跳到正文
实时
科研#Hugging Face
11月14日周六
11月13日周五
  2. Hugging Face Daily Papers

    SO-Arena 评估系统一模型的能力谱和可靠性

    SO-Arena通过11个领域和5个能力家族评估系统一模型，发现规模化和推理增益存在差异，且高整体准确率不保证可靠决策。该基准通过可靠来源和手动验证、领域特定难度标准、沙盒中迭代执行动作进行能力谱评估；通过选项集变化下的决策稳定性和无有效选项时的答案识别评估决策可靠性。21模型评估显示规模化和推理增益存在领域差异，且最佳系统一模型在可靠性排名中仅列第七。

  3. 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。

11月12日周四
  4. Hugging Face Daily Papers65

    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。

11月11日周三
  4. Hugging Face Daily Papers65

    MMDM：大规模多任务决策模型评测基准

    MMDM评测了28个决策模型，显示多数模型在常见知识上表现良好，但在相互依赖选项、约束决策和多选任务上表现不佳。例如，Perplexity Decider-V1.2在知识单选上达78.75%准确率，但在选项逻辑和约束规划上分别只有53.95%和47.95%，而所有模型在硬多选上的最佳准确率仅为36.81%。

  5. Hugging Face Daily Papers65

    Infrathon：用于现实世界长时程 AI 基础设施优化的语言智能体基准

    Infrathon 对六种模型进行了 150 次长时程 AI 基础设施优化任务评估，总耗 10,000 GPU 小时，发现模型排名随评估时程变化，135 次任务在预算后半段实现进一步优化，且 Claude Opus 5.5 将 KV 缓存压缩率从 6.82% 提升至 19.86%，超出人类设计基线。分析显示任务违规、测试不可靠和过早完成是持续优化的主要障碍。

  7. Hugging Face Daily Papers65

    Longtail-SWE: 高质量长尾软件工程任务集

    Longtail-SWE发布了覆盖13种代表性不足编程语言的202个问题解决任务，用于现有基准中稀缺的工程问题。通过solver-judge-repairer管道构建，模型在9种配置下评估，包括前沿模型，分析任务解决性能、重复尝试一致性及资源使用。所有基准实例、执行环境、工具和智能体轨迹已开源。

11月10日周二
  1. Hugging Face Blog

    Hugging Face 探索决策模型在非文本生成场景的应用

    Hugging Face 探索决策模型在非文本生成场景的应用，如将 LLM 用于客户支持系统处理退款请求，模型直接评估选项并返回概率分布而非生成文本。决策模型输入状态和问题，输出结构化决策及概率，优于 LLM 直接生成 JSON 的方式，后者可能不遵循请求模式且效率低。决策模型与分类模型不同，前者输出类别可动态调整，后者输出类别固定且需重新训练扩展。

  3. 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。

  5. Hugging Face Daily Papers

    ReproBridge：为机器学习研究工件构建可复现性

    ReproBridge通过标准化设计（精炼代码库、环境设置、实验启动器和复现指南）提升机器学习实验复现成功率，在ReproBridge-Bench上使四款模型的平均复现率从76.4%提升至92.6%。精炼工件使下游API成本平均降低19.7%，缩小模型间成功率差距至3.9个百分点，所有模型均达到90%以上成功率。移除代码或环境组件会显著降低复现效果。

  7. 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。

11月9日周一
  1. Hugging Face Daily Papers34

    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。

  2. Hugging Face Blog45

    HOPE 高阶专家剪枝方法发布

    HOPE 方法通过考虑专家间的二阶交互，在混合专家语言模型中实现了更优的剪枝效果，50%剪枝率下在 agentic coding 任务上比次优方法提升 6.1%。该方法基于 Qwen3.5-122B 等模型验证，每个 MoE 层有 256 个专家，剪枝后可减少约 250 GB 内存占用，且与量化兼容。

11月7日周六
  1. The Decoder72

    Nous Research 微调 Qwen3.8-27B 推出 Arete-27B，宣传性回答占比从 22% 降至 0.9%

    Nous Research 使用约 5300 万 token 对阿里 Qwen3.8-27B 进行监督微调，得到开源权重模型 Arete-27B，其宣传性回答占比从 22% 降至 0.9%，事实准确率从 2.32 升至 2.98。

    推荐理由: 原文给出了微调前后的宣传率与事实准确率对比，读者可据此判断中文开源模型的政治倾向是否只停留在表层。

  2. Hugging Face Daily Papers65

    Drex 开源决策模型发布

    Drex 开源决策模型返回用户选项的概率分布，无需自回归解码，采用监督微调、RLAF 和一致性损失提升准确率、鲁棒性和延迟性，其 35B 参数的 Max 版本在 Decision Index 0.4.1 上达到 67.52 分的行业最佳成绩，且响应时间仅为 GPT-6 Sol 的 9% 和 Claude Opus 5.5 的 5%。

11月6日周五
  6. Hugging Face Daily Papers65

    TailSteer：一种用于抗漂移多轮图像编辑的轨迹尾引导训练框架

    TailSteer 通过保持早期去噪动态接近基础模型并从策略内滚动学习轨迹尾部的精细偏差抑制校正，显著减少多轮编辑中的累积视觉漂移，同时保留预训练的生成和编辑能力。实验表明，TailSteer 在 FLUX、SenseNova 和 Qwen 系列模型上，能在 15-20 轮编辑中大幅降低漂移，且在大量文本到图像和单图像编辑基准测试上基本保持基础模型性能。