论文· arXiv 速览
AI 论文速览
arXiv 各子领域论文：本周热词、主题聚类、今日必读，附中文标题与一句话精读。
本周热门主题
12 个主题今日必读
6月25日 · 当日精选Real-Time Voice AI Hears but Does Not Listen
评测四大实时语音AI系统发现，它们只理解字面意思，忽略语气、情绪等语音信息。
语音音频💡 揭示AI语音系统关键缺陷，对产品设计有重要警示。
Same Evidence, Different Answer: Auditing Order Sensitivity in Multimodal Large Language Models
研究发现多模态大模型对输入顺序高度敏感，提出五维度审计方法Facet-Probe。
大模型💡 揭示模型可靠性关键缺陷，对评估标准有重要启示。
提出低成本腕戴sEMG系统ForceBand，将人类肌肉活动转化为富含力的机器人操作演示数据。
机器人💡 创新性结合sEMG与力感知，解决机器人力敏感操作数据稀缺问题。
提出可控制相机轨迹的4D视频虚拟试穿方法，突破视角限制。
视觉💡 首次定义相机可控视频虚拟试穿新任务，方法创新性强。
全部论文
422 篇Real-Time Voice AI Hears but Does Not Listen
评测四大实时语音AI系统发现，它们只理解字面意思，忽略语气、情绪等语音信息。
语音音频💡 揭示AI语音系统关键缺陷，对产品设计有重要警示。
Same Evidence, Different Answer: Auditing Order Sensitivity in Multimodal Large Language Models
研究发现多模态大模型对输入顺序高度敏感，提出五维度审计方法Facet-Probe。
大模型💡 揭示模型可靠性关键缺陷，对评估标准有重要启示。
提出基于模型内部表征而非输出文本的LLM安全评估新方法SafeVec。
大模型💡 从表征层面评估安全，突破传统输出检测局限，方法新颖。
提出物理约束多智能体引擎，通过进化知识图谱实现自主硬件设计。
智能体💡 突破性方法解决AI硬件幻觉，推动自主科学发现。
提出RaG范式，通过共享语义ID统一生成式推荐与视频生成，实现工业级个性化视频生成。
检索增强💡 工业级方案统一推荐与生成，方法创新且实用性强。
提出PolicyAlign框架，让大语言模型直接对齐自然语言安全策略，无需昂贵标注数据。
大模型💡 解决安全对齐中策略与数据不匹配的核心痛点，方法简洁实用。
Improved Large Language Diffusion Models
提出8B参数双向注意力掩码扩散语言模型iLLaDA，预训练至12T token并微调。
大模型💡 新模型发布，规模与训练方法有显著提升。
Wan-Streamer v0.1：端到端实时交互基础模型，支持全双工音视频流式处理。
推理💡 原生流式多模态Transformer架构，低延迟交互创新。
OpenThoughts-Agent 提出开放数据配方，通过超百次消融实验系统训练通用智能体模型。
智能体💡 首次公开智能体训练数据配方，百次消融实验极具方法论价值。
提出隐式视觉思维链框架，解耦结构规划与外观渲染，提升文本到图像生成的结构遵循能力。
推理💡 创新性地用隐式视觉推理解耦生成任务，方法新颖且实用性强。
NatureBench: Can Coding Agents Match the Published SOTA of Nature-Family Papers?
新基准NatureBench用90个Nature论文任务测试AI编码智能体的科研发现能力。
智能体💡 发布新基准，直击AI科研能力评估痛点，数据权威。
ReM-MoA: Reasoning Memory Sustains Mixture-of-Agents Scaling
提出记忆增强的混合智能体架构ReM-MoA，解决多智能体推理深度增加时的性能退化问题。
智能体💡 提出新方法解决MoA架构的扩展瓶颈，有理论创新和实用价值。
TurboMPC 是首个完全在 GPU 上运行的可微分 MPC 求解器，支持复杂约束与隐式积分，速度与可扩展性显著提升。
强化学习💡 提出新算法与 GPU 实现，对机器人控制领域有重要实用价值。
提出CoorDex学习框架，实现高自由度类人机器人连续灵巧操作与移动协调。
强化学习💡 解决人形机器人移动中灵巧操作难题，方法创新且实用。
提出低成本腕戴sEMG系统ForceBand，将人类肌肉活动转化为富含力的机器人操作演示数据。
机器人💡 创新性结合sEMG与力感知，解决机器人力敏感操作数据稀缺问题。
提出可控制相机轨迹的4D视频虚拟试穿方法，突破视角限制。
视觉💡 首次定义相机可控视频虚拟试穿新任务，方法创新性强。
Neglected Free Lunch from Post-training: Progress Advantage for LLM Agents
研究发现强化学习后训练可为智能体提供隐式步骤级评分，无需额外奖励模型。
大模型💡 提出新方法解决智能体奖励建模难题，实用性强。
提出SimPhysNet，用自监督学习与物理信息神经网络，仅需少量标注图像即可高精度预测激光焊接熔透状态。
视觉💡 解决工业标注数据稀缺痛点，方法创新且实用性强。
DomainShuttle: Freeform Open Domain Subject-driven Text-to-video Generation
提出DomainShuttle框架，实现开放域主题驱动文本生成视频，兼顾保真度与编辑性。
视觉💡 提出新框架解决开放域视频生成中的保真与编辑矛盾，方法创新。
提出RoboAtlas框架，通过上下文多臂赌博机平衡几何探索与语义推理，实现主动SLAM。
机器人💡 提出新颖的主动SLAM方法，结合语义与几何，实验规模大。
提出TriViewBench基准，通过合成3D场景控制复杂度，评估多模态大模型的多视角结构推理能力。
大模型💡 系统评估MLLM在可控复杂度下的推理短板，具方法论价值。
Why Multi-Step Tool-Use Reinforcement Learning Collapses and How Supervisory Signals Fix It
多步工具使用强化学习易崩溃，监督信号可修复。
大模型💡 揭示RL训练崩溃机制并提供修复方案，有方法论价值。
提出ICWM框架，让机器人通过上下文学习适应新环境，无需重新训练。
多模态💡 解决VLA模型泛化难题，方法新颖且实用。
FAR-LIO: Enabling High-Speed Autonomy through Fast, Accurate, and Robust LiDAR-Inertial Odometry
SOTA</> 代码
提出高速、高精度激光雷达-惯性里程计框架FAR-LIO，利用CUDA加速实现鲁棒定位。
机器人💡 针对高速自主导航中的里程计延迟难题，提供创新性CUDA加速方案。
提出FORCE框架，通过价值校准预热与自蒸馏提升VLA模型强化学习微调效率。
智能体💡 解决RL微调样本效率低的核心痛点，方法创新且实用。
提出分层强化学习框架HiReLC，实现深度神经网络自动联合量化与结构化剪枝。
智能体💡 方法创新，分层协同优化压缩，实用价值高。
SpeechEQ: Benchmarking Emotional Intelligence Quotient in Socially Aware Voice Conversational Models
提出SpeechEQ框架，评估语音语言模型在社交对话中的情感智商。
推理💡 首个针对语音对话模型跨模态情感推理的评测框架。
提出Action ControlNet，一种轻量级延迟感知适配器，用于平滑视觉-语言-动作模型的异步控制。
机器人💡 解决VLA模型异步执行中的动作抖动与中断问题，方法新颖实用。
提出多智能体目标识别新方法MAGR-BB，结合强化学习与分支定界，高效推断团队划分与目标。
智能体💡 解决组合爆炸难题，方法新颖且实用性强。
通过人类研究评估LLM辅助漏洞修复的效果与风险
大模型💡 实证研究揭示AI辅助编程的安全隐患
提出异构立体去模糊基准与数据集，及物理极线约束交叉注意力方法。
视觉💡 解决真实手机异构相机模糊难题，数据集与方法均有创新。
提出用压缩率量化智能，将智能体系统视为数据压缩器。
大模型💡 用信息论统一评估智能体系统，视角新颖。
From Rubble Simulation to Active Magnetic Mapping: Quantum Sensing for Disaster Response
量子磁探测无人机可定位废墟幸存者，模拟验证可行性。
机器人💡 用物理模拟验证量子传感新方法，实用性强。
提出DSP-SLAM++框架，实现多类物体实时高保真SLAM建图。
机器人💡 解决实时性与高保真多类物体建图的权衡，方法创新且实验充分。
提出基于动力学的拓扑增强方法DeformGen，解决可变形物体操作策略学习中的数据稀缺问题。
机器人💡 针对可变形操作中的状态空间与轨迹迁移难题提出创新框架。
发布最大规模手术视频语言数据集SurgAtlas，含2391小时视频，覆盖开放与微创手术。
多模态💡 首个大规模开放手术视频基准，填补领域空白。
前沿大模型在六种环境中表现出的操纵行为高度依赖具体任务，单一基准评估不足。
智能体💡 多环境多维度评估揭示模型操纵行为复杂性，对AI安全研究有重要参考价值。
提出 BrReMark 框架，通过 ROI 标记与合成数据增强脑 MRI 异常检测与推理的可解释性。
推理💡 方法创新，解决医学影像模型空间可解释性痛点。
USS: Unified Spatial-Semantic Prompts for Embodied Visual Tracking with Latent Dynamics Learning
SOTA
提出统一空间-语义提示范式，解决具身视觉跟踪中语言指示的歧义问题。
视觉💡 从语言到多模态提示的范式创新，具身智能新思路。
发布多传感器触觉数据集TacVerse，含10.68万张图像，支持跨传感器触觉感知任务。
机器人💡 首个系统研究跨传感器触觉泛化的基准数据集，推动机器人感知研究。
通过补丁分析自动检测配置特定安全漏洞的新方法。
安全对齐💡 提出VIC概念与PatchLens技术，对配置安全研究有重要价值。
提出SCPO方法，解决LLM智能体强化学习中语义一致性的信用分配问题。
大模型💡 针对LLM强化学习关键难题提出创新解决方案。
新基准ToolBench-X评估AI代理在工具环境不可靠时的表现。
大模型💡 首次系统量化工具环境不可靠性对AI代理的影响，填补现有基准空白。
提出ROAD-VLA框架，通过优势引导自蒸馏实现VLA模型鲁棒在线适应，解决稀疏奖励与模态差距问题。
机器人💡 提出新框架解决VLA在线适应核心难题，方法创新且实验扎实。
提出NEURON-Fabric，通过架构-运行时协同设计实现受控低比特梯度通信，提升分布式训练效率。
系统高效💡 系统化解决分布式训练通信瓶颈，方法新颖且实用性强。
提出双分布估计方法，提升视觉语言模型在含噪测试时的零样本适应能力。
多模态💡 解决含噪测试时适应中的关键难题，方法新颖实用。
提出UniTeD统一时序扩散框架，联合建模自动驾驶感知与规划，提升鲁棒性。
生成扩散💡 端到端自动驾驶新方法，解决感知误差传播问题。
提出轻量级物理启发全局-局部解耦网络PGL-Net，实现高效真实图像去雾。
视觉💡 物理先验与轻量架构结合，解决真实去雾部署难题。
提出轻量级检测框架TRACE，通过令牌影响归因追踪中毒检索语料中的目标答案。
大模型💡 针对RAG系统中毒攻击提出创新检测方法，实用价值高。
What Does the Brain See? Multiview Neural Representations to Demystify the Brain-Visual Alignment
SOTA
提出多视图EEG表示学习框架，实现零样本视觉语义解码。
视觉💡 新方法提升脑电与视觉对齐效果，有应用潜力。
提出人形机器人异步上身任务空间轨迹跟踪框架，解决规划与执行间的时序异步问题。
机器人💡 提出新颖的异步跟踪框架与训练方法，对机器人控制有实际价值。
提出子空间感知退化处理算法，提升LIVO在复杂环境下的鲁棒性。
机器人💡 解决多传感器融合中方向依赖退化难题，方法创新性强。
提出联合稀疏自编码器，实现视觉-语言模型的可解释跨模态控制。
多模态💡 新方法解决VLM可解释性与可控性难题，实用价值高。
Is GraphRAG Needed? From Basic RAG to Graph-/Agentic Solutions with Context Optimization
探讨何时使用GraphRAG等高级RAG变体，提出评估框架并对比9种标准化场景。
智能体💡 系统对比多种RAG方法，实验设计严谨，实用参考价值高。
提出多智能体框架MedGuards，用于医疗文本错误检测与修正。
大模型💡 论文提出新方法，解决LLM在医疗场景的安全关键问题。
提出仅用纯旋转运动与单标定板实现多相机外参标定，兼顾精度与易用性。
机器人💡 解决非重叠视场多相机标定难题，方法新颖且实用。
SSMNBench: Diagnosing Image-based Cross-View Human-Object Understanding via Single-View Sufficiency and Multi-View Necessity
SOTA</> 代码
提出SSMNBench基准，诊断多模态大模型跨视角理解能力。
多模态💡 新基准填补跨视角理解评估空白，方法严谨。
提出TL++框架，在分布式智能系统中兼顾准确性与隐私保护。
系统高效💡 提出新框架解决分布式学习准确性与隐私权衡问题。
提出一种统一语音增强模型，可灵活控制算法和计算延迟，适应多种实时应用场景。
语音音频💡 方法创新，解决多延迟场景下模型复用难题，实用价值高。
VPA-Guard: Defending and Benchmarking Image-to-Video Generation Against Visual Prompt Attacks
提出VPA-Guard防御框架，应对图像到视频生成中的视觉提示攻击。
多模态💡 首个系统防御视觉提示攻击的基准与方法。
数据更新于 18:05 · 共 422 篇 · 来源 arXiv