Hugging Face Daily PapersTest-Time Baking (TTB) 发布：用于高效渲染解码器仅大视图合成模型的策略
Test-Time Baking (TTB) 策略通过将交叉视图注意力中的全局场景信息烘焙到轻量级 MLP，在保持 Test-Time Training 效率的同时提升了大视图合成模型（LVSMs）新视角解码的保真度，在多个基准测试中实现了高达 23 倍的渲染速度提升且质量与当前最优技术相当。
实时
#开源生态
- Hugging Face Daily Papers
Baseten Labs6565Claude Code v2.1.159 发布
Claude Code v2.1.159 发布，采用梯度对齐奖励机制，在四则运算任务上使用 Qwen3-8B 模型，通过计算学生输出与专家演示的梯度相似度进行奖励，实验显示模型可能过度拟合专家示例的精确措辞。
Ai2 Blog同一件事 · 2 家4040XYBench：解决提问背后问题的基准测试
XYBench 发布，包含 8K+ 问题测试 AI 助手如何应对基于误解的请求；Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 在测试中常聚焦原错误方法而非用户实际目标。
同一件事 · 2 家各家口径不同：Ai2博客称基准测试包含8K+问题，而Hugging Face博客提到8150个问题。
Hugging Face Blog同一件事 · 2 家4040Hugging Face 发布 XYBench 基准测试，评估 AI 助手解决基于误解的问题能力
Hugging Face 发布 XYBench 基准测试，包含 8150 个真实问题，评估 AI 助手识别用户误解并引导至正确解决方案的能力。Claude Sonnet 4.6、GPT-5、Gemini 3.1 Pro、Qwen3.5-9B 和 DeepSeek-V4 Pro 在测试中倾向于关注用户错误假设（Y），而非实际目标（X），其中只有 35-41% 的回答以实际目标为中心。
- Hugging Face Daily Papers
SparseRead：AI智能体高效稀疏阅读外部内容的可重用控制层
SparseRead 控制层通过 Read Intent Protocol、Adaptive Reader Backends 和 Budgeted Read Gate，在不修改智能体模型的情况下减少 AI 智能体对外部内容的过度读取。
- Hugging Face Daily Papers6565
PhysLoop：利用大语言模型的物理感知能力实现视频生成模型的自我改进
PhysLoop 利用大语言模型指导视频生成、选择和修正，实现物理一致的自我改进和可控数据构建。该框架通过识别和纠正生成视频中的物理错误，推动视频生成模型有限人工干预下的递归自我改进（RSI），并发布包含 100K 视频的多样性数据集及生成工具。
- Hugging Face Daily Papers6565
理解长时程智能体中的决策模型：演员、裁判还是教师？
决策模型即使作为行动者表现不佳，通过评判完整行动轨迹也能有效教授强化学习策略，在 ALFWorld 和 WebShop 上提升成功率。
- Hugging Face Daily Papers
Duo：一个用于全双工交互的互惠世界模型
Duo v1 引入互惠世界模型（RWM），通过自回归推理、同步注意力和双重推演蒸馏联合建模意图与现实，实现实时全双工音视频交互。该模型持续感知音视频输入的同时实时响应用户，将智能与物理现实视为同等基础构成世界，支持对话、共享对象、重塑虚拟场景等交互，首批模型已开源。
- Hugging Face Daily Papers
BirdDreams：联合视角与 BEV 视频生成实现合理、反应式驾驶世界模型
BirdDreams 联合生成视角视频和鸟瞰视频（BEV），使场景布局成为预测未来的部分，通过 BEV 提供车辆位置和运动的俯视图，减少遮挡，而视角视频保留场景细节。在 PhysicalAI-AV 和 nuScenes 上，BirdDreams 比先前的驾驶世界模型更忠实地遵循输入的自身轨迹，并生成更合理的自身运动，无需 HD 地图或车辆状态输入。
AWS Machine Learning BlogNatera 如何使用 Amazon Bedrock AgentCore 设计智能体系统优化实验室操作
Natera 为解决实验室设备故障导致的知识断层问题，开发 SWARM 智能体系统，通过 Amazon Bedrock AgentCore 实现 130 倍响应提速和 96.2% 自动化处理支持工单。
- Hugging Face Daily Papers6565
One Table Benchmark 推出：通用表格模型在生成、插补和预测任务中的基准测试
One Table Benchmark 测试了 46 种模型在 56 个数据集上的表格生成、插补和预测能力，发现这些任务共享条件信息但保真度和目标交互不同，固定模型在效用和保真度间存在权衡，冻结的基础模型在预测和数值插补方面表现突出，表明统一表格模型有潜力提升分类重建和联合采样。
- Hugging Face Daily Papers6565
MACaQ：一种快速、模型无关的校准量化方法
MACaQ 是一种 MXFP4 W4A4 的后训练量化方法，通过在线激活变换和 Hessian 感知细化独立量化每个线性层，在语言和扩散模型中减少成本同时保持准确性。MACaQ 在 Qwen3-32B 上 vLLM 实现仅增加 2.3% 的端到端开销，比 DuQuant++ 和 MR-GPTQ 的困惑度更低，并在 11 倍更短的量化时间内达到 Llama-3-8B 的最佳困惑度。
Google Research5858Google Research 发布可穿戴设备驱动的 CKM 风险评估框架
Google Research 发布可穿戴设备驱动的 CKM 风险评估框架，通过可解释健康年龄模型（CHA）预测未来健康轨迹。该框架基于 2.2 百万人周穿戴数据训练的 SensorWM 模型，提供个性化 12 周反事实健康模拟，结合语言模型生成临床验证的指导方案。CHA 模型整合心率、步数、睡眠等可改变指标，预测 68,000 人年疾病风险，改善临床指标预测效果。
- Hugging Face Daily Papers
FINCOSMOS：一个用于金融领域智能体的开放世界评估范式
FINCOSMOS 引入了一种开放世界评估范式，用于评估在金融领域工作的智能体。在 150 个模拟用户交互中，没有会话被接受，因为所有会话在程序检查中都失败，智能体仅报告了 54-64% 的未告知细节。人类专家将 88.33% 的失败归因于智能体。
O'Reilly Radar测量 AI 的非预期后果：成本变更指标与价值附加百分比
重度使用AI会导致人类难以理解的代码，但非预期后果的经济影响尚无定论。衡量成本变更指标（变更的代价）是评估这些后果的关键，其核心指标包括价值附加百分比（业务价值开发工作占总开发工作的比例）、DORA指标（变更交付时间、频率、失败率等）和token使用量。其中，价值附加百分比最能反映非价值附加工作（如bug修复、事件处理）的占比变化，而token使用量可作为辅助指标触发进一步调查。
- Hugging Face Daily Papers
Tree-Ising：使用位级 Ising 编辑修复大语言模型推理循环
Tree-Ising 通过解决 BF16 参数上的稀疏 Ising/QUBO 问题修复大语言模型推理循环，以更少的权重编辑提升数学基准准确率且无需梯度或 LLM-token 成本。
vLLM Blog5858vLLM 的 Encoder 分离：通过 EPD 扩展多模态服务能力
vLLM通过EPD（Encoder/Prefill/Decode）分离技术扩展多模态服务能力，支持独立部署的视觉编码器，vLLM v0.32.0包含MiMo和XPU支持，DeepSeek V4.1 Flash的元数据仅请求功能已开源。
- Hugging Face Daily Papers
InfraRSI：利用递归自我改进训练基础设施
InfraRSI 通过五阶段工作流程将开放式人类指令转化为经过验证的训练优化，在四个单节点和多节点密集及 Mixture-of-Experts（MoE）LLM 工作负载中实现高达 2.75 倍的加速，并将平均模型 FLOPs 利用率（MFU）从 17.4% 提升至 30.0%，优于现有调谐器和编码智能体。
- Hugging Face Daily Papers
面向自主机器人操作的上下文学习
World In-Context Learning (WICL) 方法通过冻结模型，在模拟器中演练任务并将反馈写入上下文而非权重，使机器人能从单一演示中学习操作技能。RoboScript 实现了 WICL，在 RoboTwin 2.0 的 50 项任务上，单次演示无梯度更新即可达到 83.4% 成功率，超越最强训练策略 20 余点，并支持跨视觉分布泛化、通过反思改进、基础模型扩展及跨平台记忆迁移。
IT之家 · AI挪威团队通过无线电语音指令成功启动在轨卫星游戏《毁灭战士》
挪威奥斯陆业余无线电小组通过地面无线电发送语音指令，成功让 OPS-SAT PRETTY 卫星启动《毁灭战士》游戏，创全球首次通过无线电链路让卫星自主识别并执行口头指令的纪录。团队利用可更新的软件和软件无线电设备为卫星增加语音控制能力，使用约 27MB AI 语音识别模型将声音转为文字并检测指令，实验重点在于让卫星自主分析无线电信号并采取行动。
- Hugging Face Daily Papers6565
DexForesight框架通过隐式空间预见性提升灵巧操作性能
DexForesight 框架通过将动态感知的世界表示注入灵巧策略的潜在空间来隐式学习空间预见性，在 11 个 DexJoCo 模拟任务上使基础策略成功率从 49.4% 提升至 60.5%，在 3 个真实机器人灵巧操作任务上达到 58.3% 成功率。
The DecoderNvidia 的 GR00T 2 模型通过视频观察人类动作，想象自身为机器人进行任务学习
英伟达的GR00T 2 AI模型通过分析人类视频动作，无需远程操控即可让机器人学习新任务，在400,000小时视频数据上训练，实验室测试成功率为10-80%，配合GPT-6 Astra可实现97%的玩具模型组装成功率，但触觉处理和语言模型延迟仍是挑战。
OpenAI NewsOpenAI 与 Upwork 研究发现自由职业需求变化、技能组合及 AI 项目预算与时长增加
OpenAI 与 Upwork 的新研究显示自由职业需求正在转变，需要新的技能组合，AI 相关项目的预算和时长都在增加。
- Hugging Face Daily Papers
Frontier3DBench：跨对象、场景和交互开放世界的代码智能体 3D 创作基准测试
Frontier3DBench 统一评估了 145 项任务中代码智能体在对象、场景和交互式 3D 世界创建上的能力，GPT-6.1-sol 在对象和场景层表现最佳，总得分 66.02/100，但所有配置在对象和场景任务中参考重建得分均低于文本驱动生成。生成世界在局部机制上平均 83.08/100，但在运动清除和状态化工作流上仅分别为 20.82 和 30.26，显示协调活动完成仍是核心瓶颈。
- Hugging Face Daily Papers6565
Reframe：面向具身视觉推理的观察对齐多教师策略蒸馏框架
Reframe 通过证据感知强化学习和观察门控策略蒸馏，在 14 个图像和视频基准测试中提升具身视觉智能体的工具使用表现，优于 Mix-RL 和基础 MOPD 方法。其两阶段框架 GD-GRPO 和 OG-MOPD 分别通过随机移除原始视觉输入和从修复后的观察中恢复蒸馏，互补地促进模型依赖工具返回的观察结果。
- Hugging Face Daily Papers
基于结构感知内核的快速精确相对位置注意力
一种精确的瓦片注意力算法将加性相对位置项集成到类似 FlashAttention 的计算中，减少内存和计算开销，加速长上下文相对位置 Transformer。该方法（1）使用偏移感知瓦片避免冗余索引和内存访问，（2）仅计算必要的键/查询关系产品并在前向和反向传递中重用它们，以及（3）使用基于偏移的梯度分片和聚合，消除原子竞争。
- Hugging Face Daily Papers
OneTrans-GSR：一种生成式排序列表范式，统一重排序和混合排序
OneTrans-GSR 通过单一自回归 Transformer 统一生成推荐排序列表，提升业务指标并减少重排序和混合排序延迟。在工业推荐系统中部署后，GMV/u 提升 2.63%，广告商价值提升 2.06%，回购率提升 2.03%，同时将端到端延迟降低 13%。
- Hugging Face Daily Papers
A2-MEAS 框架迈向具身智能体时代
A2-MEAS 框架通过学习校正码和具身视觉语言行动模型提升机器人控制与故障恢复，在 50 任务 BEHAVIOR 2026 公开子集上达到 0.5755 Q-score 并实现 45.40% 任务成功率，12 项真实机器人任务平均成功率 57.92%。该框架采用动作预训练和任务专业化，训练吞吐量达 427.1 样本/秒，系统将开源模型、训练脚本及基础设施。
Anthropic ResearchAnthropic 测试 Claude Fable 5.2 在真实电子设计中的能力
Anthropic 与 Diode Computers 合作测试 Claude Fable 5.2 设计电子设备的能力，该模型能从设计到原型制作完成电子硬件。
- Hugging Face Daily Papers
PCBRouteAgent：LLM 智能体距离成为 PCB 布线工程师还有多远？
PCBRouteAgent 在 247 块合成和真实 PCB 上实现 100%、94.9%、100% 和 40% 的 D2、D3-A、D3-B、D3-C 清洁通过率，在三个真实世界子集上分别比最佳基线高 13.9、36 和 10 个百分点。
- Hugging Face Daily Papers3434
LowRAM：一种用于可组合 KV 缓存压缩的低秩键和摊销值的测试时方法
LowRAM 通过低秩分解压缩键，并使用小头网络根据键预测值，同时保留最难重建标记的残差校正，实现 4 倍值缓存压缩且性能近乎无损。选择性重建可使 262K 上下文在 4 倍 KV 压缩下峰值解码吞吐量提升 5 倍。结合量化和驱逐，LowRAM 将压缩推至 26.9 倍，同时保留 94.5% 的基线性能。
Import AI4242Physical Superintelligence 证明量子计算猜想；Meta 打造超级智能控制的触觉手套；NASA 论文称建立月球制造业成本低于预期
Physical Superintelligence 开发的内部研究系统运行非公开 Anthropic 模型，在三天内证明了 Scott Aaronson 和 Andris Ambainis 的量子计算猜想。
- Hugging Face Daily Papers3434
P²-MOPD：通过参数先验加速多教师策略蒸馏
P²-MOPD通过将每个学生模块表示为其自身可学习权重与冻结专家任务向量（专家减去基础模型）的加权求和，联合训练权重和混合系数α，使专家成为参数先验，显著加速多教师策略蒸馏。
- Hugging Face Daily Papers3131
深入探讨智能体进化：我们忽视了什么
智能体进化通过递归自我改进（RSI）提升性能而不更新模型权重，但高基准分数并不总带来可靠、高效和可迁移的改进。研究评估了四种方法在通用和编码任务上的表现，发现所有十六个进化智能体都获得了新任务能力但丢失了部分旧能力，其中一种通用任务智能体可靠性提升5.2点但丢失了十个旧任务。EvoAudit通过分析、变异和门控机制实现了最佳性能。
- Hugging Face Daily Papers6565
LongBanana：首个专家验证的长上下文多参考图像合成基准
LongBanana是首个专家设计和验证的长上下文多参考图像合成基准，包含90个精心设计的任务，每个任务约含32张参考图像、20个约束和50个评估项，共4,670个专家指定的原子评估项。
MIT News · AI5252WorldParticle：单一 AI 模型模拟多种物质行为
WorldParticle 模型能模拟从滑动的沙子到折叠的蛋白质等多种物质行为，通过将物体分解为数千或数百万个三维粒子并使用神经网络预测其运动，无需为每种物质和过程编写特定方程。该模型在模拟可变形物体、颗粒材料和蛋白质等方面比数值模拟方法精度更高，并可通过合并技术优化计算效率。
- Hugging Face Daily Papers6060
Claude Code 与 GPT-6.1 Sol 结合 HEELO 框架提升真实任务处理能力
Claude Opus 5.5 结合 Claude Code 与 GPT-6.1 Sol 在 HEELO 框架下处理 46 项真实任务时，单独完成 9 项，通过 MCP 服务器连接完成 39 项与 35 项，耗时分别减少 1.9 倍和 2.3 倍，成本降低 1.55 倍
- IT之家 · AI6565
Anthropic 发布报告：科学家主要用 Claude 进行数据分析和写作
Anthropic 发布研究报告显示，科学家主要将 Claude 用于数据分析和写作，收集数据、生成研究假设则较少使用 AI。研究基于 2026 年 8 月至 9 月 20.7 万次科研会话数据，其中计算机科学、数学和统计学领域使用比例最高，数据分析占 Claude 科研会话的 33.7%，写作与沟通占 32%。
- IT之家 · AI6767
OpenAI GPT-6.1 Sol 参与活体小鼠脑手术：连续操作三次，定位误差减半
OpenAI GPT-6.1 Sol 在活体小鼠脑部手术中连续操作三次，通过外科医生反馈改善定位表现，耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，误差下降 50%。研究团队让模型参与小鼠头骨表面 Bregma 和 Lambda 两个关键解剖标志的定位任务，每次操作后保存图像、数据及修正记录供后续参考。
- Hugging Face Daily Papers6565
VisSearch-Bench 评估多模态智能体在长时程视觉搜索中的表现
VisSearch-Bench 评估了 16 个多模态模型在 204 项人类编写的视觉搜索任务上的表现，这些任务要求整合视觉上下文与外部信息，结果显示最佳系统仅完全解决了 26.47% 的任务。该基准涵盖集合式视觉搜索、序列式视觉搜索等 7 个主要领域，通过准确率与过程分评估任务完成度与推理步骤的正确性。
