机构 * Stanford University（斯坦福大学） ； Radical Numerics
AI总结 本文探究文本到图像生成是否需语言预训练，推出Halcyon系列多模态自回归模型，其在GPIC数据集从头训练，性能优于同类模型且预训练计算量大幅降低，还可学习图像字幕，证明无需大规模语言预训练也能实现高性能T2I生成。
Comments 27 pages; Project website: this https URL (https://cs.stanford.edu/~keshik/halcyon)
机构 * The Chinese University of Hong Kong（香港中文大学） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
AI总结 针对LLM生成CAD装配体常不满足物理功能的问题，提出FunCAD-Harness框架，结合FunCADBench基准评估，可提升功能成功率，助力实现能转化人类意图的CAD智能体。
Comments 45 pages, 16 figures, project page: this https URL (https://thegenlab.ai/funcad/)
OpenVLHarness：基于多模态记忆的真实世界视觉智能体工具使用
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Apple（苹果公司）
AI总结 该研究提出OpenVLHarness多模态推理框架，通过能力层与持久多模态记忆结合异构工具，在22个基准上较无工具基线提升平均分数9.7-12.6点，且成本更低。
VideoMaMa++：通过保留与优化令牌实现时间一致的视频抠图
机构 * Korea University（高丽大学） ； Adobe Research（奥多比研究院） ； KAIST AI（韩国科学技术院人工智能学院）
AI总结 该研究提出VideoMaMa++框架，通过保留与优化令牌实现跨片段边界的时间一致视频抠图，在基准数据集及野外长视频上的细节精度与时间一致性均优于现有扩散类方法。
Comments NeurIPS 2026. Project page: this https URL (https://cvlab-kaist.github.io/VideoMaMa-PlusPlus/) Code: this https URL (https://github.com/cvlab-kaist/VideoMaMa-PlusPlus)
机构 * Baidu Inc.（百度公司）
AI总结 该研究针对带可验证奖励的多模态强化学习的特权校正污染问题，提出视觉归因门控（VAG）方法，结合视觉可归因的在线策略自蒸馏范式，在六个视觉推理基准上实现优于GRPO、OPSD的新SOTA平均性能。
Ropedia W0：基于人类经验扩展适用于不同 embodiment 的运动-操作世界模型
机构 * Nanyang Technological University（南洋理工大学） ； Duke University（杜克大学） ； University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Tsinghua University（清华大学）
AI总结 Ropedia W0 是首个跨人类与不同 embodiment 机器人的运动-操作世界基础模型，通过整理 Xp-Data 等数据及相关基准，在多基准上实现 SOTA 性能，支持实时 VR 交互，可用于具身决策。
Comments Project page: this https URL (https://ropedia.github.io/ropedia-w0/); Code: this https URL (https://github.com/Ropedia/ropedia-w0)
机构 * NVIDIA（英伟达） ； Peking University（北京大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 该研究提出基于物理词的PhysWord模型，通过原子动作动词构建结构化潜在推理，在两个基准任务上达最优性能，可泛化至未见场景并支持长时程机器人操作。
机构 * Alaya Lab（Alaya实验室） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Taiwan University（国立台湾大学）
AI总结 提出VLM驱动的InfiniDream框架，通过符号约束资产生成与端到端文本到世界流水线，实现开放式逼真3D世界生成，在100个对象和20个场景任务的四个感知指标上表现提升，验证了框架有效性。
Comments Project page: this https URL (https://yichuanh.github.io/infinidream-page/)
CoopUQ：基于不确定性感知协同预测的鲁棒多机器人社会导航
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of California, Riverside（加州大学河滨分校） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； University of Georgia（佐治亚大学） ； New York University（纽约大学） ； KAIST（韩国科学技术院）
AI总结 该研究提出CoopUQ框架，通过跨机器人时空特征融合的不确定性感知协同占用预测，结合约束多智能体强化学习，提升了多机器人社会导航在分布偏移场景下的预测性能与安全性。
Comments Conference on Robot Learning (CoRL 2026); Project Website: this https URL (https://coopuq.github.io/)
Manga2Animate：基于脚本与分镜规划的忠实漫画动画生成智能体框架
机构 * National Yang Ming Chiao Tung University（国立阳明交通大学）
AI总结 本研究提出多智能体框架Manga2Animate，通过分解为动画脚本与分镜并经双智能体优化，实现更忠实于原作、镜头间一致性更高的漫画动画生成。
Comments Project page: this https URL (https://annchenn.github.io/Manga2Animate/)
GenOlympiad：在前沿图像模型的能力边界处进行基准测试
机构 * Australian National University（澳大利亚国立大学） ； Canva
AI总结 该研究推出GenOlympiad基准，通过9个能力轴的挑战性文本提示测试前沿文本到图像模型，开发自动评估框架并评估20余个模型，揭示模型能力短板与评估相关见解。
Comments 30 pages, 16 figures, 6 tables
机构 * Galbot Team（Galbot团队）
AI总结 本文研究物理RSI的机制与尺度，引入PhysRSI-eval五轴指标评估VLM在18个操作任务的表现，提出物理木桶假说，开展工作空间干预分析，发现场景适应与可复用经验可共存。
Comments Tech Report
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Duke University（杜克大学） ； Meta MSL（元MSL）
AI总结 WeAct将权重切换作为智能体动作，通过训练LoRA适配器并按需选择，在8个基准上较全微调提升6.2%、较静态LoRA合并提升27.5%，还支持模块化持续适应。
Comments 24 pages, 14 figures, 12 tables, including references and appendices
GPT-6 Astra 是一种用于接触丰富操作的原生视觉-触觉策略
机构 * Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团高德地图）
AI总结 该研究展示 GPT-6 Astra 可直接解释视觉触觉图像用于接触丰富操作，在 19 个模拟任务上的成功率超专用基线，挑战了专用策略的排他性，推动相关预训练与评估。
Comments 22 pages, 19 figures, 5 tables. Project page: this https URL (https://tactalent.github.io/)
机构 * University of California, Berkeley（加州大学伯克利分校） ； Impossible Research ； University of Washington（华盛顿大学） ； Duke University（杜克大学）
AI总结 该研究提出Agima框架，训练智能体在行动前想象后果，经SFT和RL训练后，在四个游戏环境中泛化到难设置，解决推箱子谜题性能优于仅动作规划器。
机构 * Brown University（布朗大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） ； Mila, Université de Montréal（蒙特利尔大学米拉研究所） ； New York University（纽约大学）
AI总结 该研究推出AnyGoal基准及开源库，探究世界模型在专家轨迹外的组合泛化问题，发现当前模型在状态动作因子组合时存在失败，为评估世界模型泛化进展提供基础。
Comments Project Page: this https URL (https://hazel-heejeong-nam.github.io/anygoal/)
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； NVIDIA（英伟达）
AI总结 LatComm 是一种大语言模型间的潜在通信接口，通过分离上下文编码与读取实现可复用压缩，在 12 个问答数据集和 QuALITY 上分别提升准确率、降低输入并加快速度。
Comments 17 pages, 9 figures, 11 tables. Under Review
机构 * University of Toronto（多伦多大学） ； Vector Institute（矢量研究所） ； AI Center–Toronto, Samsung Electronics（三星电子多伦多AI中心）
AI总结 本文针对扩散变换器推理成本高的问题，提出无需训练的SpecKCast方法，通过频域卡尔曼滤波跟踪特征系数，在FLUX等模型上实现最高6倍加速且内存开销小，优于现有缓存与预测方法。
Comments 34 pages, 19 figures
相同模拟，不同证据：检索工具输出会在何处损耗大语言模型智能体的准确率
机构 * University of California, Riverside（加州大学河滨分校） ； University of California, Irvine（加州大学欧文分校）
AI总结 本文研究发现，检索工具输出会使GPT-5.1、GPT-5.2的准确率下降，Claude系列模型无损耗，原因是证据替换，命名权威输出可提升GPT模型准确率，上下文管理需关注损耗位置。
Comments 15 pages, 4 figures
机构 * Department of Science and Technology, Tsinghua University（清华大学科学技术系）
AI总结 本文揭示混合架构中循环与注意力的竞争学习现象，提出分阶段训练流程，使10亿参数模型在语言建模、常识推理及检索任务上性能显著提升。
ProteinGeoBench：前沿结构生物学智能体在检索方面表现出色但在几何计算上存在不足
机构 * Protege DataLab（Protege数据实验室） ； Heimdall Bio（海姆达尔生物公司）
AI总结 该研究构建ProteinGeoBench基准，发现前沿结构生物学智能体检索元数据表现好但几何计算弱，模型排名受评估配置影响，建议按任务系列报告评估结果。
Comments 24 pages, 2 figures, 10 tables. Benchmark and tasks: this https URL (https://github.com/Protege-AI/ProteinGeoBench)
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Research（微软研究院） ； Georgia Tech（佐治亚理工学院） ； Northeastern University（东北大学）
AI总结 本研究提出WildAWM流水线，合成支持多界面的计算机使用智能体环境与任务，训练的Qwen模型在8个分布外基准测试中泛化表现显著提升。
Comments 35 pages
机构 * University of California, Los Angeles（加州大学洛杉矶分校）
AI总结 本研究提出KEEP-Bench基准评估上下文压缩的证据保留，发现强模型证据保留率低且计算成本高，EPR指标显示中等规模模型的证据保留回报峰值，呼吁关注小预算下的强保留压缩器。
Comments Code: this https URL (https://github.com/PlusLabNLP/KEEP-Bench) Project: this https URL (https://pluslabnlp.github.io/KEEP-Bench/)
RefCraft：通过网页开发评估视觉参考条件下的智能体生成
机构 * Alibaba Token Foundry（阿里巴巴代币铸造厂） ； CUHK（香港中文大学） ； Fudan University（复旦大学） ； The University of Sydney（悉尼大学）
AI总结 研究针对现有基准忽略视觉参考开发网页的问题，推出RefCraft基准，评估9个前沿MLLM在300个多模态网页开发任务中的表现，发现最强模型得分仅52.12，凸显该领域仍是重大挑战。
Comments Project page: this https URL (https://wangyuchi369.github.io/refcraft/)
机构 * MemTensor
AI总结 本研究推出新型记忆基础模型架构MemT-1.0，采用Gated DeltaNet-2与混合存储，经两阶段训练后，其在记忆能力、推理效率及智能体任务表现上优于基线，为原生记忆演化提供了实践路径。
Comments 66 pages, 15 figures, 16 tables
SpecMRL：在参数频谱内重新设计嵌套表征学习（Matryoshka Representation Learning, MRL）
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； School of Computer Science, Wuhan University（武汉大学计算机学院） ； Lenovo Group（联想集团）
AI总结 该研究针对MRL缺乏明确约束保证前缀编码合适的问题，提出SpecMRL，通过参数衍生的频谱基重组特征空间，在MTEB实验中其在各缩减维度均优于MRL，仅用一半嵌入维度就超越全维度MRL，拓展了MRL性能边界。
Comments preprint
机构 * University of Cape Town（开普敦大学）
AI总结 本文提出AfriBED数据集，针对低资源非洲语言本巴语和尼扬贾语，用于评估ASR系统的性别与说话人类型偏差，实验验证了其有效性。
Comments accepted at 2026 IEEE Spoken language Technology Workshop Demo Track
机构 * Tel Aviv University（特拉维夫大学） ； Shenzhen University（深圳大学）
AI总结 本文提出开放形式几何风格迁移方法，通过几何LoRA与风格LoRA解耦结构与风格，结合通用几何先验，实现从字形等形状类别学到的几何风格向人体姿态等差异显著的未见形式迁移。
机构 * University of Freiburg（弗赖堡大学） ； University of Oxford（牛津大学）
AI总结 提出StreamRPS框架，结合自动标签生成与专用网络，在SAX、BOREAS数据集上以超400 FPS处理速度实现优于基准至少1.4个百分点的雷达场景分割性能。
PICA-WAM：通过世界动作模型中的跨外观自对齐实现视觉扰动不变性
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学）
AI总结 提出PICA-WAM框架，通过跨外观自对齐辅助任务提升WAMs的视觉扰动鲁棒性，在多数据集及真实机器人上验证了其性能优势。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈