论文速递

MemoCare 针对 MMSE 式异构交互难在手机上自动评分的问题，用语音转写加任务规则、GPS 加历史地名库、触屏事件校验和轻量视觉模型四路分工处理，并在 151 例软件用例、71 张锁定画图和 4 名临床医生检查中给出有条件的技术验证结论。

论文针对单耳大模型丢掉双耳方位线索、专用空间模型又缺乏通用理解的问题，用语义分支加空间分支的双分支编码器和分层语义到空间调制，在大规模合成双耳场景上训练，实测在真实空间推理上大幅领先且通用单耳任务基本不下降，但细粒度轨迹和多源计数仍明显变难。

MiMo-V2.6 针对长 horizon 智能体任务奖励粗糙、环境单一和训练不稳的问题，用每步 1568 组提示的大批量异步训练、多领域多线束环境与分组智能体打分来扩展强化学习，并在 DeepSWE 等榜单上随算力持续提升，代价是数百万美元量级的 rollout、训练与打分开销和百万 token 上下文的工程复杂度。

论文用自采的英国口音金融语音基准 CavaBench，测量流式与离线语音识别在不同口音和噪声下的词错误率及其向大模型工具调用准确率的传导，发现总体强相关但任务关键 token 的保真度更能决定成败，而针对性微调能以较小延迟内存代价缩小差距。

论文把文本生成音乐的意图对齐定义为逐条满足专家修订的音乐清单，并用测试时验证器引导的提示词搜索提升三款开源后端的对齐分数，代价是最多 9 次生成与逐条音频问答验证的开销。

针对带口音英语被语种识别模型误判为说话人母语的问题，论文只用母语英语和母语非英语语音拟合一个一维偏置方向并在冻结分类头前投影去除，在口音重的语料上大幅恢复英语识别率且基本不影响母语语音判断。

MMPostTrainBench 让研究智能体在统一基座和预算下自主改进图像、音频、视频等多模态能力并用目标与非目标、迭代轨迹与合规审计来衡量，MMResearch 再用媒体证据关联、分层记忆与开发集确认的保留机制把提交准确率提高但仍只在所测四任务与预算内成立。

论文把查询半径以内的说话人累加和作为直接目标，用连续半径调制和相邻半径一致性约束实现单模型连续区域提取，在实测混响上给出 29.25 dB 等结果，结论限定在两说话人训练和 0 到 4 米查询范围内。

MOV-AAD 用 50 人、64 通道脑电加眼动和外周生理同步记录移动双人对话下的注意选择，验证了包络重建和注意分类的可行性，但轨迹解码只在 Alpha 频段有限成立。

论文研究训练集中噪声类型与类别标签系统绑定的多类情绪识别问题，对比每次叠加其余所有类噪声的全量交叉增强与语音增强预处理，发现只有前者在可控信噪比下消除噪声捷径，而增强会引入新的可判别伪影，但全量叠加要付出有效信噪比下降的代价。

MUNITE 用一个随观测子集变化的完整观测潜变量条件分布统一编码与生成，用共享潜变量样本加各模态独立解码器保持联合一致，并用更丰富观测的自蒸馏从不完整样本中学习，在三个基准上主要提升一对多与无条件联合一致性，单目标质量保持可比。

针对合成语音事后加水印易被绕过和易被神经编解码重合成抹除的问题，NeuMark-Native 把 16 比特信息嵌入冻结的 VALL-E 与 SpeechTokenizer 每一层 RVQ 隐表示后再解码，在两套语料 11 种信号处理与 9 种编解码攻击下取得更强的整体检出，尤其在编解码攻击下优势明显，代价是只训练水印模块并需离线预合成配对数据。

论文用冻结编码器加逻辑回归比较 15 种语音、说话人验证、动物声学与通用音频表示在四个物种个体识别和三个物种叫声类型分类上的迁移效果，发现最强语音表示在七组设置中三组显著更好、四组无显著差异，而语言覆盖与动物域预训练均无系统优势，且可迁移信息高度依赖网络层与前端类型。

论文为无网或弱网的非洲语言社区设计了一套离线语音交互流水线与两档硬件清单，并用三款 2-5B 指令模型在四种量化精度下的吞吐、内存、功耗与多语言分类准确率证明 Q4_K_M 是最兼顾速度与质量的部署选择，但树莓派首字延迟与奥罗莫语识别仍是短板。

针对整体打分掩盖局部错误的问题，论文把预测目标改为引用、镜头和音频事件三组原子单元，用确定性规则查结构、用局部语言模型查语义，在 786 个视频上发现前沿模型局部感知强但跨镜头身份保持和音画关联弱，且格式修补补不回缺失信息。

针对文本图像音频视频混合输入下靠错证据生成的问题，OmniConfess 先冻结候选回答再逐通道重打分形成口供并据此修正判断与局部重写，在 3540 例基准上提升幻觉指标但逐通道重算带来额外推理耗时。

论文针对单模态可解的音视频评测无法检验联合推理的问题，用 OmniQA 构造带时间戳证据链的问答与 112K 加 19K 训练数据，并用 MFSD 做线索条件下的 token 级信用分配，在 OmniVideoBench 达 50.0% 且在自建基准达 42.5%，代价是多路线索打分与验证流水线开销。

该文针对开放词汇下每秒事件分类中视听相似度固定融合丢失自由度的问题，用复数卷积网络学习融合视听与文本相似度，并在冻结 ImageBind 上加 iHSV 与相位翻译两路辅助流，在 OV-AVEBench 未见类上达到 66.5/59.1/54.1% 的准确率/段级 F1/事件级 F1，代价是四流推理增加约 135 ms 延迟且跨数据集迁移不稳定。

Paradee 针对单音色 af_heart 把 Kokoro-82M 的文本侧与解码器分别蒸馏并直接拼接，在 200 句 held-out 上 UTMOS 4.41 接近教师 4.52，代价是保留 2-8 kHz 相位相关的轻微嗡嗡声并依赖相位锁定滤波做训练后修正。

论文用匹配内容合成与固定提示回放在冻结 GLM-4-Voice 中检验请求式副语言是否跨内容复现，以 16 维共享坐标刻画结构，最强表示证据是内容留出下 9.49% 对 1.25% 与余弦 0.285 对 0.017，而生成干预只在部分属性与层组有效并伴随文本保真代价。