73
Submitted by
737443hFIPO是一种强化学习算法，旨在克服大语言模型中的推理瓶颈，通过引入未来KL散度来创建密集优势分配，以替代GRPO中的粗粒度信用分配，从而显著提升推理长度和任务准确性。
Daily Papers
Daily Papers
2026.04.01
25
2026.03.31
35
2026.03.30
15
2026.03.27
29
2026.03.26
22
2026.03.25
34
2026.03.24
41
2026.03.23
37
2026.03.20
32
2026.03.19
33
XI
Submitted by
XiaotongLi97本文提出LongCat-Next，一种原生多模态模型，通过离散原生自回归（DiNA）框架将文本、视觉和音频统一在共享离散令牌空间中，利用dNaViT进行任意分辨率的视觉标记化，实现了单一自回归目标下的多模态处理和工业级性能。
TI
Submitted by
tianlezengCARLA-Air: Fly Drones Inside a CARLA World -- A Unified Infrastructure for Air-Ground Embodied Intelligence
LLM 解读
全文片段
CARLA-Air是一个开源仿真基础设施，通过在单个Unreal Engine进程中统一CARLA的高保真城市驾驶和AirSim的物理精确多旋翼飞行，为空陆实体智能研究提供物理一致的模拟环境。
BI
Submitted by
bibonaLingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells
LLM 解读
全文片段
Lingshu-Cell是一个基于掩码离散扩散模型的生成性细胞世界模型，用于转录组建模，能模拟细胞状态分布并预测扰动响应，在虚拟细胞和生物发现中具有潜力。
YH
Submitted by
yhx12GEMS 是一个代理原生多模态生成框架，通过代理循环、内存和技能来提升复杂指令和下游任务的性能，使轻量模型超越先进模型。
ZH
Submitted by
ZhaochongAnVGGRPO是一种通过潜在空间几何引导的后训练框架，旨在提高视频扩散模型的几何一致性，无需重复RGB解码，支持动态场景，提升相机稳定性和3D一致性。
CS
Submitted by
csfufuUnify-Agent是一种统一多模态代理，通过将图像生成重构为包括提示理解、证据搜索、重新描述和合成的代理流程，解决现有模型在长尾和知识密集型概念上的生成局限。
MI
Submitted by
Midoria7daVinci-LLM:Towards the Science of Pretraining
LLM 解读
摘要模式
daVinci-LLM 结合工业级计算资源和完全开放的研究范式，通过 Data Darwinism 框架和两阶段自适应课程训练，系统性探索预训练科学，发现数据处理深度是关键因素，并分享了 200 多个控制实验的结果。
VI
Submitted by
vinthonyCutClaw是一个自主的多代理框架，利用多模态语言模型（MLLMs）将小时长的原始视频素材编辑成音乐同步的短视频，通过分层分解、叙事规划和精细优化，提升编辑质量和效率。
RO
Submitted by
rookiehabcMonitorBench: A Comprehensive Benchmark for Chain-of-Thought Monitorability in Large Language Models
LLM 解读
全文片段
MonitorBench 是一个用于评估大语言模型中思维链可监测性的全面开源基准，包含1514个测试实例和压力测试设置，揭示了可监测性与模型能力、任务类型的关联。
SW
Submitted by
SW-YoonExtend3D: Town-Scale 3D Generation
LLM 解读
全文片段
Extend3D是一种无训练的3D场景生成管道，通过扩展对象中心模型的潜在空间和使用重叠补丁，从单张图像生成城镇规模的3D场景，结合点云先验、SDEdit细化和优化技术提高质量。注意：提供的论文内容可能不完整。
QI
Submitted by
QiYao-WangFlowPIE是一个科学想法生成框架，通过流引导蒙特卡洛树搜索进行动态文献检索，并结合生成奖励模型驱动的进化算法进行测试时想法进化，以产生新颖、可行和多样化的研究想法。
TA
Submitted by
taesiriThink Anywhere in Code Generation
LLM 解读
全文片段
Think-Anywhere 是一种新型推理机制，使大型语言模型在代码生成过程中能在任意令牌位置按需触发思考，通过冷启动训练和基于结果的强化学习奖励实现，在多个基准测试上达到最先进性能并增强可解释性。
SH
Submitted by
shyyhsOptiMer: Optimal Distribution Vector Merging Is Better than Data Mixing for Continual Pre-Training
LLM 解读
全文片段
OptiMer 通过训练每个数据集的CPT模型提取分布向量，并使用贝叶斯优化后处理搜索最优合并权重，解耦数据混合比选择与训练，在持续预训练中优于数据混合方法，显著降低成本。
TA
Submitted by
taesiriVectorGym是一个综合性的多任务基准测试套件，针对可缩放矢量图形（SVG），包括草图到SVG生成（VG-Sketch）、SVG编辑（VG-Edit）、文本到SVG生成（VG-Text）和SVG描述生成（VG-Cap）四项任务，采用人类专家标注的复杂数据，并提出基于多任务强化学习的方法和VLM作为评判指标，以推动视觉代码生成的研究。
CS
Submitted by
cszhilu1998ArtHOI: Taming Foundation Models for Monocular 4D Reconstruction of Hand-Articulated-Object Interactions
LLM 解读
全文片段
ArtHOI是一个优化框架，通过整合和优化多个基础模型的先验，从单目RGB视频重建4D手-关节物交互，解决现有方法局限于刚性物体或需要多视图的挑战。
TA
Submitted by
taesiriLearn2Fold是一个神经符号框架，通过解耦语义提案与物理验证，使用大语言模型生成候选折叠程序，结合图结构世界模型进行前瞻规划，从文本生成物理有效的折纸序列。
LT
Submitted by
lty2226262AutoWeather4D: Autonomous Driving Video Weather Conversion via G-Buffer Dual-Pass Editing
LLM 解读
全文片段
AutoWeather4D是一个前馈3D感知的天气编辑框架，通过G-buffer双通道编辑机制显式解耦几何和光照，实现自动驾驶视频的天气转换，无需逐场景优化，提供高效、可控的数据生成。
KE
Submitted by
kehanluHow Auditory Knowledge in LLM Backbones Shapes Audio Language Models: A Holistic Evaluation
LLM 解读
全文片段
该研究系统性评估了大型语言模型（LLMs）在纯文本预训练中编码的听觉知识，通过直接探测、级联评估和音频接地评估三种设置，发现听觉知识在模型家族间差异显著，且纯文本评估与音频性能强相关，为LLMs在音频研究中的选择提供经验依据。
BH
Submitted by
BharathK333MMFace-DiT: A Dual-Stream Diffusion Transformer for High-Fidelity Multimodal Face Generation
LLM 解读
全文片段
MMFace-DiT是一种双流扩散变换器，用于高保真多模态人脸生成，通过深度融合文本和空间先验改善空间-语义一致性。
PR
Submitted by
prosperoloPoseDreamer: Scalable and Photorealistic Human Data Generation Pipeline with Diffusion Models
LLM 解读
全文片段
PoseDreamer 是一个利用扩散模型生成大规模合成人类数据集的管道，通过可控图像生成和3D标注对齐，解决了现有数据集在规模、逼真度和多样性方面的不足，生成了超过500,000个高质量样本，并在模型训练中表现出色。
KA
Submitted by
kaizhaoSeGPruner是一个用于3D问答的视觉令牌修剪框架，通过结合语义重要性和几何多样性减少多视角图像中的冗余令牌，在提高推理效率的同时保持性能。
SH
Submitted by
shashi-kumarDistilling Conversations: Abstract Compression of Conversational Audio Context for LLM-based ASR
LLM 解读
全文片段
论文研究了基于LLM的自动语音识别中，如何利用对话上下文提升性能，特别是识别上下文实体。提出抽象压缩方法，将前几轮音频压缩为固定潜在令牌以降低成本，在领域内外测试中部分恢复性能增益。
RY
Submitted by
ryhara本文提出了Ghost-FWL，一个大规模移动全波形LiDAR数据集，用于鬼影检测和去除，并开发了基于FWL的基线模型和FWL-MAE自监督学习方法，显著提高了下游任务性能。
GA
Submitted by
gabrielloiseau该研究通过知识蒸馏技术，将大型语言模型Mistral Large 3的隐私敏感性评估能力转移到参数仅150M的轻量级编码器模型，实现了与人类判断一致的高效、本地化隐私评估。