强化学习 (Reinforcement Learning, RL) 已成为增强大型语言模型 (Large Language Models, LLMs) 和视觉生成模型的有效范式。然而，其在文本到音频 (Text-to-Audio, TTA) 生成中的应用仍然很少被探索。先前的工作通常采用离线方法如直接偏好优化 (Direct Preference Optimization, DPO)，并利用对比语言-音频预训练 (Contrastive Language-Audio Pretraining, CLAP) 模型作为奖励函数。在本研究中，我们探索将在线群组相对策略优化 (Group Relative Policy Optimization, GRPO) 集成到 TTA 生成中。我们将该算法适配于基于 Flow Matching 的音频模型，并证明在线 RL 显著优于其离线对应方法。此外，我们引入了来自大型音频语言模型 (Large Audio Language Models, LALMs) 的奖励，这些模型可以提供更细粒度的评分信号，更好地与人类感知对齐。仅用 470M 参数，我们的最终模型 Resonate 在 TTA-Bench 上在音频质量和语义对齐方面均建立了新的 SOTA。

链式思维 (Chain-of-Thought, CoT) 提示已被扩展到大型音频语言模型 (Large Audio-Language Models, LALMs) 以引发推理，但在不进行训练的情况下增强其有效性仍具挑战性。我们研究推理时模型引导 (inference-time model steering) 作为一种无需训练的方法来改进 LALM 推理，引入了三种利用多样信息源的策略，并在四个 LALM 和四个基准上对其进行评估。结果显示，相比 CoT 提示，准确率普遍提升最高达 4.4%。值得注意的是，我们发现了一种跨模态迁移 (cross-modal transfer) 现象，即从少量文本样本导出的引导向量 (steering vectors) 可以有效指导基于语音的推理，展示了极高的数据效率。

我们研究如何最有效地利用预训练大型语言模型 (LLMs) 进行自动语音识别 (Automatic Speech Recognition, ASR)。具体而言，我们比较了声学模型 (Acoustic Model, AM) 与 LLM 的紧密集成（即 “speech LLM”）与通过浅层融合 (shallow fusion) 组合 AM 和 LLM 的传统方式。对于紧密集成，我们提供了关于不同标签单元、微调策略、LLM 规模和预训练数据、注意力接口、编码器降采样、文本提示和长度归一化的消融实验。此外，我们还研究了与 CTC 模型的联合识别以缓解 speech LLM 的幻觉问题，并提出了该联合识别的有效优化方案。

大型音频语言模型 (Large Audio Language Models, LALMs) 已将人机交互扩展到语音模态，由于副语言线索 (paralinguistic cues) 隐含地指示了用户上下文，这引入了巨大的交互潜力。然而，建立在当前以内容为中心的范式之上，LALMs 通常忽略此类副语言线索，仅基于查询内容进行响应。为重新激活 LALMs 中的副语言感知，我们引入五种多样的层级分析方法，联合识别副语言层和语义理解层。基于这些洞察，我们提出副语言增强微调 (Paralinguistic-Enhanced Fine-Tuning, PE-FT) 协议，为 LALMs 赋予副语言感知能力，包括选择性层微调和辅助双级分类头。实验表明，PE-FT 协议高效且有效地重新激活了副语言感知，甚至超越了全层微调策略的性能。

在现有的视听语音增强 (Audio-Visual Speech Enhancement, AVSE) 方法中，规模不变信噪比 (Scale-Invariant Signal-to-Noise Ratio, SI-SNR) 和均方误差 (Mean Squared Error, MSE) 等目标被广泛使用；然而，它们通常与感知质量的相关性较差，且为优化提供的可解释性有限。我们提出了一种基于强化学习的 AVSE 框架，配备基于大型语言模型 (LLM) 的可解释奖励模型。音频 LLM 生成增强语音的自然语言描述，然后由情感分析模型将其转换为 1-5 的评分，作为 PPO 奖励来微调预训练的 AVSE 模型。在第四届 COG-MHEAR AVSE 挑战赛 (AVSEC-4) 数据集上的实验表明，所提方法在 PESQ、STOI、神经质量指标和主观听力测试方面均优于监督基线和基于 DNSMOS 的 RL 基线。

尽管自动语音识别 (Automatic Speech Recognition, ASR) 系统与大型语言模型 (LLMs) 的深度集成显著提升了准确率，但此类系统在低延迟流式场景中的部署仍然具有挑战性。本文提出 Uni-ASR，一个基于 LLM 的统一框架，集成了非流式和流式语音识别能力。我们提出联合训练范式，使系统能够在两种识别模式之间无缝切换，无需任何架构修改。此外，我们引入上下文感知训练范式和协同设计的回退解码策略，可在不引入额外延迟的情况下增强流式识别精度。

我们提出 CodecMOS-Accent 数据集，这是一个平均意见分 (Mean Opinion Score, MOS) 基准，旨在评估神经音频编解码器 (Neural Audio Codec, NAC) 模型以及基于其训练的大型语言模型 (LLM) 文本到语音 (Text-to-Speech, TTS) 模型，尤其是在口音语音等非标准语音上的表现。该数据集包含来自 24 个系统的 4,000 个编解码器重合成和 TTS 样本，涵盖 10 种口音的 32 位说话人，通过大规模主观测试从 25 位听众处收集了 19,600 条标注，涵盖三个维度：自然度、说话人相似度和口音相似度。

语音分词器 (speech tokenizers) 对于在多模态系统中将语音连接到大型语言模型 (LLMs) 至关重要。这些分词器预期应同时保留语义和声学信息，以服务于下游的理解和生成任务。然而，新的证据表明，语音表征中所称的"语义"与文本派生的语义并不一致：这种不匹配可能降低多模态 LLM 的性能。本文中，我们系统地分析了几种广泛使用的语音分词器所编码的信息，通过词级探测任务 (word-level probing tasks)、逐层表征分析 (layerwise representation analysis) 和 CKA 等跨模态对齐指标来解耦其语义和音素内容。我们的结果表明，当前分词器主要捕获音素而非词汇-语义结构，并据此提出了下一代语音分词方法设计的实践启示。

文本到音频 (Text-to-Audio, T2A) 生成近年来取得了长足进步，但现有方法在准确渲染复杂文本提示（特别是涉及复杂音频效果的提示）和实现精确的文本-音频对齐方面仍面临挑战。虽然先前的方法已探索了数据增强、显式时序条件和强化学习，但整体合成质量仍受限。作者在基于 Diffusion Transformer (DiT) 的架构上实验强化学习以进一步提升 T2A 生成质量。其方法首先使用大型语言模型 (LLM) 生成高保真、细节丰富的音频标注，大幅改善了文本-音频语义对齐，特别是对于模糊或欠指定的提示，然后应用群组相对策略优化 (Group Relative Policy Optimization, GRPO) 来微调 T2A 模型。

尽管最近的文本到语音 (Text-to-Speech, TTS) 系统越来越多地集成非语言发声 (Nonverbal Vocalizations, NVs)，但它们的评估缺乏标准化指标和可靠的真值参考。为弥补这一差距，NV-Bench 是首个基于功能分类学的基准，将 NVs 视为交际行为而非声学伪迹。NV-Bench 包含 1,651 条多语言、真实环境中的语料，配对人类参考音频，平衡覆盖 14 种 NV 类别。该基准引入双维评估协议：(1) 指令对齐度，利用所提出的副语言字符错误率 (Paralinguistic Character Error Rate, PCER) 评估可控性；(2) 声学保真度，测量与真实录音的分布差距以评估声学逼真度。

本文提出了针对语音感知 LLM 的自推测解码方法，利用 CTC 编码器作为草稿模型来加速自回归 (Auto-Regressive, AR) 推理并提升 ASR 精度。三步流程如下：(1) 如果 CTC 输出分布的帧熵低于阈值，则贪心 CTC 假设被接受为最终结果；(2) 否则，CTC 假设通过单次 LLM 前向传播使用基于 token 似然的宽松接受准则进行验证；(3) 如果验证失败，AR 解码从已接受的 CTC 前缀恢复。在九个语料库和五种语言上的实验表明，该方法可以同时加速解码并降低 WER。在 HuggingFace Open ASR 基准上使用 1B 参数 LLM 和 440M 参数 CTC 编码器，取得了 5.58% WER 的记录，并将逆实时因子提升了 4.4 倍，WER 仅相对增加 12%。

神经音频编解码器 (Neural Audio Codec) 对于重建高质量语音信号以及为下游语音语言模型 (Speech Language Models) 生成离散表征至关重要。本文提出熵引导的分组残差向量量化 (Entropy-Guided Grouped Residual Vector Quantization, GRVQ) 方法，用于超低比特率的神经语音编解码。

本文探索文本训练的大型语言模型 (LLM) 能否帮助定位部分伪造语音中的假词，即语音中只有特定词语被编辑的场景。我们构建了一个语音 LLM，通过下一 token 预测来执行假词定位。在 AV-Deepfake1M 和 PartialEdit 数据集上的实验和分析表明，模型经常利用从训练数据中学到的编辑风格模式，特别是词级极性替换，作为定位假词的线索。然而，避免过度依赖此类特定模式并提高对未见编辑风格的泛化能力仍然是一个开放问题。

人机交互传统上依赖于声学通道，这种依赖引入了对环境噪声、隐私约束和生理语音障碍的系统性脆弱性。静默语音接口 (Silent Speech Interfaces, SSIs) 作为一种变革性范式出现，通过直接从神经-肌肉-关节连续体中解码语言意图来绕过声学阶段。本综述提供了 SSI 领域的高层次综合，从传统的以换能器为中心的分析过渡到整体的意图-执行分类学。作者系统评估了跨四个关键生理截取点的传感模态：神经振荡、神经肌肉激活、关节运动学（超声/磁力计）和通过声学或射频传感的普适主动探测。关键地，本综述分析了从启发式信号处理到潜在语义对齐 (Latent Semantic Alignment) 的当前范式转变。

本文研究通过后训练将生成式推荐系统与用户偏好对齐的问题。现有后训练方法存在局限：RLHF 方法因噪声用户反馈和不可靠的奖励模型而导致奖励黑客 (reward hacking)；离线 RL 替代方案需要不可获得的倾向分数 (propensity scores)；在线交互不可行。作者识别出指数奖励加权 SFT（权重 w = exp(r/λ)）独特适用于此场景，并提供了理论和实证基础来解释原因。通过直接优化观测奖励而无需查询学习的奖励模型，该方法免疫奖励黑客，不需要倾向分数，且完全离线。他们证明了首个在噪声奖励下的策略改进保证，表明差距仅与目录大小呈对数关系增长，并证明温度 λ 显式控制鲁棒性-改进权衡。在三个开源和一个专有数据集上的实验证实，指数奖励加权方法简单、可扩展，且始终优于基于 RLHF 的替代方案。

大型语言模型 (LLMs) 的能力日益增强，引发了对 LLM 团队的广泛兴趣。然而，尽管 LLM 团队在规模化部署中不断增加，我们仍缺乏一个有原则的框架来回答关键问题，例如团队何时有用、应使用多少智能体、结构如何影响性能，以及团队是否优于单个智能体。我们提出使用分布式系统作为创建和评估 LLM 团队的有原则基础，而非通过试错来设计和测试这些可能性。

开发用于 Web 任务的自主智能体是 AI 的核心挑战。虽然大型语言模型 (LLM) 智能体可以解释复杂的用户请求，但它们往往作为黑盒运行，难以诊断为何失败或如何规划。本文通过将 Web 任务形式化为顺序决策过程来弥补这一差距。作者引入了一种分类学，将现代智能体架构映射到传统规划范式：逐步 (Step-by-Step) 智能体对应广度优先搜索 (BFS)，树搜索 (Tree Search) 智能体对应最佳优先树搜索 (Best-First Tree Search)，完整规划 (Full-Plan-in-Advance) 智能体对应深度优先搜索 (DFS)。该框架允许对上下文漂移和不连贯任务分解等系统故障进行原则性诊断。

NERFIFY 是一个多智能体框架，可靠地将 NeRF 研究论文转换为可训练的 Nerfstudio 插件，与通用的论文到代码方法和 GPT-5 等前沿模型通常无法生成可运行代码形成对比。该论文通过以下创新实现领域特定的可执行性：上下文无关文法 (Context-free Grammar, CFG) 约束 LLM 合成；图思维 (Graph-of-Thought) 代码合成，由专门的多文件智能体以拓扑依赖顺序生成代码仓库；以及组合式引用恢复 (compositional citation recovery)，自动检索并集成参考图中的组件。已被 CVPR 2026 接收。

Agentic Hive 是一个框架，其中可变规模的自主微智能体——每个都配备沙盒执行环境和语言模型访问权限——经历人口动态：出生、复制、专化和死亡。智能体家族扮演生产部门的角色，计算和内存扮演生产要素的角色，编排器 (orchestrator) 同时担任瓦尔拉斯拍卖师 (Walrasian auctioneer) 和全局工作空间 (Global Workspace) 的双重角色。

本文提出一种多智能体大型语言模型 (LLM) 架构，该架构与解释框架无关，支持用户和上下文相关的交互式解释。目标是促进一个迭代推理和引出过程，其中人类的角色是根据其偏好和专业知识引导 AI 规划器，解释用于增进对潜在解决方案的理解并提升对系统的信任。

BioProAgent 是一个神经符号框架，旨在解决自主科学发现中的关键执行鸿沟。通过将概率性 LLM 推理锚定在确定性有限状态机 (Finite State Machine) 中，BioProAgent 为不可逆的湿实验室环境强制执行"设计-验证-纠正" (Design-Verify-Rectify) 工作流。在扩展的 BioProBench 上的评估表明，BioProAgent 达到了最先进的性能，并展示了在传统智能体失败之处的稳健自主自我纠正能力。

（原文 abstract 未获取到）

（原文 abstract 未获取到）