🦾 LLM Agent

🎞️ ECCV2026 · 4 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (42) · 🔬 ICLR2026 (162) · 💬 ACL2026 (82) · 🧪 ICML2026 (59) · 🤖 AAAI2026 (33) · 🧠 NeurIPS2025 (39)

GUIDE: Resolving Domain Bias in GUI Agents through Real-Time Web Video Retrieval and Plug-and-Play Annotation

GUIDE 是一个免训练、即插即用的框架，通过从 YouTube 教程视频中自动检索并提取领域专用的规划知识（Planning）和定位知识（Grounding），注入 GUI Agent 的对应模块来消除领域偏置（domain bias），在 OSWorld 上为三种不同架构的 agent 带来 +4.47 到 +7.48 个百分点的提升。

NaLA: A 3D Native LLM Layout Agent for High-quality 3D Scene Generation

NaLA 提出了一种直接编码 3D 点云的大语言模型布局智能体，通过粗到细的位姿预测机制实现高质量、高效率的 3D 场景生成，在物理合理性、语义一致性和美观度上全面超越现有方法。

Think While You Map: Asynchronous Vision-Language Agents for Incremental 3D Scene Graphs

ThinkGraphs 提出异步架构，将轻量增量3D映射与重型VLM推理解耦，通过后台运行的 Critic Agent（语义闭环检测合并碎片化轨迹）和 Description Agent（多目标帧调度注入细粒度属性）在不阻塞在线映射的同时持续丰富场景图语义，在 Sr3D+/Nr3D/ScanRefer 三个视觉定位基准上超越此前最优 15.3-18.8 [email protected]。

VisCritic: Visual State Comparison as Process Reward for GUI Agents

VisCritic 提出基于视觉状态对比的 GUI 智能体过程奖励框架，通过孪生 ViT 比较动作前后截图在语义特征空间中的差异，融合动作上下文联合预测动作成功概率、任务进度与错误类型，作为即插即用的推理时验证模块，在五个基准上普遍提升各类 GUI 智能体的任务成功率。