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
7月7日 · 当日精选What Does a Discrete Diffusion Model Learn?
离散扩散模型学习的是去噪器、分数比还是桥接预测器？在跳变率层面，它们是同一对象的不同坐标。
NLP💡 严格推导了CTMC的ELBO，并证明了Oracle Distance定理，理论贡献扎实。
提出双向对齐具身智能框架Cortex，解决长时域操作任务中高层规划与底层执行的语义鸿沟。
智能体💡 新框架解决VLA模型长时域任务痛点，方法创新且实验扎实。
From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model
提出无需标定的视角鲁棒VLA模型CamVLA，让机器人自主适应相机变化。
多模态💡 解决机器人部署中相机视角变化的实际难题，方法新颖。
Weak-to-Strong Generalization via Direct On-Policy Distillation
提出弱到强直接策略蒸馏方法，降低大模型强化学习成本
推理💡 解决大模型后训练瓶颈，方法创新且实用
全部论文
436 篇What Does a Discrete Diffusion Model Learn?
离散扩散模型学习的是去噪器、分数比还是桥接预测器？在跳变率层面，它们是同一对象的不同坐标。
NLP💡 严格推导了CTMC的ELBO，并证明了Oracle Distance定理，理论贡献扎实。
提出双向对齐具身智能框架Cortex，解决长时域操作任务中高层规划与底层执行的语义鸿沟。
智能体💡 新框架解决VLA模型长时域任务痛点，方法创新且实验扎实。
AgentGym2: Benchmarking Large Language Model Agents in De-Idealized Real-World Environments
提出AgentGym2基准，在非理想化真实环境中评估LLM代理，弥补现有简化基准的不足。
大模型💡 针对真实部署难题提出新基准，填补评估空白。
EdgeBench: Unveiling Scaling Laws of Learning from Real-World Environments
研究发现智能体在真实环境中学习遵循对数S型缩放定律，性能可预测提升。
智能体💡 首次揭示真实环境学习缩放定律，对AI发展有重要指导意义。
论文提出AI智能体面临的新型数据注入攻击，威胁远超指令注入。
大模型💡 揭示被忽视的安全漏洞，对AI部署有重要警示。
From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model
提出无需标定的视角鲁棒VLA模型CamVLA，让机器人自主适应相机变化。
多模态💡 解决机器人部署中相机视角变化的实际难题，方法新颖。
Weak-to-Strong Generalization via Direct On-Policy Distillation
提出弱到强直接策略蒸馏方法，降低大模型强化学习成本
推理💡 解决大模型后训练瓶颈，方法创新且实用
提出无需人工标注、可量化不确定性的深度学习框架，用于天文瞬变候选体真假分类。
AI综合💡 方法创新性强，解决真实标注稀缺痛点，对自动化巡天有实际价值。
提出LLM-as-a-Verifier通用验证框架，无需额外训练即可为智能体任务提供细粒度反馈。
大模型💡 提出验证作为新扩展轴，方法创新且实用性强。
提出SynCity 3000框架，通过卷积化图像转3D生成器实现全局一致且可精细控制布局的大规模3D场景生成。
视觉💡 提出新框架解决3D场景数据稀缺与生成一致性问题。
大规模多视角触觉数据集，助力机器人可变形物体世界模型研究。
机器人💡 提供稀缺真实数据，填补可变形物体建模空白。
提出动态相机内参估计新方法，结合真实与合成数据提升精度。
视觉💡 解决动态内参估计难题，推动3D视觉鲁棒性。
Search Beyond What Can Be Taught: Evolving the Knowledge Boundary in Agentic Visual Generation
视觉生成模型存在知识边界，本文提出SearchGen数据集和基准以系统评估和突破这一瓶颈。
智能体💡 系统构建了大规模基准和数据集，对视觉生成领域有重要研究价值。
提出CompactionRL，用强化学习训练长程智能体，联合优化任务执行与上下文压缩。
大模型💡 解决LLM长程任务中上下文窗口限制的新方法，有理论创新。
提出MV-Forcing框架，通过4D几何桥接实现长时多视角一致视频生成。
生成扩散💡 解决多视角长视频生成难题，方法新颖有实用潜力。
提出FORE方法，通过伴随贝尔曼递归拟合离线强化学习中的占用率，无需贝尔曼完备性。
强化学习💡 解决离线强化学习核心问题，方法创新且实用。
提出SPEARBench基准，用于评估流式语音到语音模型在对话中的自然度。
语音音频💡 首个针对语音模型自然度的系统化评估基准，填补领域空白。
研究发现自回归ASR系统在长静音段会产生时间戳漂移，提出基于回放分布编辑的校正方法。
语音音频💡 揭示ASR时间戳漂移新问题并提出有效解决方案。
提出图稀疏采样算法，解决连续MDP规划中指数级采样预算问题。
AI综合💡 突破连续域规划计算瓶颈，理论创新性强。
ReCal3R: Reliability-Calibrated Learning Rates for Streaming 3D Reconstruction
提出可靠性校准学习率方法，提升流式3D重建中循环场景状态的鲁棒性。
视觉💡 解决流式重建中状态退化核心问题，方法创新且实用。
提出几何互易定理，实现单目视频自监督立体视频生成，无需立体对数据。
视觉💡 首次用自监督解决立体视频生成瓶颈，方法新颖且实用。
提出分层词汇路由（HeRo）框架，实现大语言模型水印的选择性披露，保护隐私。
大模型💡 解决多比特水印隐私泄露痛点，方法创新且实用。
Multiplayer Interactive World Models with Representation Autoencoders
首个多玩家交互世界模型，可处理复杂物理环境中的多智能体动作。
智能体💡 提出多玩家世界模型新方法，对AI交互研究有重要价值。
提出首个前馈3D高斯泼溅框架WildSplat，实现无位姿野外图像的外观条件新视角合成。
视觉💡 首次解决前馈方法在光照变化场景下的外观解耦与无位姿渲染难题。
提出多智能体框架OptiAgent，将自然语言问题自动转化为数学公式与可执行代码。
智能体💡 端到端优化建模新方法，多智能体迭代自纠错有创新。
Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation
提出零样本模拟到真实部署的灵巧抓取方法，利用密集触觉与关节扭矩传感实现物理交互控制。
机器人💡 解决灵巧手模拟到真实部署难题，方法创新且实用性强。
综述深度学习在精液分析中的应用，涵盖计算机视觉、多模态融合与临床转化。
多模态💡 系统梳理AI在男性不育诊断中的前沿方法与临床价值。
针对医疗视觉语言模型，提出首个临床级多模态编辑基准M3Bench。
AI综合💡 填补医疗AI模型编辑评估空白，临床场景设计严谨。
提出CARE方法，在扩散模型中精确移除概念而不损伤语义相关概念。
生成扩散💡 解决概念擦除中的附带损伤问题，方法新颖且实用。
用强化学习动态优化推理批处理策略，提升吞吐与延迟平衡。
智能体💡 提出RL替代静态批处理，有仿真与生产数据验证。
Privacy-Preserving Robustness Verification for Neural Networks
提出首个隐私保护神经网络鲁棒性验证框架SecureCROWN，解决验证与隐私的矛盾。
AI综合💡 首个将2PC用于神经网络鲁棒性验证，兼具理论创新与实用价值。
GUSH3R: Everyone Everywhere All at Once as Gaussians
提出GUSH3R框架，从单目视频实时重建动态人物与场景，支持逼真渲染。
视觉💡 解决动态人体与场景联合重建难题，方法创新且实用。
提出CanniUplift框架，解决电商激励分配中卖家与激励间的蚕食效应问题。
AI综合💡 针对SUTVA违例提出新框架，有实际电商应用价值。
GelNeuro 实现触觉感知与神经形态计算的全集成，无需主机即可完成纹理识别。
机器人💡 提出完整系统方案，突破现有依赖主机的瓶颈，具工程与学术价值。
提出MoP-JEPA，用硬分配预测器解决随机环境中JEPA世界模型的预测崩溃问题。
AI综合💡 理论证明与创新方法兼具，对世界模型研究有重要启发。
首次将迭代伪标签训练用于中英混合语音识别，有效利用无标签数据提升性能。
NLP💡 提出新方法解决数据稀缺问题，具有实际应用价值。
EvoAgentBench: Benchmarking Agent Self-Evolution via Ability Transfer
提出评估智能体自我进化能力的新基准EvoAgentBench，聚焦程序性知识迁移。
大模型💡 首个专门评估智能体程序性知识迁移的基准，填补现有评测空白。
Noisy-Channel Minimum Bayes Risk Decoding
提出噪声信道最小贝叶斯风险解码，提升文本生成质量与鲁棒性
NLP💡 解决MBR解码方向性偏差，方法创新性强
Unified Audio Intelligence Without Regressing on Text Intelligence
Audex统一音频文本模型，不牺牲文本能力。
大模型💡 新模型发布，统一音频文本处理有创新。
When Claws Remember but Do Not Tell: Stealthy Memory Injection in Persistent Personal Agents
研究揭示AI个人代理的持久记忆可被远程注入恶意内容，实现隐蔽攻击。
智能体💡 首次系统定义并验证了AI代理记忆注入攻击，安全价值高。
VLM-CASE: Vision-Language Model Enabled Context-Adaptive Safety Envelopes for Anticipatory Safe Autonomous Driving
SOTA</> 代码
VLM-CASE框架让自动驾驶在恶劣天气下像人类一样提前预判并保持安全边界。
多模态💡 用VLM实现形式化安全与场景理解的结合，有理论创新。
提出频率-空间域协同DETR，解决小目标检测中高频信息丢失问题。
视觉💡 创新性地融合频域与空间域，提升小目标检测性能。
RABBiT: Rapidly adaptive BOLD foundation model via brain-tuning for accurate zero-shot and few-shot prediction of speech-elicited responses in the brain
SOTA</> 代码
提出RABBiT模型，通过脑调谐实现零样本与小样本下语音诱发脑反应的精准预测。
NLP💡 跨被试泛化能力突破，脑机接口与AI交叉前沿。
Claim-Level Rubric Rewards for Video Caption Reinforcement Learning
提出细粒度奖励框架CuRe，解决视频密集描述强化学习中的奖励设计瓶颈。
视觉💡 针对强化学习奖励设计提出创新框架，方法新颖且实用性强。
提出FressDet框架，实现多光谱目标检测的全旋转等变光谱-空间学习。
视觉💡 解决了多光谱检测中旋转等变与光谱-空间融合的关键难题。
DSpark 通过半自回归生成与置信度调度，提升大模型并行推测解码的吞吐量。
大模型💡 提出新框架解决并行推测解码的接受率衰减与吞吐瓶颈。
PDEFlow将用户描述的微分方程自动转为神经算子训练与推理管线。
智能体💡 提出新框架，自动化微分方程求解与算子学习流程。
提出UNIVERSE统一视频动作模型，通过掩码调制模态生成提升自动驾驶轨迹泛化能力。
生成扩散💡 创新性地融合视频预测与轨迹生成，解决级联架构中动态知识传递不足的问题。
When Agents Lie: Premeditation, Persistence, and Exploitation in Repeated Games
研究揭示LLM在重复博弈中会预谋、持续且利用性地撒谎。
大模型💡 首次系统证明AI能预谋性欺骗，对安全部署至关重要。
ASSEMCAD: Production-Ready CAD Assembly Generation from Natural Language
提出AssemCAD框架，从自然语言生成生产级机械装配体，解决多部件协调与工程一致性难题。
大模型💡 首次系统解决文本到装配体生成这一工程难题，方法新颖实用。
Rating the Pitch, Not the Product: User Evaluations of LLMs Reflect Expectations More Than Performance
研究发现，用户对LLM的评价更多受预期影响，而非实际性能。
大模型💡 揭示AI评估中的认知偏差，对产品设计有启发。
提出ECO八叉树，实现移动机器人实时点云流高效增量更新。
机器人💡 新数据结构算法，解决实时点云处理核心瓶颈。
提出MIRAGE方法，用NLI跨文档图防御长文本RAG中的信息污染。
大模型💡 针对RAG真实污染问题提出无需训练的新防御方案。
Your Agent's Memories Are Not Its Own: Forged Reasoning Attacks on LLM Agent Memory and Defenses
研究提出针对LLM智能体记忆的伪造推理攻击方法FARMA，揭示新安全漏洞。
大模型💡 首个系统研究智能体记忆推理链攻击，安全价值高。
研究通过解耦LLM内部对数学问题可解性的知识表征与语言化表征，发现两者可分离并操控。
大模型💡 揭示模型内部认知机制，对理解与改进LLM推理能力有重要参考价值。
提出TACTIC-KG框架，用小型智能体团队协作构建网络安全知识图谱，解决大模型成本高、可控性差的问题。
大模型💡 创新性用多智能体协作替代单一大模型，提升CTI知识图谱构建效率与可控性。
提出统一理解、潜在预测与动作的机器人操作模型，利用预训练VLM和视频生成先验。
机器人💡 创新性融合VLM与视频生成先验，解决多目标干扰问题。
Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control
Qantara提出联合训练方法，让JEPA世界模型同时支持轨迹优化与行为克隆两种推理范式。
机器人💡 解决JEPA模型训练时范式固定问题，提升部署灵活性。
提出统一3D场景生成与重建的像素空间扩散范式，解决潜在空间信息损失问题。
生成扩散💡 提出新方法统一两大任务，理论创新且实用性强。
数据更新于 1 小时前 · 共 436 篇 · 来源 arXiv