Icml-2026

📄 BFCL Audio: An Audio Function Calling Evaluation for Large Language Models #基准测试 #语音交互 #多模态模型 #模型比较 7.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1/1.5 | 清晰 1/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7.7/10 | 前25% | #语音交互 | #多模态模型 | #基准测试 #模型比较 | arxiv 👥 作者与机构 第一作者：Huanzhi Mao（University of California, Berkeley） 通讯作者：Huanzhi Mao（University of California, Berkeley） 作者列表：Huanzhi Mao（University of California, Berkeley）、Aditya Ghai（University of California, Berkeley）、Imra Dawoodani（University of California, Berkeley）、Tony A Ginart（Salesforce AI Research）、Shishir G Patil（University of California, Berkeley）、John Emmons（Salesforce AI Research）、Joseph E. Gonzalez（University of California, Berkeley） 💡 毒舌点评 首次系统评估音频function calling，其可控合成管道和无需LLM裁判的自动评分机制，为语音Agent的鲁棒性问题提供了清晰的归因分析。但工作本质上仍是现有BFCL基准向语音模态的延伸，且完全依赖合成数据，在真实场景的生态效度和结论的泛化性上存在硬伤。 ...

📄 Bioacoustic Geolocation: Species Sounds as Geographic Signals #音频分类 #对比学习 #多任务学习 #数据集 5.8/10 | 创新 0.8/2 | 严谨 0.8/1.5 | 实验 1/1.5 | 清晰 0.9/1 | 影响 0.4/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1/1.5 📝 5.8/10 | 前50% | #音频理解 | #对比学习 | #音频分类 #多任务学习 | arxiv 👥 作者与机构 第一作者：Mustafa Chasmai（University of Massachusetts, Amherst） 通讯作者：Mustafa Chasmai（University of Massachusetts, Amherst） 作者列表：Mustafa Chasmai、Wuao Liu、Subhransu Maji、Grant Van Horn（均来自 University of Massachusetts, Amherst） 💡 毒舌点评 本文瞄准了一个有趣但极为小众的问题：利用生物声学信号进行全球尺度地理定位。核心思想——以物种分布范围作为定位的强先验——具有一定的洞见性。但方法层面上的贡献单薄得令人失望：AG-CLIP 本质上只是 GeoCLIP 的音频适配版，再加一个物种清单预测的辅助损失，两个组件的组合方式在 2025 年看来过于直白，缺乏方法学上的深度。更致命的是，模型在真实的黎明合唱场景（XCDC）下几乎完全失效（区域准确率仅4.3%），而作者对性能瓶颈的剖析仅停留在"分布偏移"和"物种重叠"的层面，缺乏深入的诊断实验，也未能提供任何有效的解决方案。论文的系统性基准测试值得肯定，但作为一个声称要"奠定地基"的工作，缺乏足够的算法贡献来支撑这一雄心。 ...

📄 Bridging the Stability-Expressivity Gap: Synthetic Data Scaling and Preference Alignment for Low-Resource Spoken Language Models #语音合成 #后训练 #自监督学习 #低资源 #多语言 8/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 🔥 8/10 | 前25% | #语音合成 | #后训练 | #自监督学习 #低资源 | arxiv 👥 作者与机构 第一作者：Yizhong Geng（北京邮电大学） 通讯作者：Xiaoyu Shen（Eastern Institute of Technology, Ningbo） 作者列表：Yizhong Geng（北京邮电大学）、Yanliang Li（Beijing Logic Intelligence Technology）、Jinghan Yang（北京邮电大学）、Tianhan Jiang（University of California, USA）、Boxun An（Northwestern University, USA）、Ya Li（北京邮电大学）、Xiaoyu Shen（Eastern Institute of Technology, Ningbo） 💡 毒舌点评 本文敏锐地抓住低资源SLM中合成数据泛滥引发的“越稳定越单调”的分布塌缩现象，并将Flow-Matching架构的内在解耦设计巧妙地转化为无需人工标注的自对齐信号，思路相当漂亮。然而，TDSC对目标语言ASR模块的硬依赖限制了其在最极端的语言上的用武之地，且整个pipeline的计算开销在资源受限场景下的性价比分析仍然缺席。 ...

📄 Characterizing the Predictive Impact of Modalities with Supervised Latent-Variable Modeling 6.4/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.4/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 6.4/10 | 前50% | #变分自编码器 | arxiv 👥 作者与机构 第一作者：Divyam Madaan（New York University, Courant Institute of Mathematical Sciences） 通讯作者：Divyam Madaan（New York University, Courant Institute of Mathematical Sciences）（原文未明确区分通讯作者，但根据惯例和联系方式可推断） 作者列表：Divyam Madaan（New York University, Courant Institute of Mathematical Sciences）、Sumit Chopra（New York University, Courant Institute of Mathematical Sciences; Grossman School of Medicine）、Kyunghyun Cho（New York University, Courant Institute of Mathematical Sciences; CIFAR LMB） 💡 毒舌点评 本文提出了一个有洞察力的方向：不止于填补缺失模态，而是刻画缺失模态对预测结果的影响。通过潜变量建模与方差度量 V，巧妙地将缺失模态带来的不确定性转化为可解释的信号。然而，实验规模停滞在小数据集与两个模态的组合，且对“模态影响度量本身如何被验证”这一核心挑战几乎未触及，使得量化分析的结果停留在启发式层面，难以严格评估其可靠性。方法在单模态预测任务上的性能甚至未能完全复现简单基线的效果，这引发了对其判别式训练目标有效性的根本性质疑。 ...

📄 CMI-RewardBench: Evaluating Music Reward Models with Compositional Multimodal Instruction #音乐生成 #基准测试 #数据集 #参数高效微调 6.4/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0.3/1.5 | 复现 0.2/0.5 | 工程 0.7/1.5 ✅ 6.4/10 | 前50% | #音乐生成 | #参数高效微调 | #基准测试 #数据集 | arxiv 👥 作者与机构 第一作者：Yinghao Ma (Queen Mary University of London) 和 Haiwen Xia (Peking University) 为同等贡献 通讯作者：Yinghao Ma (yinghao.ma@qmul.ac.uk), Emmanouil Benetos (emmanouil.benetos@qmul.ac.uk) 作者列表：Yinghao Ma (Queen Mary University of London), Haiwen Xia (Peking University), Hewei Gao (Technical University of Munich; Technical University of Denmark), Weixiong Chen (Queen Mary University of London), Yuxin Ye (Beijing University of Post and Telecommunications), Yuchen Yang (Soochow University), Sungkyun Chang (Queen Mary University of London), Mingshuo Ding (Peking University), Yizhi Li (University of Manchester), Ruibin Yuan (Hong Kong University of Science and Technology), Simon Dixon (Queen Mary University of London), Emmanouil Benetos (Queen Mary University of London) 💡 毒舌点评 论文构建了一套相对完整的音乐RM评估体系，数据规模可观，基准设计用心。但方法本质上是双塔+Transformer融合范式的领域迁移，创新性有限；代码、模型和数据集均只给出一纸声明而无具体链接，开源态度令人失望；对单一预训练编码器的强绑定使得RM的上限被锁死，歌词与跨模态理解能力仍是硬伤。 ...

📄 CoCoEmo: Composable and Controllable Human-Like Emotional TTS via Activation Steering 7.1/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 0.5/1.5 ✅ 7.1/10 | 前50% | #语音合成 | arxiv 👥 作者与机构 第一作者：Siyi Wang（The University of Melbourne, Australia） 通讯作者：Ting Dang（The University of Melbourne, Australia） 作者列表：Siyi Wang（The University of Melbourne）、Shihong Tan（Wuhan University, China）、Siyi Liu（The Hong Kong University of Science and Technology (Guangzhou), China）、Hong Jia（The University of Auckland, New Zealand）、Gongping Huang（Wuhan University, China）、James Bailey（Monash University, Australia）、Ting Dang（The University of Melbourne） 💡 毒舌点评 这篇论文将大语言模型（LLM）中炙手可热的激活转向技术，系统地“移植”到了语音合成的混合情感控制上。其“SLM而非声学模块才是情感表达总导演”的核心洞察，是一项扎实的经验发现，为“在哪里转向”提供了原则性指导，工程价值显著。然而，方法的技术内核（均值差向量、线性探针选层）是领域内标准操作的直接应用，理论深度有限。线性可加性的强假设、对离散标签的依赖，以及实验对比中暴露的某些指标未能超越指令基线的尴尬，都让它更像一次扎实的实证分析报告，而非一锤定音的方法论突破。 ...

📄 CoLA: Cross-Modal Low-rank Adaptation for Multimodal Downstream Tasks #音视频理解 #参数高效微调 #LoRA #多模态模型 8.3/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1/1.5 🔥 8.3/10 | 前25% | #音视频理解 | #参数高效微调 | #LoRA #多模态模型 | arxiv 👥 作者与机构 第一作者：Wish Suharitdamrong（Surrey Institute for People-Centred AI, University of Surrey; Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey） 通讯作者：Wish Suharitdamrong（ws00372@surrey.ac.uk） 作者列表：Wish Suharitdamrong（Surrey Institute for People-Centred AI, University of Surrey; CVSSP, University of Surrey）、Tony Alex（Surrey Institute for People-Centred AI, University of Surrey; CVSSP, University of Surrey）、Muhammad Awais（Surrey Institute for People-Centred AI, University of Surrey; CVSSP, University of Surrey）、Sara Atito（Surrey Institute for People-Centred AI, University of Surrey; CVSSP, University of Surrey） 💡 毒舌点评 CoLA 将 LoRA 的低秩分解巧妙扩展为双路径结构，为双编码器多模态适配提供了一条简洁的跨模态融合范式；视觉‑语言与音频‑视觉两组任务上的实验也较为扎实，并首次实现了基于 PEFT 的多任务视觉定位。然而，该方法本质上仍是对 LoRA 的线性外推，理论分析仅停留在秩和线性跨度层面，未能给出更深的表征交互机制；且跨模态路径在推理时不可合并带来的开销，在资源敏感场景中会成为硬伤。此外，损失函数完全缺失，复现存在实质性缺口。 ...

📄 ConsMSA: Semantic Distribution Consistency Learning for Multimodal Sentiment Analysis #多模态模型 6.1/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 ✅ 6.1/10 | 前50% | #多模态模型 | #多模态模型 | arxiv 👥 作者与机构 第一作者：Pan Wang（匹兹堡大学电子与计算机工程系，Amazon） 通讯作者：Pan Wang (pan.wang@pitt.edu) 和 Jingtong Hu (jthu@pitt.edu) 作者列表：Pan Wang（匹兹堡大学电子与计算机工程系，Amazon）、Lipeng Ke（Amazon, Sunnyvale）、Huajun Ying（Amazon, Sunnyvale）、Pritish Mohapatra（Amazon, Sunnyvale）、Rohan Sarkar（Amazon, Sunnyvale）、Suresh Lakhani（Amazon, Sunnyvale）、Sankar Venkataraman（Amazon, Sunnyvale）、Jingtong Hu（匹兹堡大学电子与计算机工程系） 💡 毒舌点评 这篇论文把“语义分布一致性”的概念玩得很溜，统一了模态内冗余和模态间冲突这两个老大难问题。方法上把JS散度、置信度gate和token剪枝打包成一套整洁的信号驱动框架，工程味道很浓，压缩实验也够硬核。可惜创新点偏“组合式精致”，底层模块都是老面孔，且完全不开源，这在顶会上相当于是断了自己复现验证的后路，诚意不足。 ...

📄 Convex Low-resource Accent-Robust Language Detection in Speech Recognition #语音识别 #迁移学习 #低资源 #理论分析 6/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 0.8/1.5 ✅ 6/10 | 前50% | #语音识别 | #迁移学习 | #低资源 #理论分析 | arxiv 👥 作者与机构 第一作者：Miria Feng（斯坦福大学电气工程系） 通讯作者：Miria Feng（miria00@stanford.edu） 作者列表：Miria Feng（斯坦福大学电气工程系）、William Tan（斯坦福大学计算机科学系）、Mert Pilanci（斯坦福大学电气工程系） 💡 毒舌点评 本文将凸神经网络的理论工具精准地“搬”进了语音识别语言检测任务，在极低资源下拿到了漂亮的一致性好成绩，理论与系统落地的结合点找得准，凸优化免调参的特性是实证亮点。但检测头只做语言分类，并未触碰 ASR 转录瓶颈本身；对比基线缺乏与主流 LID 专用模型的正面较量；且特征空间证书因缺乏编码器 Lipschitz 的精确估计而难以兑现为实用的音频空间鲁棒性保证，理论保证与工程实际之间存在明显落差。 📌 核心摘要 本文针对多方言口音环境下自动语音识别（ASR）语言检测错误频发、尤其低资源方言样本稀缺导致传统微调过拟合的问题，提出 Convex Language Detection (CLD) 框架。方法核心是利用两层 ReLU 网络的凸重构形式，将 ASR 编码器冻结，仅通过凸规划训练一个检测头；该凸程序用 ADMM 在 JAX 上多 GPU 求解，得到全局最优解，并基于 variation norm 推导出 Lipschitz 证明和可计算的 margin 稳定性证书。相比传统神经网络需要大量数据和超参调优，CLD 在低资源（100-10000 样本）场景下保持高语言检测准确率并显著降低 WER。主要实验分别在二分类（英语 vs 中文，各含5种口音）和多分类（5种语言，24种口音）上进行，使用 Whisper-Small、Whisper-Large-V3 和 MMS-1B 作为骨干编码器；CLD 在500样本二分类上达到96.95%准确率，远超微调Whisper的72.07%和普通NN的55.80%；多分类中 Whisper-Large-V3 配合 CLD 达到98.06%准确率，WER降至28.60；训练时间仅为普通NN的7.7%。该方法为低资源多方言场景提供了一种可即插即用的稳健语言检测模块，但仅改善语言识别错误，对同一语言内方言转录错误仍受限于原始解码器。 ...

📄 Decoupling The “What” and “Where” With Polar Coordinate Positional Embedding #音乐生成 7.8/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 1.1/1.5 ✅ 7.8/10 | 前25% | #音乐生成 | #Transformer | arxiv 👥 作者与机构 第一作者：Anand Gopalakrishnan（The Swiss AI Lab IDSIA, USI & SUPSI, Lugano, Switzerland；通讯地址为 Harvard University） 通讯作者：Anand Gopalakrishnan, Michael C. Mozer（University of Colorado, Boulder；Google） 作者列表：Anand Gopalakrishnan, Robert Csordás (OpenAI, San Francisco, USA；工作完成于 Stanford University 期间), Jürgen Schmidhuber (The Swiss AI Lab IDSIA, USI & SUPSI；KAUST, Thuwal, Saudi Arabia), Michael C. Mozer 💡 毒舌点评 这篇 paper 的切入点选得巧，一眼看穿了 RoPE 里“what”和“where”纠缠带来的麻烦，一刀切下去直接把问题肢解了。数学上的改动无非是把坐标系擦了重画，但长度外推的效果确实让人侧目——不用插值不用微调，10倍上下文直接扛住，这波操作很秀。不过，作者似乎太陶醉于这一干净的“解耦”动作，对于“为什么解耦了就突然能外推了”这个问题，给了一堆实验观察，唯独缺了那个能让人彻底信服的理论闭环。另外，音乐和基因组领域的实验虽然贴了金，但 774M 的模型规模在当下连入门都算不上，离真正让大模型生产流水线买单，还差着几个量级的实证。 ...