跳到正文
实时
#Hugging Face
11月3日周二
  2. Hugging Face Daily Papers65

    Hugging Face Daily Papers：代理计算机图形学的进展

    Hugging Face Daily Papers发布了一份关于由大语言模型驱动的代理计算机图形学的报告，提出了统一分类法和文献系统，分析了人机协作和长期规划的趋势与挑战。报告介绍了用于表征不同计算机图形任务中代理系统的统一分类法，并开发了可协助研究人员大规模分析现有及新发表论文的代理文献系统。

  6. Hugging Face Daily Papers65

    CEPO：一个用于多智能体系统的通用提示优化框架

    CEPO 通过将共享协调与智能体特定执行分离，提升了多智能体系统的提示优化效果，并在 11 个跨四个领域的基准测试中持续改进了四种现有提示优化器的性能。该框架使用共享协调器提示和智能体特定执行提示，指导它们根据各自角色更新，使共享协调规则能在所有智能体间一致优化，同时保持执行指令的独立调整。实验表明 CEPO 提升了优化预算效率，并随智能体数量增加而扩展性能。

11月2日周一
  2. Hugging Face Daily Papers65

    HiFOR：一种用于视觉语言行动模型的层级预见框架

    HiFOR 通过层级预测未来状态并检索相关未来信息来指导行动生成，提升机器人操作能力。该框架通过层级依赖掩码（HDM）联合预测短期状态演变、语义里程碑和最终目标状态，建立跨时间范围依赖关系；结构感知潜在世界建模沿时间、视角和空间维度组织未来潜在表示，促进细粒度检索；行动引导分解世界检索根据去噪过程中的行动表示自适应检索相关未来信息，为行动生成提供针对性指导。

  4. IT之家 · AI65

    研究者在《我的世界》测试 AI 智能体集群：协作容易官僚化，对战 GPT 胜率更高

    研究人员使用50个GPT-6.1 Sol智能体在《我的世界》中搭建文明群落，因官僚化倾向未能发展壮大；10个GPT-6.1 Sol对阵10个Claude Opus 5.5的起床战争测试中，GPT智能体策略更激进，完成问题诊断并共享解决方案；七局Mindustry对战中GPT智能体六胜一负，体现蜂群模式优势。

  5. Hugging Face Daily Papers58

    Wizard：通过智能体控制实时操控任意世界

    Wizard解耦角色动画、场景操控和游戏逻辑与视觉生成，通过结构化视觉代理让智能体控制关节骨骼和场景几何，实现24 FPS的实时交互，零样本泛化到未见场景、角色和动作。团队构建了50.3小时对齐的代理-视频对，包含750场景和178个角色，支持角色自适应遮罩、因果适应和少步蒸馏技术。

10月31日周六
10月30日周五
  1. Hugging Face Daily Papers60

    Youtu-Parsing-Omni：统一多模态解析器，单编码器单架构覆盖所有模态

    Youtu-Parsing-Omni 将文档、图像、音频和视频编码为时空结构化记录，通过自进化策略蒸馏实现最优解析效果。单模态编码器共享权重并融合跨模态信息，单架构统一十种解析任务输出，5B参数版本在 OmniDocBench v1.6 和 OmniParsingBench 上取得 96.96 和 75.08 的顶尖成绩，代码和权重开源。

  2. Hugging Face Daily Papers31

    SpecSlot：一种用于像素空间生成 Transformer 的角色耦合标记化方法

    SpecSlot 通过使用局部频谱槽和限制全局注意力来改进像素空间生成 Transformer，在不增加计算成本的情况下提高图像细节。SpecSlot 将每个空间锚点扩展到多个槽，每个槽分配一个不同的 DCT 系数带，这分离了锚点密度和频谱细分；每个锚点只有最低频的槽参与全局注意力，而所有槽都进行局部交互。

  5. Hugging Face Daily Papers65

    Hugging Face Daily Papers：通过难度度量形式化基准评估，识别测量不匹配和覆盖缺口

    研究通过难度度量形式化基准评估，识别测量不匹配和覆盖缺口，提出诊断指标和重写算法改善基准覆盖；分析25个跨7领域的流行基准，发现多数基准隐式高估特定难度区域或未覆盖难度轴大部分区域，限制模型改进监控能力；引入BenchFill算法有效减少局部覆盖缺口。

  6. IT之家 · AI82

    Mistral AI 开放 Mistral Large 4 模型权重：1T 参数，编程智能体更省 Token

    Mistral AI 于当地时间 10 月 29 日正式开放 Mistral Large 4（代号 le Chonk）模型权重，这是一款 1 万亿总参数、490 亿激活参数的原生多模态模型，在欧洲自有数据中心用 3,800 块 NVIDIA Grace Blackwell GPU 从零训练。

    同一件事 · 2 家
10月29日周四
  1. Hugging Face Blog

    Project ProtoStar 项目发布：推动公共资助科学研究向 AI 兼容化发展

    Project ProtoStar 项目发布，旨在通过使数据集、模型和代码更易获取和复用，解锁公共资助科学研究的潜力。该项目汇集了大学、研究机构、产业和开放科学社区，支持以 AI 兼容、机器可操作的格式发布科学成果，并通过一系列公开挑战展示其价值。首个挑战由卡内基梅隆大学主办，将于 11 月 2 日启动。

  2. The Decoder

    美国反垄断监管机构审查英伟达对 Hugging Face 的收购及销售行为

    美国司法部正在调查英伟达计划收购开源平台 Hugging Face 的交易，官员们质疑该收购是否会让英伟达控制 AI 分发关键枢纽并损害竞争对手，交易额达 129.3 亿美元，预计 2027 年上半年完成。

    同一件事 · 3 家
  3. Hugging Face Blog85

    Mistral Large 4（Le Chonk）在 Hugging Face 发布

    Mistral 发布多模态 MoE 模型 Mistral Large 4（Le Chonk），约 1T 总参数、49B 激活参数，上下文窗口 1M tokens，提供 FP8 与 NVFP4 两个官方版本，另有 Unsloth 和 llama.cpp 团队制作的 GGUF。

    推荐理由: 原文给出 1T 总参数、49B 激活的 MoE 多模态模型在网络安全与编码基准上的具体分数，并附本地与端点部署实测吞吐。

  4. Hugging Face Blog

    Hugging Face Granite Switch 4.1.1 发布：软件式更新模型

    Hugging Face 发布 Granite Switch 4.1.1，在 4.1 基础上增量更新，保留完全向后兼容性。新增多语言语音转写模型（支持 10 种语言带原生标点）和 Jev 决策指数测试集性能提升的决策适配器。团队通过仅更新适配器未重新计算基础模型，实现快速部署，未来将支持第三方自定义适配器。

  8. IT之家 · AI78

    英伟达开源语音转录模型 Nemotron 3.5 Transcribe，支持 40 种语言与 8 人说话人分离

    英伟达于 10 月 28 日推出开放权重语音转录模型 Nemotron 3.5 Transcribe，整合转录、说话人归属、翻译和音频问答，采用 MoE 架构，总参数约 340 亿、激活参数约 43 亿，可处理最长 1 小时录音，支持 40 种语言转录、最多区分 8 名说话人。

    推荐理由: 英伟达开源语音转录模型，公开了参数规模、多语言与说话人分离能力及榜单成绩，可对照现有开源 ASR 方案。

  9. Hugging Face Daily Papers

    嵌入Gemma 2：统一高效的跨模态表示模型

    EmbeddingGemma 2 是一个开源的多模态嵌入模型，将文本、图像、音频和视频表示统一在高效且资源灵活的设计中，并在基准测试中表现优异。它在所有模态的嵌入基准测试中建立了新的帕累托前沿，优于专业模型和规模大两到十二倍的其他模型。该模型支持选择性模态编码器加载、可调节的视觉标记预算、可截断的嵌入维度和量化权重，以适应资源受限的环境。

  11. 36氪 · AI

    美国司法部就英伟达收购Hugging Face展开问询

    美国司法部就英伟达收购开源平台 Hugging Face 的交易将如何影响人工智能领域的竞争展开问询，询问这笔收购是否会让英伟达掌控 AI 领域一个基础性的分发渠道。司法部官员同时询问英伟达的收购、投资和销售行为，以及该公司是否曾向客户施压。

    同一件事 · 3 家
  12. IT之家 · AI

    美国司法部就英伟达 129.3 亿美元收购 Hugging Face 一事展开问询

    美国司法部就英伟达 129.3 亿美元收购 Hugging Face 的交易展开问询，关注其对 AI 竞争的影响。司法部官员重点审查英伟达的并购、投资、销售模式及对客户压力，并审查其 2025 年 12 月对 SchedMD 的收购。

    同一件事 · 3 家
10月28日周三
  1. Hugging Face Blog78

    NVIDIA 发布 Nemotron 3.5 Transcribe 与 Granary v2 数据管线

    NVIDIA 发布开源权重模型 Nemotron 3.5 Transcribe，把转写、说话人分离、翻译和音频问答合入同一 checkpoint，支持 40 种语言转写、31 种语言与英语互译、13 种语言说话人标注，可处理最长 1 小时录音并标注最多 8 位说话人。

    推荐理由: 原文给出多语言转写、说话人分离与翻译的统一权重模型，并附开放数据管线和微调配方，可据此判断语音场景的适配路径。

  2. Hugging Face Daily Papers

    分解矢量量化技术提升离散视觉token质量

    分解矢量量化技术通过在互补特征视图上使用并行码本提升了离散视觉token质量，使其在多模态理解中能匹配连续表示，在工业级多模态数据上训练的模型在九项指标平均上比 UniAR 和 Emu3-Chat 分别高 22.8% 和 59.2%，是目前首个能与 Qwen3-VL 等强连续表示模型竞争的离散表示模型。