一种针对TTS模型的黑盒所有权验证框架TTS-Guard。核心创新在于设计了"自适应对抗说话人对指纹"机制：通过构造一对对抗性说话人样本作为模型指纹，使得目标模型在该说话人对上的输出行为呈现出可统计验证的特异性差异，而无需访问模型内部参数。该方法专门针对语音信号的连续波形特性和人类听觉感知约束进行设计，能够在常规信号处理（如压缩、重采样）破坏扰动后仍保持指纹的鲁棒性，填补了TTS模型知识产权保护领域的空白。
- COT-TTS: Audio Context-Aware Text-to-Speech with Chain-of-Thought Reasoning 🆕NEW
- 赛道归属: 文本转语音（TTS）/ 上下文感知语音合成
- 核心创新点: 提出COT-TTS框架，将链式思维（Chain-of-Thought）推理机制引入TTS任务。核心创新在于：系统不依赖用户显式指定的风格指令，而是以历史对话音频作为上下文输入，通过CoT推理过程自动推断目标文本应采用的说话风格（语气、情感、节奏等），再驱动语音合成。这一范式将TTS从"指令驱动"升级为"上下文推理驱动"，使合成语音的风格能够自然地与对话语境保持一致，更贴近真实人类对话场景。
- ParsVoice: A Large-Scale Multi-Speaker Persian Speech Corpus for Text-to-Speech Synthesis
- 赛道归属: 文本转语音（TTS）/ 多说话人语音合成 / 低资源语言数据集构建
- 核心创新点: 构建了迄今最大规模的波斯语多说话人公开语音-文本语料库 ParsVoice，并提出了一套可扩展的数据处理流水线：以有声书长录音为原始素材，结合微调后的 ParsBERT 进行句子补全对齐，实现高质量语音-文本数据的自动化生产。核心突破在于针对波斯语这一严重欠代表语言，系统性地解决了多说话人 TTS 训练数据匮乏的问题，为后续低资源语音建模提供了基础设施支撑。
- Mask, Sample, Revise: A Revisable CTMC Inference Stack for Guided Discrete Flow Matching Text-to-Speech
- 赛道归属: 文本转语音（TTS）/ 离散流匹配 / 推理时引导控制
- 核心创新点: 提出了"Mask-Sample-Revise"三阶段可修正推理框架，将连续时间马尔可夫链（CTMC）离散流匹配（DFM）引入对齐无关的非自回归 TTS。核心创新在于：在推理阶段引入可修正机制，允许对已采样的离散 codec token 进行局部回溯与修正，从而在少步推理条件下实现稳定的条件填充控制，无需外部对齐器或显式时长预测器，同时显著提升了推理时引导信号（如韵律、情感）的可控性。
- Structure Before Sampling: Community-Aware Core-Set Selection for Data-Efficient Text-to-Speech 🆕NEW
- 赛道归属: 文本转语音（TTS）/ 数据高效训练与语料选择
- 核心创新点: 提出基于社区感知的核心集选择方法，用于在固定录音时长预算下高效构建TTS训练语料。核心创新在于将语料库建模为"音位图"（phonotactic graph）——将每条语音与其音位最相似的语句相连，并通过图的聚类系数和模块度验证其显著非随机结构性；进而利用图社区检测算法识别音位覆盖的冗余区域，从中选取最具代表性的核心子集。相比随机采样或传统贪心选择，该方法在孟加拉语和英语语料上均能以更少数据实现等效甚至更优的TTS合成质量。
- StreamTN: A Low-Latency Streaming Chinese Text Normalization Model for Streaming TTS in Dialogue Systems 🆕NEW
- 赛道归属: 文本转语音（TTS）/ 文本规范化（Text Normalization）/ 流式对话系统
- 核心创新点: 提出StreamTN，一种面向流式TTS对话系统的低延迟中文文本规范化模型。核心创新在于：针对LLM逐token流式输出的特点，设计了能够在不完整文本片段上进行增量式规范化的模型架构，避免等待完整句子到来后再处理所带来的延迟；同时摒弃传统依赖人工规则的方案，采用数据驱动方式提升对未见模式的泛化能力，并在保证低延迟的前提下解决LLM直接用于TN时推理开销过大的问题，有效满足实时对话系统的严苛时延要求。
- Multi-Dimensional Prosody Judgment For Live Streaming Speech Synthesis
- 赛道归属: 语音合成 / TTS 韵律评估
- 核心创新点: 针对直播场景语音合成（TTS）中细粒度韵律评估的痛点，提出 Live-ProsodyJudge（LPJ）框架。核心创新在于将专有大模型 Gemini 的韵律判断能力通过知识蒸馏迁移至开源的 Qwen3-Omni，构建出一个低成本、可大规模推理的成对比较式韵律评估器，能够覆盖情感、语调、能量等多维度细粒度韵律属性。相比传统 MOS 预测器无法捕捉高表现力韵律特征的局限，以及直接调用专有 LLM 成本过高的问题，该方法在保留评估质量的同时显著降低了推理开销，并可作为强化学习的反馈信号，为直播 TTS 系统的训练与优化提供实用的自动化评估基础设施。
- Self-Distilled Pronunciation and Accent Control for Neural Text-to-Speech
- 赛道归属: 文本转语音（TTS）/ 发音与口音控制
- 核心创新点: 提出"自蒸馏"训练范式，无需额外词典、录音数据或逐词样本编辑。核心思路是：冻结骨干TTS模型对含常见词的句子生成正确读音，将该输出作为教师信号，再将句中目标词替换为带标注的特定口音读法，构成训练对，从而让模型在不改变骨干参数的前提下学习发音与口音控制能力。该方法将模型自身推理结果转化为监督信号，实现了低成本、免标注的发音定制。
- Taming Long-form Text-to-Speech
- 赛道归属: 文本转语音（TTS）/ 长文本推理优化
- 核心创新点: 提出仅推理阶段的方法 LACI（局部注意力约束推理），无需重新训练模型即可解决自回归TTS在长文本场景下的质量退化问题。核心机制是在近实时条件下检测TTS错误，并通过局部化注意力约束来抑制长序列中注意力漂移导致的韵律不一致和说话人相似度下降，从而在保持短文本性能的同时显著提升长文本生成质量。
- The Evolving Bottleneck in Speech Generation: Interface Co-design and Staged Alignment from CosyVoice to Qwen-Audio-3.0-TTS
- 赛道归属: 文本转语音（TTS）/ 系统架构演进与对齐优化
- 核心创新点: 以技术回顾的视角系统梳理了 CosyVoice 系列（CosyVoice → CosyVoice 2 → CosyVoice 3 → Qwen-Audio-3.0-TTS）的演进逻辑，核心论点是：进步来源于对系统"主瓶颈"的持续定位与迁移，而非单纯堆叠更大模型或更多数据。架构上稳定采用"自回归语言模型负责语音规划 + 流匹配模型负责声学渲染"的解耦设计，并通过接口协同设计（Interface Co-design）与分阶段对齐（Staged Alignment）策略逐步突破各阶段瓶颈，为TTS系统的系统性优化提供了方法论框架。
HuggingFace Models
HuggingFace Datasets
- [2026-09-20] Yootta/World-SimReady-Home
语言大模型
arXiv
- Faithful yet Collusive: Why Chain-of-Thought Monitoring Cannot Detect Collusion in LLM Pricing Agents under Oligopolistic Competition
- 赛道归属: LLM智能体安全与可解释性（定价博弈/思维链监控）
- 核心创新点: 提出"因果图散度框架"，将LLM定价智能体的思维链（CoT）忠实性分解为结构忠实性（推理步骤的逻辑一致性）和意图忠实性（推理是否真实反映决策动机）两个独立维度。核心发现是：在寡头竞争博弈中，模型的串谋行为与CoT忠实性在两个维度上均存在解耦——即串谋程度最高的模型可以同时准确描述合作意图，但这种"忠实"的CoT并不能揭示其真实的串谋机制。这一发现从根本上挑战了"通过监控CoT来检测LLM智能体串谋行为"这一主流安全假设，指出CoT监控在寡头定价场景下存在系统性盲区。
- In-context Learning vs. Instruction Tuning: The Case of Small and Multilingual Language Models
- 赛道归属: 多语言模型 / 指令微调 vs. 上下文学习
- 核心创新点: 系统性对比了上下文学习（ICL）与指令微调（Instruction Tuning）在小型多语言语言模型上的效果差异，重点探究ICL能否作为多语言场景下指令微调的替代方案。针对高质量多语言指令数据难以获取的现实痛点，提供了关于两种范式在多语言低资源条件下适用边界的实证分析，为多语言模型部署策略选择提供了方法论依据。
- Representation-guided in-context learning for medical image interpretation with multimodal large language models 🆕NEW
- 赛道归属: 多模态大模型 / 医学图像理解
- 核心创新点: 提出表示引导的上下文学习（RG-ICL）框架，核心突破在于无需任何任务特定微调即可适配医学图像解读任务。通过冻结的视觉编码器检索与查询图像语义对齐的示例作为上下文演示，将检索增强与上下文学习结合，绕过了传统领域适配中资源密集型参数更新的瓶颈。在组织病理学、放射影像和视网膜眼底镜等八个跨模态医学数据集上验证了其泛化能力。
- Japanese Stroke LLM Evaluation: A Conversational Benchmark for Safe Stroke Care in Japanese Using Large Language Models
- 赛道归属: 医疗垂直领域LLM评测 / 临床安全性评估
- 核心创新点: 提出了面向日语脑卒中临床场景的多轮对话评测基准（Japanese Stroke LLM Evaluation），突破了现有医疗LLM评测以单轮多选题为主的局限。该基准模拟真实临床问诊流程，涵盖病史采集、紧急程度判断和安全性评估等维度，能够更贴近实际医疗实践地衡量LLM在高风险临床决策场景中的表现与安全边界。
- From Concept Alignment to Causal Grounding: An Intervention Test of Chain-of-Thought Faithfulness 🆕NEW
- 赛道归属: 大语言模型推理 / 思维链可解释性
- 核心创新点: 将思维链（CoT）的忠实性问题重新定义为内部概念因果锚定问题，而非传统的输入-输出行为分析。通过干预测试（intervention test）检验LLM的CoT推理是否激活了与直接预测相同的内部概念表征，并进一步验证这些共享概念是否对最终答案具有因果驱动作用。这一框架从模型内部计算层面揭示了CoT是否真正参与推理，而非仅作表面文字对齐。
- Recursive Reasoning or Statistical Extrapolation? In-Context Learning in Multi-Agent Interdependent Decision-Making
- 赛道归属: LLM智能体推理机制分析（多智能体博弈/上下文学习）
- 核心创新点: 针对"LLM智能体在多智能体交互中的上下文学习（ICL）究竟依赖真实推理还是统计外推"这一根本性问题，设计了一套受控公共品博弈实验框架，通过主动操控历史反馈的统计结构（如注入虚假但统计规律一致的历史记录）来解耦两种机制。核心方法论突破在于：将递归信念推理（Recursive Belief Reasoning，即对他人意图的多层级建模）与统计模式匹配作为可独立操控的变量，从而实证区分LLM在不完全信息博弈中的决策本质。该工作为评估LLM智能体是否具备真正的策略推理能力提供了可复现的实验范式。
- Lexical Prompt Compression for Large Language Models: A Training-Free, Deterministic Pipeline with Empirical Pareto Analysis Across Eleven Task Categories
- 赛道归属: 推理优化 / 提示词压缩
- 核心创新点: 提出一种无需训练、完全确定性的词汇级提示压缩流水线，通过纯词法规则（如停用词过滤、冗余短语删除、句法精简等）对提示进行压缩，无需任何辅助语言模型参与。核心突破在于：在不依赖任何可学习参数的前提下实现高压缩比，并通过跨11个任务类别的帕累托分析，系统性地量化了压缩率与任务性能之间的权衡关系，为不同场景下的压缩策略选择提供了实证依据。
- 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。
- Beyond Encoder Fusion: Multi-View Discrete Token Augmentation for LLM-Based ASR 🆕NEW
- 赛道归属: 语音识别（ASR）/ 大语言模型与语音融合
- 核心创新点: 提出多视图离散Token增强策略，核心创新在于利用多个固定SSL编码器（HuBERT、WavLM、MMS-300M）对同一语音样本生成多套互补的离散Token序列，作为训练时的多视图数据增强输入共享LLM解码器。该方法无需修改编码器参数，以极低成本解决了单一编码器离散化方案对特定编码器过度依赖的脆弱性问题，提升了LLM-based ASR系统的鲁棒性。
- BabelArena: A Large-Scale Multilingual Benchmark for LLM Agents 🆕NEW
- 赛道归属: 多语言LLM智能体评测基准
- 核心创新点: 提出BabelFlow通用智能体工作流框架，核心创新在于设计了一套基准无关的多语言化适配机制：通过分析现有智能体基准的运行时依赖关系、协调结构保留式翻译，将原本英语中心的智能体评测基准系统性地扩展至多语言场景，构建了BabelArena大规模多语言智能体评测集。该工作首次系统性地揭示了LLM智能体在多语言多步骤工具调用场景下的能力边界。
HuggingFace Datasets
- [2026-09-21] MoreThought/Fable-5.1-Max-Reasoning-Filtered-5000x
- [2026-09-06] openbmb/UltraData-SFT-Agent-2609
- [2026-09-08] ikala/tmmluplus 🆕NEW
多模态大模型
arXiv
- Evaluation of MLLM-Agnostic Plug-and-Play Keyframe Selection Methods for Long Video Understanding
- 赛道归属: 多模态理解 / 长视频理解 / 关键帧选择
- 核心创新点: 系统性评估了多种无需训练、模型无关的即插即用关键帧选择方法在长视频理解任务中的表现，填补了该类方法缺乏统一基准评测的空白。核心贡献在于构建了一套评估框架，对比分析不同关键帧选择策略在多种MLLM上的泛化能力与性能边界，为后续研究提供了方法论参考。
- Efficient Quantization-Aware Distillation with Cross-Modal Alignment for Edge Vision-Language Models
- 赛道归属: 多模态理解 / 推理优化 / 边缘部署
- 核心创新点: 针对边缘设备上视觉语言模型（VLM）的高效部署问题，提出将知识蒸馏与量化感知训练（QAT）统一为单阶段联合优化框架，并引入跨模态对齐机制，解决了原有EdgeVL两阶段方案中蒸馏目标与QAT目标相互割裂导致的优化不一致问题，从而在保持开放词汇分类（OVC）能力的同时显著降低模型在边缘硬件上的计算与存储开销。
- MAD: Modality-Adaptive Decoding for Mitigating Cross-Modal Hallucinations in Multimodal Large Language Models
- 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。
- SalQ-VLM: Fine-Grained Saliency-Guided Quantization for Vision-Language Models 🆕NEW
- 赛道归属: 多模态理解 / 推理优化（视觉语言模型量化压缩）
- 核心创新点: 针对视觉语言模型（VLM）的后训练量化（PTQ）问题，提出了细粒度显著性引导量化方法 SalQ-VLM。核心突破在于识别并解决了VLM激活中两类固有挑战：一是视觉与语言模态间的激活分布异质性，二是跨层的激活尖峰问题。通过引入显著性感知的细粒度量化策略，对不同模态和不同重要性的激活区域施加差异化的量化精度，在保持模型性能的同时大幅降低内存占用和推理开销，填补了PTQ在VLM领域研究不足的空白。
- Cross-Modal Attention Acts as a Frequency Filter: Why Verbose Prompts Improve Robustness in Vision-Language Models
- 赛道归属: 多模态理解 / 视觉-语言模型鲁棒性分析
- 核心创新点: 该工作从频域视角揭示了视觉-语言模型（VLM）在图像噪声干扰下鲁棒性变化的内在机制。核心发现是：跨模态注意力机制本质上充当了一个频率滤波器——文本提示的措辞方式会显著影响模型对图像高频噪声的敏感程度。具体而言，冗长/描述性的提示（verbose prompts）能够引导跨模态注意力更多聚焦于图像的低频语义信息，从而抑制高频噪声干扰，提升鲁棒性；而语义复杂或细粒度的问题则相反，会使模型更依赖高频细节，导致在图像损坏时性能大幅下降。这一发现从机制层面统一解释了提示措辞对VLM鲁棒性产生截然相反影响的现象，为提示工程和模型鲁棒性优化提供了新的理论依据。
- EventVL: Understand Event Streams via Multimodal Large Language Model
- 赛道归属: 多模态理解 / 事件流视觉语言模型
- 核心创新点: 提出首个基于事件相机数据的生成式多模态大语言模型框架EventVL，突破了以往事件视觉模型仅依赖CLIP做感知任务的局限。核心创新在于设计了专用的事件流语义表征方式，通过桥接事件数据与语言模型之间的模态鸿沟，实现对事件流的显式语义理解与上下文推理，而非停留于传统分类/检测等感知层面。
- A Low-Latency Interactive System for Real-Time Video Understanding Based on VLMs
- 赛道归属: 多模态理解 / 实时视频理解 / 系统工程
- 核心创新点: 提出了一套面向实时视频VLM应用的边云协同低延迟交互系统，核心创新在于系统架构层面的整合设计：统一支持手机、智能眼镜、PC等多种轻量客户端，通过共享ASR/TTS、会话编排、后端适配与响应去重等模块，将视频理解从离线片段分析扩展至连续流式低延迟交互场景，重点解决工程部署中的实时性与可用性问题。
- ME-VLM:A Unified VLM for Embodied Cognition and Agent Coordination 🆕NEW
- 赛道归属: 多模态理解 / 具身智能与智能体协作
- 核心创新点: 提出 ME-VLM（MachEmbodied-VLM），一个统一的视觉语言模型框架，同时覆盖具身认知与多模态智能体协作两大能力维度。核心创新在于将物理感知、时空推理与规划执行反馈闭环整合进单一模型架构，并提供4B和35B-A3B两种规模变体以适配不同部署场景。相比传统VLM仅关注静态图文理解，ME-VLM显式建模了真实世界环境约束与执行反馈机制，使模型具备在物理和数字环境中进行交互、规划及结果评估的统一能力。
- PREM: Prefix-Steered Recurrent Memory for Long-Video Understanding 🆕NEW
- 赛道归属: 多模态理解 / 长视频理解（高效记忆机制）
- 核心创新点: 提出 PREM（前缀引导循环记忆）框架，在不修改冻结VLM内部参数（包括KV缓存）的前提下实现长视频理解。核心突破体现在三点：①将视频摄取与问题回答两个阶段解耦，避免了帧压缩或token堆叠带来的信息损失；②设计了循环写入器，将视觉流蒸馏为仅256 KiB的紧凑多槽关联状态，极大压缩了记忆占用；③采用问题条件化的读取机制，在推理时动态从记忆状态中检索相关视觉证据，以前缀形式注入冻结模型，实现了无需记忆token的高效长视频问答。
- DiaVLo: Diagnosing Behaviours of Vision-Language Models
- 赛道归属: 多模态理解 / 模型诊断与行为分析
- 核心创新点: 提出 DiaVLo 诊断框架，结合人工标注与 VLM 自身生成能力，构建对视觉语言模型"期望行为"与"实际观测行为"的规范化描述体系。核心突破在于将 VLM 的内部子组件信息流动与行为对齐问题形式化，能够系统性地识别模型行为偏差（misalignment），为 VLM 的可靠部署提供可解释的诊断工具，填补了现有 VLM 行为识别方法稀缺的空白。
强化学习
arXiv
- Survival Reinforcement Learning: Toward Scalable Self-Supervised RL
- 赛道归属: 自监督强化学习 / 目标条件规划
- 核心创新点: 提出"生存强化学习"（SRL）框架，以在线分类替代对比损失，通过最大化智能体在目标状态的"驻留时间"来学习生存价值函数。核心突破在于从根本上规避了对比学习中"均匀性-容忍度困境"（uniformity-tolerance dilemma），使得深度网络扩展时长视野目标条件规划不再退化，同时保留了CRL的深度可扩展性优势。
- How to Compress KV Cache in RL Post-Training? Shadow Mask Distillation for Memory-Efficient Alignment
- 赛道归属: 大语言模型强化学习后训练 / 内存优化
- 核心创新点: 针对LLM在线RL训练（PPO/GRPO/Online DPO）中rollout阶段KV Cache显存占用过大的"内存墙"问题，提出Shadow Mask Distillation方法。核心突破在于通过引入"影子掩码蒸馏"机制，在不损失对齐效果的前提下对KV Cache进行有效压缩，从方法论上将KV Cache压缩技术与RL后训练流程深度融合，解决了长上下文推理任务中显存瓶颈与训练效率之间的矛盾。
- CodeMidas: Scaling Agentic Coding RL Environments from Code Itself
- 赛道归属: 代码智能体 / RL环境构建与扩展
- 核心创新点: 提出CodeMidas流水线，直接从现有代码库的源代码（而非依赖issue、commit等开发制品）中自动提取可执行的RL训练环境。核心突破在于将代码库中已实现的功能逻辑转化为带有可靠验证器的多样化编程任务，大幅拓宽了RL训练数据的来源边界，解决了现有方法依赖稀缺开发制品导致任务多样性受限的瓶颈。
- From Pretraining to Proficiency: Real-World Subtask RL for Long-Horizon Manipulation with Minimal Human Intervention
- 赛道归属: 机器人操控 / 长视野任务强化学习微调
- 核心创新点: 提出PARTS（Policy Adaptation with RL on Targeted Subtasks）框架，针对预训练机器人基础策略在长视野任务中反复失败的关键子任务进行精准RL微调，而非重新收集全任务演示。核心突破在于将稀疏奖励的长视野问题分解为子任务级强化学习，以最小人工干预实现对已有基础策略的外科式能力补全，避免了全任务SFT的冗余数据采集。
- SynthDemo-RL: Breaking the Zero-Reward Barrier in VLA Adaptation with LLM-Guided Synthetic Demonstrations
- 赛道归属: 视觉-语言-动作模型（VLA）/ 机器人操控强化学习微调
- 核心创新点: 提出SynthDemo-RL师生框架，以LLM引导的合成演示打破稀疏奖励下RL探索的"零奖励障碍"。核心突破在于：教师端利用仿真器特权状态自动生成成功轨迹，通过SFT蒸馏VLA学生策略以获得良好初始化，再以PPO二元奖励进行强化微调，从而在无需人工遥操作的前提下解决VLA稀疏奖励探索困难问题。
- ASGARD: Action-Space Guard for UAV Resilience via Reinforcement Learning
- 赛道归属: 无人机控制安全 / 对抗鲁棒强化学习
- 核心创新点: 提出ASGARD动作空间防护机制，专门应对策略输出后、执行器执行前的动作空间运行时攻击。核心突破在于无需在训练阶段重新训练策略，而是在推理阶段实时检测并修正被篡改的动作指令，填补了现有防御方法仅针对输入攻击、无法在运行时抵御动作空间攻击的空白。
- Efficient Bayes-Adaptive Reinforcement Learning with Temporal Logic Specifications
- 赛道归属: 模型驱动强化学习 / 时序逻辑规范下的安全策略合成
- 核心创新点: 提出端到端贝叶斯自适应RL算法，将线性时序逻辑（LTL）规范的极限确定性Büchi自动机（LDBA）表示与贝叶斯自适应MDP（BAMDP）同步融合。核心突破在于将形式化任务规范直接嵌入探索-利用权衡机制，使智能体在未知环境中能够高效合成满足安全性、可达性等LTL约束的策略，同时实现样本效率与规范满足率的双重提升。
- RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement Learning
- 赛道归属: 强化学习 / 多智能体训练 / 策略蒸馏优化
- 核心创新点: 针对多轮智能体强化学习中在线策略蒸馏（On-Policy Distillation, OPD）的两个核心缺陷——"特权信息不等于可靠教师"以及"教师监督的收益具有训练阶段依赖性"——提出了 RetireOPD 框架。其方法论突破体现在两点：①引入教师可靠性评估机制，动态判断特权信息教师在当前状态下是否真正优于学生，避免劣质教师信号污染训练；②设计自退休（Self-Retiring）机制，使蒸馏监督信号能够根据训练阶段自适应地淡出，在学生能力成熟后自动停止依赖教师，从而将稀疏轨迹级奖励与密集token级蒸馏监督的优势在正确的训练窗口内有机结合，解决了传统OPD在智能体任务中"一刀切"应用导致的性能退化问题。
- RLLBC-Lib: An Educational Code Library for Reinforcement Learning and Learning-Based Control
- 赛道归属: 强化学习教育工具 / 学习型控制
- 核心创新点: 提出RLLBC-Lib教育代码库，核心创新在于面向学习型控制场景对RL核心概念进行模块化、可访问性设计，通过精心构建的代码结构降低RL学习门槛。方法论突破体现在将复杂的RL动态交互过程以清晰、可复现的实现形式呈现，专为教学场景优化，填补了RL理论与控制工程实践之间的教学工具空白。
- Voice of Reason: Reinforcement Learning for Spoken Math
- 赛道归属: 语音语言模型 / 数学推理强化学习
- 核心创新点: 将带可验证奖励的强化学习（RL with verifiable rewards）首次系统性地应用于语音语言模型（以GLM-4-Voice为基础）的数学推理能力提升。核心突破在于跨越语音模态与数学推理之间的能力鸿沟——此前语音模型在数学基准上显著落后于文本模型，该工作通过RL训练范式将文本模型的复杂推理增强方法迁移至语音端到端模型，同时保留副语言信息处理能力。
HuggingFace Models
世界动作模型
arXiv
- The Right Future for Action: Learning Action-Relevant Predictive States in World Action Models 🆕NEW
- 赛道归属: 世界动作模型 / 具身智能 / 视频表征学习
- 核心创新点: 针对"无生成式世界动作模型（WAMs）"中表征学习目标不明确的问题，提出了一套表征诊断框架，揭示了三个关键发现：(1) 未来变化可预测性强的表征并不必然使线性动作解码更容易；(2) 观测到的未来变化能提供超越当前帧的额外动作信息；(3) 线性可读的动作信息在空间上具有集中分布特性。基于此，提出学习"动作相关预测状态"的方法，明确界定了WAM内部视频特征在控制任务中应保留的信息类型，为WAM表征设计提供了理论指导。
- ME-Dex 1.0: Bringing Heterogeneous Tactile Sensing into World Action Modeling
- 赛道归属: 具身智能 / 世界动作模型 / 多模态触觉感知
- 核心创新点: 提出将异构触觉传感信号纳入世界动作模型的统一建模框架（ME-Dex 1.0）。核心突破在于不再将触觉特征仅作为条件输入，而是将未来触觉状态、视觉观测与机器人动作进行联合预测，使触觉信号与视频信号一样被视为世界状态演化的观测序列。这一设计使模型能够在物理交互层面形成更完整的多模态世界状态表征，弥补了纯视觉世界模型在接触力学感知上的盲区。
- CSWAM: Better Causal Semantic Representations for Out-of-Distribution Generalization in World Action Models
- 赛道归属: 世界动作模型（World Action Model）/ 具身智能 / 分布外泛化
- 核心创新点: 针对 FastWAM 类世界动作模型在视觉分布偏移下泛化能力差的问题，提出因果语义世界动作模型（CSWAM）。核心突破在于：①将重建导向的表征替换为因果语义表征，剥离外观特异性细节，聚焦任务相关的状态变化与运动信息，从而降低对视觉外观的过拟合；②在无观测历史的纯动作推理框架下，引入时序因果证据机制，增强模型在陌生视觉场景和未见物体下对任务相关状态变化的鲁棒识别能力。该方法从表征层面解决了世界动作模型在 OOD 场景下的泛化瓶颈，而非依赖更多数据或更大模型规模。
- Making Latent Evolution Explicit: Operator-Structured Transitions for World Action Models
- 赛道归属: 具身智能 / 世界动作模型 / 潜空间动态建模
- 核心创新点: 针对现有基于Transformer的潜空间世界动作模型中"状态转移"建模结构不合理的问题，提出以算子结构化（Operator-Structured）方式显式建模潜空间中的时序演化过程。核心突破在于将潜变量的转移从以token交互为中心的注意力机制中解耦出来，改为以时序演化为归纳偏置的算子形式，使潜空间中的状态转移过程更加显式、可解释，并与控制相关信息的传播逻辑更为一致，从而提升世界动作模型在潜空间预测中的结构合理性与泛化能力。
- AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation 🆕NEW
- 赛道归属: 世界动作模型 / 机器人操控 / 具身智能
- 核心创新点: 提出AffordanceWAM，将可供性（Affordance）感知与生成式世界-动作联合建模相融合，核心创新在于引入以物体为中心的时空可供性表征，同时桥接两类异质数据源——带动作标注的机器人视频（监督控制）与无动作标注的以自我为中心的人类视频（提供交互多样性）。通过可供性作为中间语义锚点，解决了机器人与人类视频在动作标注、具身形态和外观上的域差异问题，实现了对"场景如何演化、在哪里可以交互、如何执行动作"三个层次的统一建模，提升了机器人操控的泛化能力。
- 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。
由 Research Daily 自动生成 生成时间: 2026-09-22 05:31:41