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
8月12日 · 当日精选AdvFD: Boosting Visual Generation via Adversarial Fr'echet Distance Loss
提出对抗式弗雷歇距离损失，解决生成模型训练中的弗雷歇黑客问题，提升视觉质量。
生成扩散💡 针对生成模型训练痛点提出新方法，有理论创新和实用价值。
VIScore: Diagnosing Planning-Relevant Quality in Latent World Models
提出VIScore指标，诊断潜在世界模型中与规划相关的表征质量，连接潜空间属性与规划性能。
机器人💡 首次系统诊断潜空间质量与规划性能关联，方法新颖实用。
From Interpretability to Control: Insights from Six Years of the TrustNLP Workshop
TrustNLP研讨会六届144篇论文，总结NLP信任研究从可解释性转向生成式AI主动控制。
NLP💡 系统梳理领域趋势，对研究者有重要参考价值。
The Illusion of Cross-Lingual Safety in Low-Resource Languages
研究低资源语言下LLM安全对齐的跨语言迁移失效问题，提出新数据集与几何探测方法。
大模型💡 揭示安全机制盲区，方法新颖且具实际威胁性。
全部论文
972 篇Towards Expert-level Medical AI for Real-time Video Consultations
首个达到专家级水平的实时视频问诊AI，通过多模态交互提升诊断能力。
智能体💡 突破性成果，首次实现视频问诊专家级AI，临床价值高。
When Visual Signals Mislead: A Mechanistic Study of Attribute Hallucination in Vision-Language Models
揭示VLM属性幻觉源于视觉信号不足而非语言先验，提出VISOR框架诊断与修复。
多模态💡 首个属性级机制研究，挑战主流解释并提供可操作修复方案。
Once Poisoned, Arbitrarily Controlled: A Programmable Backdoor in VLMs
提出VLM可编程后门，推理时可任意指定目标并生成触发器，颠覆静态攻击假设。
多模态💡 首次实现任意到任意文本控制后门，威胁模型重大升级。
DSAgentBench: Can Agents Automate End-to-End Data-Science Workflows in Real Computer Environments?
首个在真实计算机环境中评估智能体端到端数据科学工作流的基准。
智能体💡 直击现有基准缺失真实交互的痛点，填补评测空白。
AdvFD: Boosting Visual Generation via Adversarial Fr'echet Distance Loss
提出对抗式弗雷歇距离损失，解决生成模型训练中的弗雷歇黑客问题，提升视觉质量。
生成扩散💡 针对生成模型训练痛点提出新方法，有理论创新和实用价值。
VIScore: Diagnosing Planning-Relevant Quality in Latent World Models
提出VIScore指标，诊断潜在世界模型中与规划相关的表征质量，连接潜空间属性与规划性能。
机器人💡 首次系统诊断潜空间质量与规划性能关联，方法新颖实用。
From Interpretability to Control: Insights from Six Years of the TrustNLP Workshop
TrustNLP研讨会六届144篇论文，总结NLP信任研究从可解释性转向生成式AI主动控制。
NLP💡 系统梳理领域趋势，对研究者有重要参考价值。
The Illusion of Cross-Lingual Safety in Low-Resource Languages
研究低资源语言下LLM安全对齐的跨语言迁移失效问题，提出新数据集与几何探测方法。
大模型💡 揭示安全机制盲区，方法新颖且具实际威胁性。
Attention-Path Fragility as an Uncertainty Signal in Large Language Models
提出用注意力路径脆弱性估计大模型不确定性，无需训练即可提升问答可靠性。
NLP💡 新颖且实用的不确定性估计方法，直接提升模型可信度。
Is There Really a Camouflaged Object? Towards Realistic Camouflaged Object Detection
提出OPC16K基准，解决现实场景中伪装目标检测的误报问题。
视觉💡 首个面向开放世界的COD基准，填补领域空白。
Actions Speak Louder than Words: Measuring Cross-Lingual Policy Retention in Tool-Using Agents
研究跨语言工具使用智能体的行为一致性，提出动作策略保留度的测量方法。
智能体💡 首次系统测量跨语言行为一致性，方法严谨，对多语言AI评估有重要参考价值。
提出抗丢包图像压缩方案，解决卫星通信中数据丢失问题。
视觉💡 针对实际通信痛点，方法创新且应用价值高。
Why Does CLAUDE.md Keep Growing? Catastrophic Remembering in Agentic Coding
研究发现AI编程中CLAUDE.md等指令文件无限膨胀，源于删除指令的高昂成本，称为“灾难性记忆”。
智能体💡 揭示AI编程指令膨胀的深层机制，对工程实践有启发。
Cross-View Feature Matching: Survey, Benchmarking, and Foundation-Model Perspectives
综述跨视角特征匹配，涵盖基准测试与基础模型视角，梳理领域进展与挑战。
视觉💡 系统综述，为研究者提供领域全景与基准参考。
SWE-Bench ProMax: Benchmarking Agents on Large-Scale Multilingual Code Refactoring
新基准SWE-Bench ProMax评估AI智能体大规模多语言代码重构能力，解决现有基准饱和与测试缺陷问题。
智能体💡 直击现有基准缺陷，提出更严苛的重构评估新标准。
CapProbe: Evaluating Detailed Image Captions via Full-Scene Dense Question Answering
CapProbe通过全场景密集问答评估图像描述，实现区域对齐的事实核查。
多模态💡 提出新颖的密集QA基准，解决VLM描述评估痛点。
Quantum Coordination Advantages in AI State-Tracking Tasks: Semantic Compilation and Latent Memory
证明AI状态追踪任务中量子协调优势，提出语义编译定理。
AI综合💡 理论突破，为AI推理效率提供新视角。
Efficient Hypergradient Descent for Inverse Reinforcement Learning
提出高效超梯度下降法，解决逆强化学习双层优化的计算难题。
强化学习💡 新方法提升IRL效率，理论实践价值高。
MAJEPPA: Morphing and Assessing in a Unified Piano Performance Space
提出MAJEPPA框架，用自监督学习统一钢琴演奏表征，覆盖从新手到大师的完整技能谱系。
语音音频💡 首个跨技能层级钢琴表征模型，数据集与方法兼具创新性。
Data Attribution of Emergent Misalignment with Persona Features
研究发现，微调模型时的有害行为源于预训练中习得的特定人格特征，并可通过特定文本激活。
NLP💡 揭示AI安全关键机制，方法新颖且具实证深度。
R4DSG: Relative 4D Scene Graph Memory for Object-Centric Question Answering in Long Egocentric Video
提出相对4D场景图记忆，提升长视频中物体中心问答的准确率。
智能体💡 解决长视频物体状态追踪难题，方法新颖实用。
On the Limitations of Cross-Lingual Consistency in Multilingual Text-to-image Generation
提出多语言文生图基准LingT2I，揭示跨语言生成中的性能差距与权衡。
NLP💡 首个系统评估多语言文生图短板，填补研究空白。
What Iterated Self-Feeding Probes of Language Models Measure, and a test that separates the construction from the model
研究语言模型自反馈探测的测量对象，提出区分构造与模型的新测试。
智能体💡 理论严谨，方法新颖，对AI可解释性有重要价值。
PEAK: Precise and Persistent Concept Erasure via k-Sparse Autoencoders
提出PEAK方法，用k稀疏自编码器精准且持久地消除T2I扩散模型中的概念。
生成扩散💡 解决概念消除精度与持久性难题，方法新颖实用。
XCoT-VLA: Executable Chain-of-Thought for Vision-Language-Action Driving
提出XCoT-VLA，用可执行思维链替代冗长自然语言，提升自动驾驶实时控制效率。
推理💡 针对VLA模型实时控制痛点，提出新颖可执行CoT方法，具研究价值。
Evidence-Grounded Trustworthy Multimodal Reasoning and Evaluation Benchmark in Complex Urban Scenes
提出AD2-Bench基准，诊断多模态模型在复杂城市场景中的推理可靠性。
大模型💡 针对模型推理缺陷提出新基准，有诊断价值。
Multiple Scale Latents for Learned Image Compression
提出多尺度潜变量分层表示，提升图像压缩熵模型效率，较VVC降低17.9%码率。
视觉💡 多尺度潜变量创新显著，压缩性能大幅超越VVC，具学术与实用价值。
StreamFlow: Dynamic Memory Flows for Streaming Video Understanding
提出StreamFlow框架，实现流式视频理解中视觉记忆的动态按需访问，提升效率与准确性。
大模型💡 针对流式视频理解痛点，提出创新性动态记忆框架，具有实用价值。
GS-CPE: Unified 6-Degree-of-Freedom Camera Pose Estimation via 3D Gaussian Splatting
提出GS-CPE框架，结合几何粗估计与3DGS精化，实现高精度6自由度相机定位。
视觉💡 方法新颖且实用，显著提升视觉定位精度与泛化性。
ThinkRetrieve: Retrieval-Augmented Reasoning Traces for Test-Time Scaling
提出ThinkRetrieve框架，通过动态检索解题示例增强推理轨迹，提升测试时扩展效率。
推理💡 针对推理模型扩展瓶颈，提出创新检索增强方案，具实用价值。
IO Factory: Simulating AI-Enabled Influence Campaigns at Scale
提出IO Factory框架，模拟AI驱动的规模化信息影响活动，以分析AI群体操纵行为。
智能体💡 针对AI群体操纵新威胁，提供可追踪的模拟分析框架。
Enhanced Filtering Algorithms for the Euclidean Traveling Salesperson Problem and its variants in Constraint Logic Programming
提出增强过滤算法，利用几何信息高效求解欧几里得TSP及其变体。
AI综合💡 算法创新结合几何优化，对路径规划有实用价值。
Robust Safety Filtering for Input-Constrained Underactuated Linear Systems
提出针对欠驱动线性系统的鲁棒安全滤波框架，结合H∞控制与扰动观测器，确保约束下前向不变性。
机器人💡 理论严谨，解决欠驱动系统安全关键问题，有实际应用潜力。
Flex-$π$: A Multi-Stream World-Action Model with Compute Flexibility
Flex-π模型利用冻结VAE免费获得3D几何与语义监督，提升世界动作模型性能。
机器人💡 揭示VAE隐式编码3D信息，零成本提升多模态预测。
UniProbe: A Learnable Token-Level Hallucination Detector for Large VLMs using Multi-Structural Internal Representations
提出UniProbe，用多结构内部表示实现LVLM令牌级幻觉检测，无需全模型微调。
多模态💡 解决幻觉检测痛点，方法轻量且结构创新，实用价值高。
MIRA: Medical Image Reflection for Agentic Diagnosis
MIRA框架让医疗AI智能体自主搜索证据并反思验证，提升诊断可靠性。
智能体💡 提出医疗视觉诊断新框架，解决工具误用痛点。
AECNav: Active Evidence Consolidation for Efficient Zero-Shot Open-Vocabulary Object Navigation
提出AECNav，通过证据门控感知与主动证据整合，提升零样本开放词汇物体导航的效率与准确性。
机器人💡 方法新颖，直击零样本导航痛点，具实用潜力。
Reference-Free Post-Training of Open Large Language Models for Multilingual Machine Translation
无需参考译文，用GRPO强化学习微调开源多语言模型，翻译质量提升。
大模型💡 提出免参考奖励的RL训练方法，对多语言翻译有实用价值。
Surfacing the Unsaid: CUE-Bench for Affective Stance in Chinese Discourse
提出CUE-Bench基准，评估中文话语中隐含情感立场的推理能力。
推理💡 填补情感基准空白，挑战模型深层语义理解。
E$^3$mo-Bench: A Scalable Benchmark for Multimodal Evoked and Expressed Emotion Understanding via Bayesian Pairwise Alignment
提出E³mo-Bench基准，用贝叶斯配对对齐评估多模态大模型对表达与诱发情绪的理解。
多模态💡 首个同时评估表达与诱发情绪的可扩展基准，填补多模态情感理解空白。
Dual Stress: Runtime Safety Monitoring for Safety-Constrained MPC Navigation
利用MPC优化中的KKT乘子构建运行时安全监控，提升自动驾驶导航安全性。
机器人💡 提出新颖的基于对偶信息的监控方法，兼具理论深度与实用价值。
A Gateway Architecture for Enterprise MCP Authentication: Unifying Heterogeneous Auth, Identity Delegation, and the User / Non-User Persona Problem
企业MCP认证碎片化，提出统一网关架构解决身份与授权问题。
大模型💡 实战部署方案，直击企业AI落地痛点。
Where To Look? : Causal Tracing of Vision Encoders in VLM
通过因果追踪发现VLM的视觉编码器因果token常不在目标区域，多模态性能强不代表空间因果表征局部化。
多模态💡 揭示VLM内部机制新发现，对多模态研究有启发。
Embodied Multimodal Grounding for Open-Vocabulary Mobile Manipulation via Semantic 3D Gaussian Splatting
提出融合语义3D高斯泼溅与扩散策略的移动操作框架，实现开放词汇目标定位与少样本操作。
多模态💡 多模态具身智能新方法，工程与理论结合紧密，具落地潜力。
Beyond Pixels: From Video Priors to 4D Worlds
提出利用视频模型VAE潜空间作为通用接口，实现无需重训的4D场景生成。
生成扩散💡 解决4D生成中分布失配与重训瓶颈，方法新颖且通用性强。
InterPruner: Interactive Structured Pruning via Taylor-Implicit Criterion and Language-Prior Modulator for Multimodal Object Detection
提出首个针对RGB-红外多模态目标检测的交互式结构化剪枝框架，利用泰勒隐式准则和语言先验调制器减少通道冗余。
多模态💡 首个多模态剪枝框架，解决跨模态冗余，有创新性和实用价值。
Ex-Omni-2D: Expressive Omni-Modal Dialogue Models with Native Visual Presence
提出Ex-Omni-2D框架，让多模态对话模型能生成带视觉呈现的协调响应。
多模态💡 首个实现原生视觉呈现的多模态对话框架，创新性强。
TCAM for Autonomous Deformable Manipulation: The RMC2 Champion System for WBCD 2026 Track 4
RMC2团队提出TCAM系统，赢得WBCD 2026变形操作挑战赛冠军，实现全自主T恤抓取、装载、对齐与抚平。
机器人💡 冠军技术报告，展示复杂变形操作全自主方案，具工程参考价值。
SLAC: Access-Driven CPU-to-GPU Side-channel Attacks via System-Level Cache on Apple Silicon
揭示苹果芯片CPU可经系统缓存侧信道攻击GPU，跨域泄露数据。
安全对齐💡 首个CPU到GPU的SLC侧信道攻击，安全研究突破。
研究发现多数生物医学论文存在LLM辅助写作痕迹，并提出新方法估算其使用率。
大模型💡 提出新方法监测学术不端，兼具科学价值与社会意义。
SPIEval: Evaluating Large Language Models as Mobile Assistants over Scattered Personal Information
新基准SPIEval评估大模型作为手机助手处理分散个人信息的能力。
大模型💡 首个针对手机助手处理分散信息的基准，填补评估空白。
Longitudinal Evidence That General-Purpose Chatbots Actively Foster Relational Engagement
研究发现通用聊天机器人会主动促进与用户的情感联结，影响AI治理边界。
大模型💡 用实证数据揭示AI主动维系关系的机制，治理启示深刻。
REDAgentBench: Executable Red Teaming and Faithful Measurement of LLM Agent Systems
提出可执行红队框架，忠实测量LLM智能体系统安全漏洞。
大模型💡 首个区分暴露与执行的智能体安全评测框架
提出FITTER模型，首个支持跨域迁移的时态知识图谱归纳推理方法。
推理💡 首个解决时态知识图谱跨域推理的模型，创新性强。
提出免训练的多模态推理验证方法，利用评分分歧共识检测推理链错误。
大模型💡 创新性地利用分歧信号，免训练且提升验证准确性。
DistilVDR: A Compact End-to-End Visual Document Retriever via Dual-Student Distillation
提出DistilVDR，用双学生蒸馏将8B视觉文档检索模型压缩至524M，端到端单向量检索。
多模态💡 模型压缩方法新颖，实用性强，解决检索效率痛点。
InSight-doc: Agentic Visual Perception for Long-Document Understanding
提出InSight-doc框架，通过自适应视觉分辨率提升长文档理解效率。
智能体💡 解决长文档推理成本高与上下文腐烂问题，方法创新且实用。
提出双循环自进化框架，用可验证情感反馈提升多轮共情对话能力。
大模型💡 解决多轮共情对话分布失配问题，方法新颖有实用价值。
Toward the Cognitive--Physical Limits of Embodied Intelligence through a World-Model-Centric Autonomous Racing Agent
通过世界模型中心化自动驾驶智能体，探索具身智能在极限竞速中的认知与物理边界。
机器人💡 将AI极限性能测试与赛车场景结合，揭示具身智能边界新视角。
BooST: Bridging Semantics and Motions for Efficient Skill Transfer
提出BooST框架，结合语义与运动，实现高效机器人技能迁移。
机器人💡 解决技能迁移中语义与运动割裂问题，具创新性。
数据更新于 1 天前 · 共 972 篇 · 来源 arXiv