ByteDance（字节跳动）

WavTTS: Towards High-Quality Zero-Shot TTS via Direct Raw Waveform Modeling

WavTTS：通过直接原始波形建模实现高质量零样本TTS

Wenxi Chen, Dongya Jia, Yushen Chen, Zhikang Niu, Yuzhe Liang, Xiquan Li, Ruiqi Yan, Ziyang Ma, Guanrou Yang, Sanyuan Chen, Yue Wang, Zhuo Chen, Kai Yu, Xie Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； ByteDance Seed（字节跳动种子） 纠错

AI总结 提出WavTTS，首个基于流匹配与扩散Transformer的原始波形生成TTS模型，通过简单分块策略直接建模波形并集成多尺度梅尔频谱监督，在零样本TTS中接近潜在空间生成模型性能。

Unified Video-Action Joint Denoising for Dexterous Action and Data Generation

统一视频-动作联合去噪用于灵巧动作与数据生成

Dingrui Wang, YuAn Wang, Jinkun Liu, Yue Zhang, Mattia Piccinini, Yu Sun, Johannes Betz

机构 * Technical University of Munich（慕尼黑技术大学） ； ByteDance（字节跳动） ； Tsinghua University（清华大学） 纠错

AI总结 提出Donk模型，通过联合建模交互视频与手部轨迹的分布，实现灵巧手的动作生成与数据增强。

Comments 9 pages, 5 figures

TTT-VLA: Test-Time Latent Prompt Optimization for Vision-Language-Action Models

TTT-VLA：面向视觉-语言-动作模型的测试时潜在提示优化

Wenbo Zhang, Jianxiong Li, Shuai Yang, Sijin Chen, Jiajun Liu, Lingqiao Liu, Xiao Ma

机构 * ByteDance Seed（字节跳动种子） ； The University of Adelaide（阿德莱德大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； The University of Hong Kong（香港大学） ； CSIRO Data61 纠错

AI总结 提出TTT-VLA框架，通过测试时优化潜在提示来适应分布偏移，无需修改策略本身，在SimperEnv上提升单/多实体任务成功率。

Outsmarting the Chameleon: Counterfactual Decoupling for Tactical OOD Shifts in Live Streaming Risk Assessment

智取变色龙：针对直播风险评估中战术性OOD偏移的反事实解耦

Yiran Qiao, Jing Chen, Jiaqi Xu, Yang Liu, Qiwei Zhong, Xiang Ao

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； ByteDance China（字节跳动中国） 纠错

AI总结 针对直播中恶意行为者通过战术性分布偏移（Tactical OOD Shift）规避检测的问题，提出基于潜在因果的反事实解耦框架LPCD，通过潜在层建模意图与叙事变化并强制潜在反事实一致性，实现鲁棒的风险评估。

Comments Accepted by KDD'26

Learning When Not to Act: Mitigating Tool Abuse in Agentic Reinforcement Learning

学习何时不行动：缓解智能体强化学习中的工具滥用

Liuji Chen, Dianxing Tang, Xing Shi, Dingshuo Chen, Qiang Liu, Shu Wu, Liang Wang

机构 * NLPR, Institute of Automation, Chinese Academy of Sciences（NLPR，自动化研究所，中国科学院） ； ByteDance（字节跳动） ； Zhejiang University（浙江大学） 纠错

AI总结 提出EAPO框架，通过引入无工具轨迹、难度感知奖励塑造和置信度感知令牌重加权，在数学和知识密集型推理任务中减少工具滥用，同时提升准确率-效率权衡。

Comments Under review

MIND: Multi-Scale Intent Diffusion for Text-Driven Physics-Based Humanoid Control

MIND: 多尺度意图扩散用于文本驱动的基于物理的人形控制

Bin Li, Ruichi Zhang, Han Liang, Jingyan Zhang, Juze Zhang, Xin Chen, Jingya Wang

机构 * ShanghaiTech University（上海科技大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Bytedance Seed（字节跳动种子） ； Stanford University（斯坦福大学） ； InstAdapt 纠错

AI总结 提出MIND框架，通过多尺度意图扩散机制将文本命令与低级动作语义对齐，实现基于物理的人形机器人行为生成。

Towards Robust Sequential Decomposition for Complex Image Editing

面向复杂图像编辑的鲁棒顺序分解

Zilai Zeng, Mingdeng Cao, Zijie Li, Xiaochen Lian, Yichun Shi, Peihao Zhu, Chen Sun, Peng Wang

机构 * Brown University（布朗大学） ； ByteDance Seed（字节跳动种子） ； The University of Tokyo（东京大学） 纠错

AI总结 提出通过顺序分解将复杂编辑任务拆解为简单步骤，并利用合成数据训练模型，在统一上下文编辑框架下平衡分解优势与误差累积，实现鲁棒改进和从模拟到真实的泛化。

Comments CVPR 2026