Icml-2026

📄 Optimality of FSQ Tokens for Continuous Diffusion for Categorical Data with Application to Text-to-Speech #语音合成 #扩散模型 8/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1.3/1.5 🔥 8/10 | 前25% | #语音合成 | #扩散模型 | arxiv 👥 作者与机构 第一作者：Vadim Popov（Huawei Noah’s Ark Lab, National Research University Higher School of Economics） 通讯作者：Vadim Popov（popov.vadim1@huawei.com） 作者列表：Vadim Popov（Huawei Noah’s Ark Lab, National Research University Higher School of Economics）、Wenju Gu（Huawei Noah’s Ark Lab）、Tasnima Sadekova（Huawei Noah’s Ark Lab, National Research University Higher School of Economics）、Georgii Aparin（Huawei Noah’s Ark Lab, National University of Science and Technology MISIS）、Assel Yermekova（Huawei Noah’s Ark Lab） 💡 毒舌点评 这篇论文巧妙地将 FSQ 的几何结构注入了连续扩散混合生成的理论框架, 从路径测度 KL 散度给出了一个漂亮的解释, 并用一套完整的 TTS 系统秀了肌肉。但理论的华美长袍下藏着“等先验”的致命伤疤, 一旦面对真实世界中不平衡的 token 分布, 所谓“最优性”可能瞬间沦为纸上谈兵, 而作者在实验中对此几乎是讳莫如深。 ...

📄 PADS-TAL: Padding-Annealed Diffusion Sampling in Text-Aware Latent Space for Robust and Diverse Text-to-Music Generation #音乐生成 6.6/10 | 创新 1/2 | 严谨 1.1/1.5 | 实验 0.9/1.5 | 清晰 0.8/1 | 影响 0.9/1.5 | 开源 0.5/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 6.6/10 | 前50% | #音乐生成 | #扩散模型 | arxiv 👥 作者与机构 第一作者：Taekoan Yoo（NHN Corp. AI Tech Lab.） 通讯作者：Kyeongbo Kong（Pusan National University） 作者列表：Taekoan Yoo、Wonkyung Jung、Kyunghun Kim（均为NHN Corp. AI Tech Lab.），Kyeongbo Kong（Pusan National University） 💡 毒舌点评 论文在“文本到音乐扩散模型的多样性退化”这个真实痛点上有清晰motivation，PADS的直觉（只扰动padding、不碰语义token）简洁有效，TAL的MoE-mVAE设计在表示层面为genre一致生成提供了结构支撑，两者组合在消融中表现一致。但整体创新层次不高——两个组件本质都是已有技术的迁移和改造（CADS→PADS，MoE-mVAE→TAL），缺乏新的方法论贡献。更令人担心的是，genre作为“全局语义”的唯一代理，严重窄化了T2M多样性问题的定义；实验上MelBench被处理成器乐子集，削弱了genre结论的外部效度；对比基线仅围绕CADS展开，与其他多样性增强方法的对比局限在Fig. 10的trade-off曲线上，未做深入调参和讨论。按顶会标准看，问题定义有价值、方案合理、实验基本完整，但贡献的深度和广度均未达到突破性水平。 ...

📄 PCRNet: Phase-aware Complex Refinement Network for EEG-based Auditory Attention Decoding #实时处理 6.4/10 | 创新 0.8/2 | 严谨 0.9/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 ✅ 6.4/10 | 前50% | #实时处理 | #实时处理 | arxiv 👥 作者与机构 第一作者：Xiran Chen（安徽大学，计算机科学与技术学院，光电信息获取与防护技术国家重点实验室），Xiaoke Yang（同等贡献第一作者，同上） 通讯作者：Cunhang Fan（安徽大学，计算机科学与技术学院，光电信息获取与防护技术国家重点实验室） 作者列表：Xiran Chen, Xiaoke Yang, Jian Zhou, Zhao Lv, Cunhang Fan（均属于安徽大学上述学院与国家重点实验室） 💡 毒舌点评 本文试图通过引入相位信息来给EEG听觉注意解码注入新的方法论血液，这思路本身不差，但实际落地更像是一次工程上的模块搬家。TCC、MTA、RSI、DDI等组件拼装感强烈，本质上是对现有时间注意力、扩张卷积、复数频谱处理等技术的整合与重命名。虽然文中强调"相位感知"，但所谓的"精炼"其实就是将实部和虚部分别送入结构对称的卷积块，再用一个从幅度谱生成的掩码打回去，这和真正的神经生理学相位校准机制相差甚远，解释性不足，有过度包装之嫌。论文最大的硬伤在于没有进行任何跨被试（LOSO）实验，这导致其宣称的SOTA性能在个体差异面前可能极度脆弱，无法说服审稿人其具有真实的泛化能力。极短的0.1s窗口下KUL数据集达到98.4%的准确率近乎完美，这在信噪比极低的EEG信号中显得反常，不排除存在微妙的时间信息泄露或过拟合于特定被试。 📌 核心摘要 问题：现有EEG听觉注意解码方法大多仅依赖幅度或功率谱特征，忽略了EEG信号相位信息在编码神经振荡与时间结构中的关键作用。这限制了模型在低信噪比环境下区分结构化神经模式与随机噪声的能力。 方法：提出PCRNet，包含时序上下文校准（TCC）模块和双域集成（DDI）模块。TCC利用多尺度时序注意力（MTA）结合门控机制，在进入频域分析前对Q、K、V投影进行精细校准；DDI则并行运行一个时序扩张卷积分支和一个基于残差频谱接口（RSI）块的频谱分支，RSI在复数域中通过可学习的幅度重要性门控对实部和虚部分别进行精炼、动态抑制噪声频段，再经逆傅里叶变换重构特征。 新意：与以往只关注能量/幅度的主流方法不同，PCRNet明确地在复数域操作，对实部和虚部进行独立的特征混合和精炼，并引入数据驱动的幅度掩码以实现相位感知的频谱滤波，旨在保留并重校准因噪声受损的相位结构。 主要实验结果：在KUL、DTU和AVED三个公开数据集上，与包括SSF-CNN、MBSSFCC、DBPNet、DARNet、SSF-DST、MHANet在内的六种现有方法对比，PCRNet在所有决策窗口（0.1s, 1s, 2s）下均取得了最高的平均准确率，尤其在KUL数据集的0.1s窗口下达到98.4%的准确率。参数总量仅为0.03M。 实际意义：极低的模型参数量和极短决策窗下的高性能，使其在神经导向助听器等需要低功耗、低延迟的边缘计算实时脑机接口应用中展现出潜力。 主要局限性：仅在受试者内（within-subject）划分下进行评估，完全缺乏跨被试（cross-subject）或留一被试（LOSO）的必要泛化性验证；所有数据集均为实验室受控短时程实验范式，未涉及真实场景下的连续流式处理；对相位增益的解释停留在模型消融，缺乏与神经生理学机制的深入关联分析。 🔗 开源详情 代码：https://github.com/SunshineGreeny/PCRNet 模型权重：论文中未提及 数据集：使用公开数据集KUL、DTU、AVED，但未提供具体获取链接 Demo：论文中未提及 复现材料：论文第3.3节提供了训练配置和网络参数等实现细节，但未提供单独的配置文件、检查点或复现脚本。 论文中引用的开源项目：PyTorch (https://pytorch.org/) 🏗️ 方法概述和架构 PCRNet是一个端到端的神经网络，旨在从EEG信号中解码听觉注意对象（左耳或右耳）。其输入是经过公共空间模式（CSP）预处理的EEG片段 \(\tilde{E} \in \mathbb{R}^{C \times T}\)（C为通道数，T为时间点），输出为二分类标签。 ...

📄 PHALAR: Phasors for Learned Musical Audio Representations #音乐生成 #对比学习 #CNN #工业应用 8/10 | 创新 1.3/2 | 严谨 1.4/1.5 | 实验 1.3/1.5 | 清晰 1/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.5/0.5 | 工程 1/1.5 🔥 8/10 | 前25% | #音乐生成 | #对比学习 | #CNN #工业应用 | arxiv 👥 作者与机构 第一作者：Davide Marincione（Department of Computer Science, Sapienza University of Rome, Italy） 通讯作者：Davide Marincione（Sapienza University of Rome）、Michele Mancusi（Sapienza University of Rome; Moises Systems, Inc.） 作者列表： Davide Marincione（Sapienza University of Rome）、Michele Mancusi（Sapienza University of Rome; Moises Systems, Inc.）、Giorgio Strano（Sapienza University of Rome）、Luca Cerovaz（Sapienza University of Rome; Paradigma, Inc.）、Donato Crisostomi（Sapienza University of Rome）、Roberto Ribuoli（Sapienza University of Rome）、Emanuele Rodolà（Sapienza University of Rome; Paradigma, Inc.） 💡 毒舌点评 这篇工作的核心洞察——用傅里叶移位定理将时间对齐映射为复数相位旋转——确实漂亮，让等变设计从“能用”变成“应该用”。在stem检索任务上以不到一半参数拿到69%的相对提升，训练速度是前SOTA的7倍，效率优势让人眼前一亮。不过，方法对周期性假设的依赖过于刚性，一旦遇到速度漂移或非周期性节奏，所谓“相位相干性”就变成了空中楼阁。人耳评估的样本量和被试规模也仅能勉强支撑与部分强基线的显著差异，跨到“与人类判断高度相关”的强宣称还差一口气，更别提在零样本节拍跟踪上与监督模型的鸿沟了。 ...

📄 PhaseCoder: Microphone Geometry-Agnostic Spatial Audio Understanding for Multimodal LLMs #空间音频 #Transformer #大语言模型 #参数高效微调 #多通道 8.7/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 🔥 8.7/10 | 前25% | #空间音频 | #Transformer | #大语言模型 #参数高效微调 | arxiv 👥 作者与机构 第一作者：Artem Dementyev (Google DeepMind, Cambridge, USA) 通讯作者：Artem Dementyev (Google DeepMind, Cambridge, USA) 作者列表：Artem Dementyev (Google DeepMind, Cambridge, USA)、Wazeer Zulfikar (Media Lab, MIT, Cambridge, USA)、Sinan Hersek (Google AR, Seattle, WA)、Pascal Getreuer (Google DeepMind, Cambridge, USA)、Anurag Kumar (Google DeepMind, Cambridge, USA)、Vivek Kumar (Google DeepMind, Cambridge, USA) 💡 毒舌点评 在LLM普遍缺乏空间听觉的当下，提出几何无关的空间音频编码器并与Gemma集成，切入点精准，但实验验证过分依赖合成数据，如同在声学真空里练出绝世武功，一到真实环境的混响、遮挡和噪声面前就难免露怯。定向转录准确率仅44%-52%，离实用还很遥远，更像是给LLM装上了一副度数不太准的眼镜。 ...

📄 PhoStream: Benchmarking Real-World Streaming for Omnimodal Assistants in Mobile Scenarios #音视频问答 #基准测试 #多模态模型 #流式处理 #数据集 7.3/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.3/10 | 前50% | #音视频问答 | #多模态模型 | #基准测试 #流式处理 | arxiv 👥 作者与机构 第一作者：Xudong Lu（香港中文大学 MMLab） 通讯作者：Rui Liu（华为研究，liu.rui2@huawei.com）、Hongsheng Li（香港中文大学 MMLab，hsli@ee.cuhk.edu.hk） 作者列表：Xudong Lu（香港中文大学 MMLab）、Huankang Guan（华为研究）、Yang Bo（华为研究）、Jinpeng Chen（华为研究）、Xintong Guo（华为研究）、Shuhan Li（华为研究）、Fang Liu（香港城市大学）、Peiwen Sun（香港中文大学 MMLab）、Xueying Li（上海交通大学）、Wei Zhang（上海交通大学）、Xue Yang（上海交通大学）、Rui Liu（华为研究）、Hongsheng Li（香港中文大学 MMLab） 💡 毒舌点评 这篇论文发现了一个真实且普遍的“模型太猴急”问题，用精心设计的流式基准把主流 MLLM 都打回了原形，Forward 任务的惨淡分数极具说服力。但作为 benchmark 论文，它过度依赖 Gemini 3 Pro 做数据生成和 Qwen3-235B 做评估，一旦这两个闭源/强模型更新，基准的稳定性和公平性就很微妙；而且在多模态流式领域，作者把“音频”当成了加分项来宣传，结果消融实验却显示开音频反而让 Forward 性能更差，这个自曝其短的结论让人既敬佩又哭笑不得。 ...

📄 Pianist Transformer: Towards Expressive Piano Performance Rendering via Scalable Self-Supervised Pre-Training #音乐生成 #预训练 #自监督学习 #Transformer #SFT 8.1/10 | 创新 1.1/2 | 严谨 1.1/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.5/0.5 | 工程 0.8/1.5 🔥 8.1/10 | 前25% | #音乐生成 | #预训练 | #自监督学习 #Transformer | arxiv 👥 作者与机构 第一作者：Hong-Jie You（南京大学 计算机软件新技术国家重点实验室、人工智能学院） 通讯作者：Yu-Feng Li（南京大学 计算机软件新技术国家重点实验室、人工智能学院） 作者列表：Hong-Jie You（南京大学）、Jie-Jing Shao（南京大学 人工智能学院）、Xiao-Wen Yang（南京大学 人工智能学院）、Lin-Han Jia（南京大学 人工智能学院）、Lan-Zhe Guo（南京大学 智能科学与技术学院）、Yu-Feng Li（南京大学 人工智能学院） 💡 毒舌点评 本文将一个在NLP/CV中已被验证的预训练范式成功迁移到钢琴演奏渲染这一小众领域，并用漂亮的客观/主观双料SOTA数据说明了其有效性，故事逻辑完整。但“范式转变”的帽子扣得略大，本质上仍是“Masked Token Prediction + SFT”的标准配方，且10B-token预训练带来的性能增益在消融中仅依赖“有/无预训练”的二值比较，缺乏更细致的scaling law分析，使得“10B”这个数字更像一个资源配置的结果而非深刻的科学洞察。局限性讨论过于温和，对为何在踏板维度上未能全面领先SOTA避而不谈。 ...

📄 Polyphonia: Zero-Shot Timbre Transfer in Polyphonic Music with Acoustic-Informed Attention Calibration #音乐生成 #扩散模型 #零样本 6.5/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0.5/1.5 | 复现 0.2/0.5 | 工程 1.2/1.5 ✅ 6.5/10 | 前50% | #音乐生成 | #扩散模型 | #零样本 | arxiv 👥 作者与机构 第一作者：Haowen Li（华南理工大学未来技术学院） 通讯作者：Qi Liu（华南理工大学未来技术学院） 作者列表：Haowen Li（华南理工大学未来技术学院）、Tianxiang Li（华南理工大学未来技术学院）、Yi Yang（华南理工大学未来技术学院）、Boyu Cao（华南理工大学未来技术学院）、Qi Liu†（华南理工大学未来技术学院）(*表示共同第一作者，†表示通讯作者) 💡 毒舌点评 这篇论文找到了一个非常漂亮的insight——将BSS的判别式输出（IRM）转化为扩散模型里的软注意力约束，以此解决复调音乐中纯语义注意力“找不到北”的问题。想法本身是成立的，实验也基本撑住了SOTA的claim。但问题是，整个框架厚重地寄生在预训练AudioLDM 2的躯体上，推理慢如牛（10秒音频需24秒），且对BSS模型的质量有硬依赖——本质上是用一个黑箱去修另一个黑箱的缺陷。更致命的是，最强对手PPAE被以“复现困难”为由直接踢出局，这让实验的公平性打上问号。代码和模型权重均未公开，同态可复现性堪忧，这让论文更像一场精巧的概念验证秀，而非社区可信赖的基线。 📌 核心摘要 问题：本文要解决的是零样本、声部级（stem-specific）的复调音乐音色迁移——即精准改变特定声部的音色（如人声→小提琴），同时严格保留其他声部和整体音乐结构不变。现有方法（如Melodia、SteerMusic）因依赖纯语义交叉注意力而缺乏频谱分辨率，在密集混音中遭遇“语义-声学不对齐”（Semantic-Acoustic Misalignment），导致非目标声部失真（Non-target Distortion）或目标声部编辑失败（Target Misalignment）。 方法核心：提出Polyphonia框架，核心是“声学先验校准注意力”（Acoustic-Informed Attention Calibration）。通过盲源分离（BSS）模型HT-Demucs提取概率化的理想比率掩码（IRM）作为声学先验 \(G_{IRM}\)，将其注入预训练扩散模型AudioLDM 2的T-UNet注意力层，实施两种校准操作：源插值（Source Interpolation）保背景，声学调制（Acoustic Modulation）强目标，从而在粗粒度频谱边界内进行精粒度语义合成。 新颖性：首次形式化复调音乐编辑中的“语义-声学不对齐”问题；将判别式的BSS输出（IRM）转化为生成式扩散模型内的软注意力偏差，统一了判别与生成范式；提出了在Pre-Softmax logit空间进行注意力干预的机制，利用Softmax的非线性放大效应以实现更锐利的决策边界。 主要实验结果：在MUSDB18-HQ和MusicDelta数据集上，使用自建的PolyEvalPrompts基准（1170个编辑任务）进行评测。Polyphonia的CLAP分数比最优基线Melodia提升约15.5%（MusicDelta: 0.437 vs. 0.380）。在结构保持与音色对齐的综合指标（ASB, AMB）上取得最优平衡，但在LPAPS和CQT1-PCC等结构保真度指标上并非最优，展现了灵敏度-保真度的清晰trade-off。主观评估中，Polyphonia在目标音色准确性（TTA）和全局音频一致性（GAC）上得分最高。 实际意义：为音乐制作提供了一种零样本的声部级精确编辑工具，避免了对昂贵监督微调（如Music ControlNet）的依赖，具有直接集成的工程潜力。 主要局限性：推理速度慢（扩散迭代100步），高度依赖BSS模型的分离质量和预训练生成模型的能力天花板。作者声称将探索flow-matching等加速策略。 🔗 开源详情 代码：未提供任何代码仓库链接。 模型权重：未发布 Polyphonia 自身的模型权重。实验依赖于预训练的第三方模型：AudioLDM 2 的 cvssp/audioldm checkpoint、MusicGen 的 facebook/musicgen-melody checkpoint、HT-Demucs、Open-Unmix 等，这些均为公开可获取的开放权重。 数据集：使用公开数据集 MUSDB18-HQ 和 MusicDelta（来自MedleyDB）。自建的 PolyEvalPrompts 数据集已公开在Demo页面，但未提供直接下载链接。 Demo：https://polyphonia2026.github.io/polyphonia-demo/ 复现材料：论文附录（C、E、G、J）提供了详细的实现细节、超参数配置与评估方法，并包含核心算法的伪代码。但缺少实际源码、配置文件或模型权重，不能直接复现。 论文中引用的开源项目： AudioLDM 2：https://github.com/haoheliu/AudioLDM2 HT-Demucs：https://github.com/facebookresearch/demucs Open-Unmix：https://github.com/sigsep/open-unmix-pytorch LAION-CLAP：https://github.com/LAION-AI/CLAP MusicGen（来自 AudioCraft）：https://github.com/facebookresearch/audiocraft T5（text-to-text-transfer-transformer） GPT-2：https://github.com/openai/gpt-2 nnAudio：https://github.com/KinWaiCheuk/nnAudio Qwen-Audio：https://github.com/QwenLM/Qwen-Audio Qwen3：https://github.com/QwenLM/Qwen3 fadtk（FAD 工具）：https://github.com/gudgud96/fadtk 🏗️ 方法概述和架构 Polyphonia是一个基于预训练AudioLDM 2扩散模型的双路径零样本编辑框架。其核心思想是：利用盲源分离（BSS）获得的概率化频谱掩码作为外部声学先验，在扩散模型的逆序推理（Inversion）和编辑去噪（Editing）过程中，对T-UNet的注意力图进行校准，从而解决纯语义注意力在复调音乐中无法精确定位目标声部的问题。整体流程分为三个阶段： ...

📄 PRIM：Cooperative Dynamic Token Compression for Efficient Large Multimodal Models #多模态模型 #音视频理解 3.6/10 | 创新 1/2 | 严谨 0.8/1.5 | 实验 0.8/1.5 | 清晰 1/1 | 影响 0/1.5 | 开源 0/1.5 | 复现 0/0.5 | 工程 0/1.5 📝 3.6/10 | 后50% | #音视频理解 | #多模态模型 | arxiv 👥 作者与机构 第一作者：Song Li（北京邮电大学 网络与交换技术国家重点实验室） 通讯作者：Yongping Xiong（北京邮电大学 网络与交换技术国家重点实验室） 其他作者：无。论文仅列出两位作者。 💡 毒舌点评 本文基于对多模态大模型中注意力的观察，构建了一套无训练的推理阶段令牌压缩流水线。这种“观察-设计-验证”的套路本身并无新意，且每个模块（早期融合、注意力剪枝、频域压缩）均是现有技术的直接借用或微调。更致命的是，论文声称“高效推理”，却完全没有提供任何代码、模型权重或复现配置，这使得所有所谓的效率提升、记忆开销减少和延迟降低都成了无法核实的“纸上谈兵”。在开源已成为顶级会议标配的今天，这种做法严重削弱了论文的可信度和影响力，对于注重实践和复现的语音/音频社区而言，这更是一篇参考价值几乎为零的工作。 📌 核心摘要 这篇论文旨在解决大型多模态模型（LMMs）在推理长音视频内容时，因输入令牌数量巨大而导致的计算和内存开销过高的问题。文章通过对LLM内部注意力分布的分析，做出了两个核心观察：（1）跨模态交互主要集中在LLM的浅层，深层则趋于稀疏和抽象；（2）在所有层中，音频令牌获得的注意力权重始终高于视频令牌，表明音频包含更密集的语义信息，而视频则存在大量冗余。基于这些观察，作者提出了PRIM，一个无需额外训练、即插即用的推理阶段协同压缩框架。该框架包含四个主要模块：多模态交叉融合（MCF）将文本-音视频的早期交互外移至LLM之前；注意力引导的选择（AGS）利用音频显著性动态控制各时间窗口的视频令牌压缩比率；频率感知压缩（FAC）利用2D-DCT保留低频能量分量以压缩视频令牌；任务自适应剪枝（TAA）则根据指令复杂度在LLM内部动态分配令牌预算。实验在Qwen2.5-Omni、LLaVA-OneVision、LLaVA-Video等模型和多个音视频基准（如MVBench、VideoMME、AVUT）上展开，结果表明PRIM在显著降低FLOPs（低至28%）和推理延迟的同时，能保持与全量模型接近甚至更优的准确率。其声称的实际意义在于为多模态模型的部署提供了一种低成本方案。 核心实验数据（基于Qwen2.5-Omni-7B）如下所示： 方法 保留率 FLOPs比 MVBench MLVU LongVideoBench VideoMME Overall 平均分 Qwen2.5-Omni-7B (全量) 100% 100% 59.0 58.5 67.3 60.7 61.4 PRIM (Ours) 65% 54% 58.8 58.3 67.1 60.3 61.1 PRIM (Ours) 50% 41% 57.6 58.4 65.9 59.6 60.4 PRIM (Ours) 35% 28% 54.3 53.2 62.9 56.2 56.7 主要局限包括：方法强依赖于固定时间窗口划分，无法直接处理流式输入；所有评估均基于离线长视频理解基准，缺乏对纯音频任务（如ASR、音频事件检测）的验证，在多任务/多场景下如何自动、泛化地分配压缩比率仍未解决；完全没有提供开源代码或模型，复现和实际应用价值存疑。 ...

📄 ProactiveLLM: Learning Active Interaction for Streaming Large Language Models #流式处理 #语音识别 #语音翻译 7.2/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.2/10 | 前50% | #语音识别 | #知识蒸馏 | #流式处理 #语音翻译 | arxiv 👥 作者与机构 第一作者：Junlong Tong（上海交通大学，Eastern Institute of Technology, Ningbo） 通讯作者：Xiaoyu Shen（Eastern Institute of Technology, Ningbo） 作者列表：Junlong Tong（上海交通大学，Eastern Institute of Technology, Ningbo）、Yao Zhang（Eastern Institute of Technology, Ningbo）、Anhao Zhao（Eastern Institute of Technology, Ningbo，香港理工大学）、Yingqi Fan（Eastern Institute of Technology, Ningbo）、Yunpu Ma（Munich Center for Machine Learning, LMU）、Xiaoyu Shen（Eastern Institute of Technology, Ningbo） 该论文发表于 ICML 2026（Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026） 💡 毒舌点评 该论文提出了一种巧妙的"内生信号驱动"范式，用自蒸馏和掩码训练替代外部对齐标注，让流式LLM学会"审时度势"，在非单调对齐任务（如QA）上展现了惊艳的上下文裁剪能力（如仅用78%上下文恢复97%性能）。然而，其决策头（熵/注意力驱动）的设计相对简单，本质上只是一个阈值触发器，远未触及学习型策略的上限。与强学习型基线的对比仅用了2000条数据，难以令人信服地论证内生策略的绝对优势。更令人担忧的是，在单调任务MT上，Proactive-Entr的延迟实际上高于Wait-9（AIL 8.36 vs 6.87），论文正文中"maintaining lower latency"的笼统宣称有过度包装之嫌——读者需仔细区分Proactive-Attn和Proactive-Entr的不同表现，不可被论文的修辞所误导。 ...

📄 Probing Cross-modal Information Hubs in Audio-Visual LLMs #音视频理解 #可解释性 #多模态模型 7.2/10 | 创新 1.3/2 | 严谨 1.1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 0.6/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 7.2/10 | 前50% | #音视频理解 | #多模态模型 | #可解释性 | arxiv 👥 作者与机构 第一作者：Jihoo Jung（KAIST 电气工程系） 通讯作者：Joon Son Chung（KAIST 电气工程系） 作者列表：Jihoo Jung（KAIST 电气工程系）、Chaeyoung Jung（KAIST 电气工程系）、Ji-Hoon Kim（中央大学 先进影像科学研究生院）、Joon Son Chung（KAIST 电气工程系） 💡 毒舌点评 论文提出了一个有趣的反直觉发现：在音视频大模型中，承载跨模态融合信息的并非承载物体语义的"对象token"，而是一类被视为信息盲区的"attention sink token"。这个发现本身对多模态LLM的机制理解有一定价值。但是，作者基于此洞察提出的ASD方法虽然训练免费，却带来了高达3.7倍的推理延迟，这对于一个"即插即用"的工程方案而言，实用价值大打折扣。更致命的是，所有实验仅局限于captioning任务，对更广泛的QA、推理等场景的适用性存疑。此外，AVLLM的可解释性领域整体体量尚小，该工作的实际影响力还有待时间检验。总体来看，洞察有趣但应用路径尚有距离，是一篇典型的"机制分析强但下游应用弱"的论文。 ...

📄 Quaternion Self-Attention with Shared Scores #语音增强 #高效推理 #模型压缩 6.3/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.7/1 | 影响 0.5/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 0.7/1.5 ✅ 6.3/10 | 前50% | #语音增强 | #Transformer | #高效推理 #模型压缩 | arxiv 👥 作者与机构 第一作者：Shogo Yamauchi（The Asahi Shimbun Company, Tokyo, Japan） 通讯作者：Shogo Yamauchi（The Asahi Shimbun Company）、Tohru Nitta（Tokyo Woman’s Christian University, Tokyo, Japan）、Hideaki Tamori（The Asahi Shimbun Company） 作者列表：Shogo Yamauchi（The Asahi Shimbun Company）、Tohru Nitta（Tokyo Woman’s Christian University）、Hideaki Tamori（The Asahi Shimbun Company） 💡 毒舌点评 用一个四元数内积替换汉密尔顿积做注意力打分，把4路独立softmax砍成1路，在语音增强上RTF最高砍半，还证明了组件独立本质是冗余——这个洞察确实漂亮。但实验仅限0.8M以下的小模型，跟2019年的Tay et al.基线比完就收工，连线性注意力、FlashAttention这类通用加速方案的影子都没见着，更别说拿Mamba来硬碰硬。整个评估像在自家花园里赛跑，说服力打折严重。声明的"首次提出共享分数"也值得商讨，因为实数Transformer从Vaswani et al.起就在用一个标量分数矩阵，本文本质是给四元数空间做了同样的事。 ...

📄 Query-Based Asymmetric Modeling with Decoupled Input–Output Rates for Speech Restoration #语音增强 #语音超分 #流式处理 #生成对抗网络 7.1/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.4/0.5 | 工程 1/1.5 ✅ 7.1/10 | 前50% | #语音增强 | #Transformer | #语音超分 #流式处理 | arxiv 👥 作者与机构 第一作者：Ui-Hyeop Shin (Sogang University, Department of Electronic Engineering) 通讯作者：Hyung-Min Park (Sogang University, Department of Electronic Engineering / Department of Artificial Intelligence) 作者列表：Ui-Hyeop Shin, Jaehyun Ko, Woocheol Jeong, Hyung-Min Park (均来自 Sogang University) 💡 毒舌点评 论文在“解耦输入输出采样率”这一问题上的定义干净，非对称编码器-解码器与频率扩展查询的设计动机清晰，实验覆盖度也属同类工作的上乘。但损失函数的设计（尤其是缩放 log1p）依赖对误差分布的经验观察，缺乏更深入的理论支撑，使得这部分工作显得更像是工程技巧的堆砌。在关键的SOTA声明上较为保守，模型在纯去噪等传统任务上未能超越专用模型，距离真正推动范式迁移尚有距离。未提供代码和模型权重，对社区的直接影响存疑。 ...

📄 Real-World Unsupervised Models Generalize to Predict Brain Responses to Out-of-Distribution Stimuli #模型评估 6.9/10 | 创新 1.3/2 | 严谨 1/1.5 | 实验 1.3/1.5 | 清晰 0.7/1 | 影响 1/1.5 | 开源 0.5/1.5 | 复现 0.3/0.5 | 工程 0.8/1.5 ✅ 6.9/10 | 前50% | #模型评估 | #无监督学习 | arxiv 👥 作者与机构 第一作者：Chenggang Chen（约翰霍普金斯大学生物医学工程系） 通讯作者：Chenggang Chen（约翰霍普金斯大学生物医学工程系） 作者列表：Chenggang Chen（约翰霍普金斯大学生物医学工程系）、Zhiyu Yang（约翰霍普金斯大学生物医学工程系）、Xiaoqin Wang（约翰霍普金斯大学生物医学工程系） 修正说明：原文作者名单中，所有三位作者均归属于同一机构（约翰霍普金斯大学生物医学工程系），使用数字上标“1”标注。原分析中重复标注机构的方式已修正。 💡 毒舌点评 本文以扎实的实验论证了“真实世界数据+无监督学习”对脑反应预测的碾压级优势，跨模态OOD泛化令人印象深刻，且逻辑链条清晰。但作为顶会spotlight，方法原创性偏弱——本质是对已有无监督模型的组合与评估，缺少新算法或理论洞见；关键的贡献仅停留在“数据分布最重要”的benchmark结论层面，若不能在后续给出可操作的模型设计原则或理论解释（为何真实世界统计特性如此关键），其影响力将随模型迭代而快速衰减。视觉部分的架构混杂问题削弱了论证力度，整体仍是一篇优秀但未达卓越的验证性工作。 📌 核心摘要 本文旨在回答“什么样的训练数据和目标能让深度神经网络更准确地预测大脑感觉皮层的反应”。作者提出，模型的生态效度关键在于训练数据的真实世界统计特性（而非架构或规模），且无监督目标更符合生物学习的约束。方法上，系统比较了19个听觉模型（包括HuBERT、Wav2Vec2等无监督模型，以及多种监督模型）在人类听觉皮层的两个fMRI数据集上的预测表现，同时将分析延伸至视觉皮层（婴儿视角视频训练的ResNeXt）。核心新意在于显式地解耦数据分布、学习目标和架构的贡献，并首次展示无监督真实世界模型对OOD刺激的跨语种/跨域泛化能力。主要结果：在听觉皮层预测上，基于真实多场景普通话训练的HuBERT_speech和Wav2Vec2_speech在NH2015数据集上分别达到0.773和0.743的噪声校正解释方差，比之前的最佳监督模型（CochResNet50-MultiTask, 0.729）提升6%和1.9%；在视觉皮层，婴儿视角无监督模型在Brain-Score上领先第二名（swin-small）47%以上，且camSAY-ResNeXt（0.249-0.259）与大规模ID评估的DINOv2/v3模型（0.251-0.262）分数相当，尽管其训练数据规模远小且为OOD评估。实际意义在于为神经科学计算建模提供了“数据分布 > 监督信号”的明确证据，并暗示真实环境的噪声、长尾分布和高动态范围可能是获得类脑表征的关键归因偏置。主要局限是评价指标仍限于相关性和预测对齐而非因果机制，且未在多种母语/文化背景下验证。 🔗 开源详情 代码：论文中未提及本研究相关的独立代码仓库链接。 模型权重： HuBERT_speech 与 Wav2Vec2_speech（在 WenetSpeech 上预训练的 Base 版本）：https://huggingface.co/TencentGameMate HuBERT_LS（LibriSpeech 预训练）：https://huggingface.co/facebook/hubert-base Wav2Vec2_LS（LibriSpeech 预训练）：https://huggingface.co/facebook/wav2vec2-base HuBERT_core (AVES-core)：https://github.com/earthspecies/aves camSAY 模型（婴儿视角预训练）：https://github.com/eminorhan/baby-vision 其他公开模型（AST、VGGish、S2T、Wav2Vec2FT、CochCNN9/ResNet50 等）的权重可从各自原始项目获取（见下方开源项目列表），论文未直接给出这些模型的独立权重文件链接。 数据集： WenetSpeech：https://wenet-e2e.github.io/WenetSpeech/ LibriSpeech：http://www.openslr.org/12 FSD50k：https://zenodo.org/record/4060432 AudioSet：https://research.google.com/audioset/ YouTube-8M：https://research.google.com/youtube8m/ Million Song Dataset：http://millionsongdataset.com/ SAYCam：https://saycam.stanford.edu/ Word-Speaker-Noise 数据集 (Feather et al., 2019)：论文中未提供公开下载链接。 fMRI 数据集 (NH2015, B2021)：分别来自 Norman-Haignere et al. (2015) 与 Boebinger et al. (2021)，可向原始作者索取，论文未提供直接下载链接。 Brain-Score 中的视觉 fMRI 数据集（Coggan & Tong, 2023; Bracci et al., 2019）：随 Brain-Score 项目一起分发（见下方）。 Demo：论文中未提及。 复现材料：无统一实验代码或一键复现脚本。 论文中引用的开源项目： HuggingFace Transformers：https://github.com/huggingface/transformers Fairseq（S2T, Wav2Vec2 等）：https://github.com/facebookresearch/fairseq AVES（HuBERTcore）：https://github.com/earthspecies/aves Baby Vision（camSAY 模型）：https://github.com/eminorhan/baby-vision AST（Audio Spectrogram Transformer）：https://github.com/YuanGongND/ast VGGish：https://github.com/tensorflow/models/tree/master/research/audioset/vggish Brain-Score：https://github.com/brain-score/brain-score Librosa（音频分析）：https://github.com/librosa/librosa Silero VAD（语音活动检测）：https://github.com/snakers4/silero-vad pyannote.audio（说话人分类）：https://github.com/pyannote/pyannote-audio DNSMOS（语音质量评估）：https://github.com/microsoft/DNS-Challenge TencentGameMate Chinese Speech Pretrain：https://github.com/TencentGameMate/chinese_speech_pretrain 🏗️ 方法概述和架构 本文并非提出新的神经网络架构，而是一套系统的模型-脑对齐评估流水线，用于比较不同预训练范式下的听觉与视觉模型在预测人类fMRI反应上的性能。 ...

📄 Reasoning LLM Improves Speaker Recognition in Long-form TV Dramas 7/10 | 创新 1.5/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 0.3/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 7/10 | 前50% | #强化学习 | arxiv 👥 作者与机构 第一作者：Yuxuan Li（清华大学）、Lingxi Xie（华为公司）（*同等贡献） 通讯作者：Lingxi Xie（华为公司）、Qi Tian（华为公司、广东省人工智能与数字经济实验室（深圳）） 作者列表：Yuxuan Li（清华大学）、Lingxi Xie（华为公司）、Xinyue Huo（华为公司）、Jihao Qiu（中国科学院大学）、Jiacheng Shao（华为公司）、Pengfei Chen（华为公司）、Jiannan Ge（华为公司）、Kaiwen Duan（华为公司）、Qi Tian（华为公司、广东省人工智能与数字经济实验室（深圳）） 💡 毒舌点评 本文为长剧集说话人识别这个复杂但略小众的任务贡献了大规模基准和基于推理LLM的Agent解决方案，工程框架和实验设计都比较完善。但光彩照人之处多在工程层面：核心方法本质上是已有模型和工具的熟练组合，虽通过GRPO让LLM学会了工具调度的时机，对“为何如此调度”的机理洞察却比较有限。此外，评价协议中对多说话人台词的处理颇为讨巧，这在一定程度上遮掩了模型在真实重叠语音中的根本短板，而且离线蒸馏数据的成本与可复现性问题也是隐忧。 📌 核心摘要 问题：长剧集说话人识别（SR）要求在数十到上百个角色构成的候选池中，为每句台词准确标注说话人身份。与标准说话人日志（SD）不同，此任务需融合听觉、视觉和语言线索，以应对短时语音特征不可靠、说话人不在画面中、高角色密度等复杂情况。 方法核心：首先基于声纹嵌入和“视觉锚点”假设（说话人会在台词时间戳附近出现），进行标签传播（Label Propagation）获得初始伪标签。然后训练一个基于Qwen3-8B的推理大模型（DramaSR-LRM），使其能在推理过程中自主调用三个工具——voice_sim（声纹相似度）、video_cap（层级化视频描述）、char_relation（角色关系图谱），进行多证据链式推理（CoT），最终输出修正后的说话人标注。 与已有方法的新颖之处：将长剧集说话人识别重新定义为Agent式的多工具推理任务，让模型学习在声学确定性低时主动寻求视觉和关系证据，而非仅做声学匹配。通过GRPO强化学习，模型在“何时信任何种证据”这个策略上得到了优化，这一点在极短台词上的显著提升中得到了体现。 主要实验结果：在自建的DramaSR-532K基准的11部测试剧集（428K句台词）上，DramaSR-LRM（带置信度采样）较标签传播基线实现绝对准确率提升2.30%（85.49% \(\rightarrow\) 87.79%）。尤其在极短台词（<0.5秒）上提升9.20%，在Lost剧集上提升5.16%。 实际意义：为长视频内容理解提供了可落地的高精度说话人标注工具，能直接改善下游视频摘要和QA任务的性能；DramaSR-532K基准本身也填补了该领域大规模评测资源的空白。 主要局限性：评价协议对多说话人台词处理过于乐观；训练高度依赖闭源大模型Gemini-3-Pro生成的CoT数据，可复现性存疑；方法依赖精确的字幕和时间戳，无法端到端处理原始音频；视觉锚点假设限制了其对全程画外音旁白的识别能力。 🔗 开源详情 代码：链接为 https://www.github.com/198808xc/DramaSR-LRM，但目前为无效占位符，无代码。 模型权重：论文中未提及会发布模型权重。 数据集：DramaSR-532K声称将公开，但未提供独立的获取链接或托管平台。 Demo：论文中未提及。 复现材料：论文中未提及。 论文提及的开源项目（未提供直接链接）：ERes2Net, pyannote, Qwen系列模型, vLLM, CLIP, PaddleOCR, InsightFace, 3D-Speaker toolkit, BAAI bge等。 🏗️ 方法概述和架构 本论文提出DramaSR-LRM，这是一个基于大推理模型的多阶段说话人识别Agent系统。其整体流程分为两个宏观阶段：初始化阶段（标签传播）和迭代精炼阶段（LRM推理）。 ...

📄 ReGen: Hierarchical Multi-Prompt Representation Generation for Efficient Waveform Diffusion Models #语音编码 #语音合成 8/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 0.4/1.5 | 复现 0.5/0.5 | 工程 1.2/1.5 🔥 8/10 | 前25% | #语音编码 | #流匹配 | #语音合成 | arxiv 👥 作者与机构 第一作者：Sang-Hoon Lee（Ajou University, Department of Artificial Intelligence） 通讯作者：Sang-Hoon Lee（Ajou University, Department of Artificial Intelligence） 第二作者：Ha-Yeong Choi（KT Corp., Seoul, Korea） 💡 毒舌点评 本文将火爆的表示对齐（REPA）升级为层次化多提示表示生成，配合自己捣鼓的“广义流匹配（GFM）”，在12.5Hz极低维度下重建出可懂语音，胆识过人不假。但GFM只是GED的简单速度场移植，理论深度存疑；排斥项的超参搜索如同开盲盒，且对比基线全倾向GAN编解码器，与同宗同源的纯扩散基线（如FlowDec）连个照面都没打。代码和权重还锁在保险柜里，评审能给的信任额度实在有限。 ...

📄 REST: Diffusion-based Real-time End-to-end Streaming Talking Head Generation via ID-Context Caching and Asynchronous Streaming Distillation #音视频生成 #扩散模型 #知识蒸馏 7.3/10 | 创新 1.4/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.7/1 | 影响 1.1/1.5 | 开源 0.2/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 ✅ 7.3/10 | 前50% | #音视频生成 | #扩散模型 | #知识蒸馏 | arxiv 👥 作者与机构 第一作者：Haotian Wang（中国科学技术大学） 共同第一作者：Yuzhe Weng（中国科学技术大学） 通讯作者：Jun Du（中国科学技术大学） 作者列表：Haotian Wang (中国科学技术大学), Yuzhe Weng (中国科学技术大学), Jun Du (中国科学技术大学), Haoran Xu (iFLYTEK), Xiaoyan Wu (iFLYTEK), Shan He (iFLYTEK), Bing Yin (iFLYTEK), Cong Liu (iFLYTEK), Qingfeng Liu (中国科学技术大学/iFLYTEK，机构标注为双隶属） 💡 毒舌点评 这篇论文是diffusion-based talking head领域一次扎实的系统工程突破，首次在单卡上实现了端到端扩散模型的实时流式生成。ID-Context Cache将KV缓存思想优雅地适配到扩散Transformer的半自回归场景中，而异步流式蒸馏（ASD）策略通过信息论对比和运动平滑约束，有效缓解了流式生成固有的误差累积问题，实验效果确实亮眼。然而，冷静审视后不难发现，其对语音/音频领域本身的贡献相当有限——SpeechAE基本承袭READ架构，核心驱动力来自Whisper特征，并未在声学建模或音频表征层面提出新见解。净输入/输出的思维来看，论文解决的核心问题（实时性、流式）和采用的关键技术（Cache、蒸馏、高压缩VAE）均是视频生成和多模态社区的经典思想，其对语音/音频研究者的方法论启发远小于对视觉生成社区的工程示范。此外，完全不开源、不提供模型权重或在线demo，在当前顶会语境下显得诚意不足，39页附录中的细节虽多，但仍不足以弥补复现门槛极高的缺陷。 ...

📄 Rethinking Attention in Spiking Transformers: Overcoming Density Bias with Set Similarity #音频分类 #Transformer 3.6/10 | 创新 0.8/2 | 严谨 0.6/1.5 | 实验 0.5/1.5 | 清晰 0.6/1 | 影响 0.3/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 0.5/1.5 📝 3.6/10 | 后50% | #音频分类 | #Transformer | arxiv 👥 作者与机构 第一作者：JinGyo Lim（首尔科学技术大学人工智能应用系） 通讯作者：Seong-Eun Kim（首尔科学技术大学人工智能应用系） 作者列表：JinGyo Lim、Seung Gyu Jeong、Seong-Eun Kim（均来自首尔科学技术大学人工智能应用系） 💡 毒舌点评 这篇论文的Dice系数归一化思路简洁有效，用一个集合相似度指标解决了SNN-Transformer中长期被忽视的脉冲密度偏差问题——这是论文的唯一亮点。但令人失望的是，研究者在证明这一想法的有效性上投入不足，实验设计存在多处理论与实证断裂：能量估算基于十年前的45nm工艺，对现代神经形态硬件毫无参考价值；与音频SOTA（DTF-AT 0.187 mAP）的差距（-2.6个点）在不同汇报范式和训练设置下无法公平比较，却仍然声称“narrowing the gap”；CIFAR-100上的微弱提升（+0.59pp/+0.26pp）仅有两个模型实验，既无统计检验也无ImageNet验证，远不足以声称“broader applicability”。在缺乏代码、模型和硬件验证的现状下，这是一篇有闪光想法但工程和科学严谨性均未达标的半成品。 📌 核心摘要 该论文针对脉冲Transformer中普遍存在的“密度偏差”问题——即现有脉冲注意力机制（点积或哈达玛积）的得分与脉冲发放率高度相关，导致高发放率神经元即使不含语义信息也能支配注意力。作者提出Spike Dice Attention (SDA)，将集合相似度指标（Dice系数）引入脉冲注意力，通过对脉冲计数的显式归一化消除密度偏差。论文进一步设计了音频专用的频率-时间解耦架构（SADA），并提出了线性化版本Lin-SDA以适配神经形态硬件。 ...

📄 Robust Signal Enhancement via Fractional Detail Views and Knowledge Guided Multi-view Fusion #语音增强 5.7/10 | 创新 1/2 | 严谨 1/1.5 | 实验 1.1/1.5 | 清晰 0.5/1 | 影响 0.8/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 📝 5.7/10 | 前50% | #语音增强 | #CNN | arxiv 👥 作者与机构 第一作者：Zikun Jin（山西大学 大数据科学与产业研究院、山西省演化科学智能重点实验室） 通讯作者：Yuhua Qian（山西大学 大数据科学与产业研究院、山西省演化科学智能重点实验室、山西大学 人工智能学院），邮箱 jinchengqyh@126.com 作者列表：Zikun Jin, Yuhua Qian, Xinyan Liang, Jiaqian Zhang, Haijun Geng（山西大学 自动化与软件学院） 💡 毒舌点评 这篇论文的工程洞察力值得肯定：分数阶距离衰减卷积和Wiener先验引导的融合策略是务实的组合，在-20dB电磁信号上30+dB的提升确实吸睛。但整体看下来，这是一篇典型的"工程扎实、理论包装过度"的论文。正文中大量篇幅用于推导O(1/M)逼近、Lipschitz连续性等命题，但这些"理论保证"与"为什么FracConv在低SNR下比标准卷积好"这一核心问题之间存在明显的逻辑断层——作者从未解释无约束卷积是否不具备这些稳定性性质，也未证明FracConv引入的归纳偏置为何更适合处理噪声-信号耦合。更严重的是，第7页出现了大段不可解析的乱码（疑似PDF提取错误），导致实验最关键的讨论和结论部分（第5.1节末尾至5.5节开头）信息完全丢失，这对于顶会投稿是不可接受的写作事故。此外，VoiceBank基准比较中直接引用不同底层的论文数据而非统一重跑，使得2.0M模型压倒65.6M扩散模型的SOTA声明打了折扣。 ...

📄 SALSA-V: Shortcut-Augmented Long-form Synchronized Audio from Videos #音视频生成 #流匹配 #扩散模型 #对比学习 #长音频处理 7.6/10 | 创新 1.2/2 | 严谨 1.3/1.5 | 实验 1.4/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 0.2/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 ✅ 7.6/10 | 前25% | #音视频生成 | #流匹配 | #扩散模型 #对比学习 | arxiv 👥 作者与机构 第一作者：Amir Dellali（ETH Zurich） 通讯作者：Amir Dellali（ETH Zurich）、Luca A. Lanzendörfer（ETH Zurich）、Florian Grötschla（ETH Zurich）、Roger Wattenhofer（ETH Zurich） 作者列表：Amir Dellali（ETH Zurich）、Luca A. Lanzendörfer（ETH Zurich）、Florian Grötschla（ETH Zurich）、Roger Wattenhofer（ETH Zurich） 💡 毒舌点评 该工作将 Shortcut 模型和掩码流匹配巧妙地嫁接到视频到音频生成，实现了少步采样和长音频扩展，实验中同步指标和人类偏好均有明显优势，实用性较强。但核心方法多为已有技术的组合，对比学习同步模型与 Shortcut 损失的创新增量有限，且未开源代码与模型，削弱了其学术推动力。 ...