本周共选 6 项：音乐/音频 3 项，通用 AI 3 项。音频侧仍没有足够强的新长时音乐生成或音乐 DiT 架构，但 conditioning 数据、可控风格生成与层级建模出现了值得借鉴的结果；通用 AI 侧则有两项能直接迁移到你的 flow/DiT 与长序列研究。
Track A：音乐与音频生成
1. SonicCaps: Large-Scale Diverse and Fine-Grained Captioning for Improved Audio-Retrieval
- 日期 / 类别： 2026-09-02｜Audio-language data、CLAP、conditioning representation
- 贡献： SonicCaps 用 Qwen3-Omni 为约 70 万段音频生成约 1500 万条 caption，平均每段约 24 条，系统覆盖描述粒度、措辞风格与 semantic tags；多 caption sampling 训练出的 CLAP 在 retrieval、zero-shot classification 及跨公开/商业数据集泛化上均有提升。数据集和两个 CLAP 模型已经公开。
- 为什么重要： 这提示 text-to-music/audio 的瓶颈可能不只是 encoder 容量，而是“一段音频只有一个窄 caption”造成的条件空间欠覆盖；可用于你的 style、scene、instrumentation prompt encoder 或 CFG condition augmentation。局限是 caption 主要由模型生成，human evaluation 优于既有数据不等于事实错误和同质化已被消除。
- 结论：精读
2. Scalable Direction-Following TTS via Voice Impression-Guided Pseudo Triplet Construction
- 日期 / 类别： 2026-09-02｜Controllable TTS、relative conditioning、synthetic data
- 贡献： 作者构造“参考语音—自然语言修改指令—修改后语音”pseudo triplet：先用 impression-controllable TTS 生成受控风格差异，再让 LLM 把差异写成自然语言 direction。实验显示仅用伪数据已能稳定修改表达并维持 speaker identity，加入少量录音 triplet 后 direction alignment 进一步提高；目前提供 demo，未见完整训练代码。
- 为什么重要： “相对于当前结果修改得更温暖、更克制、更有力度”比绝对 style tag 更接近创作迭代，也可能迁移到歌曲人声、编曲或音色编辑。已验证的是 TTS 与短语音风格，迁移到完整歌曲的跨段一致性仍是推测。
- 结论：浏览
3. Understanding Automatic Mixing: A Subtask-Oriented Analysis of Two-Stage Mixing System
- 日期 / 类别： 2026-09-02｜Automatic mixing、hierarchical generation、evaluation
- 贡献： 论文用三组受控听感实验拆解两阶段混音：先处理组内 balance，再协调组间 global mix。两种 two-stage 系统都显著优于各自 single-stage baseline；错误分组会明显伤害下游结果，而 loudness 偏差的影响较弱且依模型而异，代码和音频示例已公开。
- 为什么重要： 这为长时多轨音乐生成提供了一个实证支持的层级原则：局部声部组织与全局协调分开建模，比单模型一次完成所有关系更可靠。实验只有三段密集 pop/rock 素材，样本规模小，不能把结论泛化为所有生成架构。
- 结论：浏览
Track B：LLM / Deep Learning / 通用 AI
4. CAT-Flow: Curvature-Adaptive sTeps for Flow Matching
- 日期 / 类别： 2026-09-01｜Flow Matching、adaptive sampler、inference efficiency
- 贡献： CAT-OT 根据 vector field 的时间差分估计轨迹曲率，CAT-OV 根据状态空间梯度估计曲率，从而在推理时自适应分配 ODE step size；两者都是 training-free，且不增加 neural function evaluation。四个 text-to-image flow 模型上，在相近质量下最多减少 40% sampling steps，并给出了适用条件下的 constant-order truncation-error bounds。
- 为什么重要： 这是本周与你的 rectified-flow/DiT 最直接相关的工作：可低成本测试固定 timestep 是否把算力浪费在低曲率区，同时遗漏高曲率区。现有证据全部来自图像模型；对连续音频 latent、CFG 与幅度膨胀是否有效尚未证明，而且论文页面暂未列出代码。
- 结论：精读
5. CRISP: Cliff-awaRe Input-adaptive Sparse Prefilling with Structural-Mass-Motivated Routing
- 日期 / 类别： 2026-09-01｜Sparse attention、long context、prefill efficiency
- 贡献： CRISP 直接从 proxy attention map 的结构决定每个 head 采用何种稀疏模式，并提出 sink-aware threshold，避免 cumulative coverage 在长序列中累计 (O(n)) 背景噪声。它在 InfiniteBench、RULER、LongBench 和两个模型族上整体优于比较的 sparse 方法；512k token 时 attention 最多加速 5.30×，部分 retrieval 任务甚至高于 dense baseline。
- 为什么重要： 对超长 audio-token 序列的价值在于：稀疏模式应随输入与 head 自适应，而不只是固定 local/global window；“mass cliff + noise floor”也比固定 top-k 更有原则。论文验证的是 LLM prefill，并未展示 causal audio generation 的质量、训练吞吐或 kernel 集成成本。
- 结论：精读
6. Scalable Kronecker-Fisher Approximation: Efficient Hessian Analysis for Billion-Parameter Language Models Compression
- 日期 / 类别： 2026-09-02｜Second-order analysis、compression、mixed precision
- 贡献： 该方法用可扩展的 Kronecker 近似捕捉跨层 Fisher/Hessian 交互，无需存储完整矩阵，并在 billion-parameter 模型上分析 quantization、pruning、inter-layer corruption 与恢复能力。跨多个模型族，value projection consistently 最敏感且跨层相关最强；估计结果与压缩后的性能退化和微调恢复高度相关。
- 为什么重要： 对大模型压缩和稳定训练而言，它提供了比逐层 magnitude 更可信的脆弱性地图，可指导 mixed precision、layer-wise sparsity 或低秩分配；也值得检查你的 DiT 中 attention value projection 是否同样脆弱。摘要未报告完整运行成本、代码或在生成模型上的验证，因此目前更适合作为诊断方法而非直接 recipe。
- 结论：浏览
本周最值得读
- CAT-Flow：可直接在现有 flow/DiT sampler 上做小规模对照，潜在收益明确。
- CRISP：对长序列计算最有架构启发，尤其是 input/head-adaptive sparse pattern。
- SonicCaps：对音乐生成 conditioning 的数据设计价值，可能高于继续扩大 text encoder。
本周没有真正值得精读的新长时音乐生成、vocal music generation、neural audio codec 或音乐 DiT 论文；因此没有用弱项填充这些类别。