DynaWM登场：清华把VLA“反应式抓取”改成“预判式拦截”
机器人抓静态物体，大家早就不稀奇了；真正麻烦的是，目标自己在动，策略还在按“刚才的位置”出手。清华这篇 DynaWM 的思路很直接：不去硬改底座 VLA，而是把它吐出的动作块当条件，再结合多视角历史重画轨迹，专治“追着空气跑”。
标签：模型架构
共 307 篇
Thinker-Talker双流架构：低延迟翻译更稳了
流式语音到语音翻译最烦的不是“会不会翻”，而是“能不能边听边翻还不崩”。这篇论文的狠活在于：只用约2k小时配对数据，就把长篇流式S2ST做到了很能打的水平，而且还把读写策略和语音生成拆开，思路很干净。
何恺明团队这篇ResNet论文证明：跳连别乱改，1000层才能稳住
这篇论文不靠花活，专盯一个老问题：为什么残差网络一加深就训练不顺。结论很直接——跳连和加法后激活别乱动，保持“直通车”最重要，1000层网络才有机会真的跑起来。
北大新方法：0.005bpp下还原视频细节
视频压缩最难的，不是把码率压低，而是把画面压低以后还不让人想砸键盘。北大这篇直接把“结构锚点”和“运动细节”拆开处理，用生成模型补细节，思路很硬，码率也压得够狠。
视觉Mamba新结论：token方向才是关键
这篇论文最有意思的地方，不是继续争论 Mamba 该不该进视觉，而是把 VMamba 和 MambaOut 拆开看：一个更吃“方向”，一个更吃“幅度”。结论对高分辨率分类和分割都很有启发，属于那种看完会忍不住想回头检查自己模型表征的工作。
不看全局也能收敛？这篇论文把多智能体算快了
多智能体强化学习最怕两件事：一是智能体一多就“全局爆炸”，二是连续状态动作一上来，离散表格那套直接失效。CDCPG把这两个坑一起填了，靠局部策略、局部评论家和随机特征，把理论和工程代价都压到了可讨论的范围里。
西安交大新方法DQ-CTM：稀疏思考也能做密集重建
超分辨率论文很多，但大多还是“算一次就交卷”。这篇 ThinkSR 的有意思之处在于，它把连续思考机器搬进了像素重建里，让模型可以一边想、一边补细节，而且四个思考步内就能看到稳定变清晰的轨迹。更关键的是，它不是只讲概念，确实把稀疏思考和密集输出之间的矛盾拆开了。
CVPR 2026级波前并行：自回归图像压缩提速13倍
自回归图像压缩最烦人的不是“压得不够好”，而是“明明模型很强，推理却慢得像在排队买奶茶”。这篇论文直接不改模型，靠波前并行把串行瓶颈拆开，属于很实用的系统型加速。
ICLR风格新作：扩散模型噪声机制，究竟控制什么？
这篇论文最有意思的地方，不是又造了一个“更重尾”的噪声，而是直接把问题拆成两半：噪声到底能提供什么，去噪器到底决定什么。结论有点扎心，但很值钱——很多时候，噪声看起来很忙，真正干活的却是条件信息。
西交大提出Quant Experts：token级量化补偿
量化论文最怕两件事：一是把模型压小了，二是把精度也一起压没了。Quant Experts 这篇的思路很实在，不跟“全局统一补偿”死磕，而是把重要通道分成全局稳定和 token 相关两类，再用共享专家和路由专家分工处理，72B 模型在 W4A6 下还能追回 5.09% 平均精度，确实有点东西。
不训练也能多条件生成？MixDiffusion把单条件模型拼成SOTA
最狠的地方不是“生成得像”，而是 不用再训练一个新模型 ，直接把多个单条件扩散模型拼起来，就能同时听懂框、点、草图、深度、参考图和文字。更离谱的是，它还敢说理论上条件数量不限。
RSS 2026新诊断：世界模型其实在“想当然”？
世界模型最怕的不是预测错一点，而是 看起来很会想，实际上只会顺着状态续写 。这篇论文直接把“长时程想象失败”拆成运动学和动力学两层，诊断味道很足，尤其适合做机器人、自动驾驶和具身智能的人看。
