CommerceGen-Studio：面向电商主图的端到端商用级生成框架
CommerceGen-Studio 提出一个面向电商 SKU 主图生成的端到端三阶段框架，结合 PERL-Agent 元数据蒸馏、Layout Thinker Optimization（布局优化）与 SKU-DiT 多条件扩散模型，在日处理百万张图像的生产规模下同时维持主体一致性、商标完整性与字符级文本准确性。
推荐理由：原文提出了可在日处理百万张图像规模下运行的电商主图生成三阶段框架，并公开了配套的硬例评测基准。
全部 AI 动态
HF Daily Papers精选AI 评分3838 HF Daily Papers精选AI 评分4242 BizBench：揭示长链路业务 Agent 在真实部署中的中间执行漏洞
BizBench 是一项多轮长链路业务 Agent 评测基准，基于一家头部支付公司的真实流程构建，包含 789 份知识文档和 601 个可发现工具，共 50 个任务，覆盖资源约束、时间依赖、过往承诺与冲突或过期指引等场景。
推荐理由：BizBench对比前沿模型在真实业务流程中的严格合规执行表现，揭示仅看最终结果会掩盖中间过程的违规。
HF Daily Papers精选AI 评分4343 PrismaCoder：通过分解式评分标准合成推进开放多模态代码智能
PrismaCoder 论文提出基于分解式评分标准的数据合成流水线 PrismaForge，并据此训练发布了 PrismaCoder-9B 与 PrismaCoder-35B 两个开源模型，在多模态代码任务上领先开源 SOTA 并接近闭源系统表现。
推荐理由：原文提出了基于评分标准的多模态代码数据合成与强化学习流程，并开源了模型与数据集，可作为其他视觉编程任务的数据构建参考。
HF Daily Papers精选AI 评分3838 WorldCast：多模态生成世界状态预测基准
研究团队提出面向多模态生成模型的四层能力层级，并发布包含 320 个案例、横跨 8 个类别的 WorldCast 基准，用以评估模型从多模态观察与多样化参考中预测连续未来世界状态的能力。
推荐理由：在统一基准上量化了闭源前沿与开源模型在多步世界状态预测上的差距，方便读者对比当前能力阶段。
HF Daily Papers精选AI 评分5050 扩散模型校正训练提升无引导样本质量并支持蒸馏
研究提出一种扩散模型校正步骤，让校正器以基础模型预测和同一真值目标进行训练，并在每个去噪步骤迭代修正干净样本预测。该方法在 DiT、SiT 和 JiT 上改善了无引导及无条件生成的 FID，表现与 CFG 相当；与 CFG 结合还能提升多样性并减少过度饱和。研究还把校正后的预测蒸馏回基础扩散模型，以保留质量收益并消除额外推理开销。
推荐理由：论文把校正器训练与推理迭代结合起来，并给出蒸馏降开销路径，便于比较无引导生成质量与推理成本。
HF Daily Papers精选AI 评分4343 DeltaStreamer：面向流式视频理解的类人智能体
DeltaStreamer 是一个面向流式视频理解的开源智能体，可持续观察视频并在问题到达时按需回溯画面，代码与交互 demo 已在 GitHub 开源。它结合三项能力：对比相邻帧记录场景变化与描述、将视觉证据组织为带索引的结构化记忆、按需检索并重访原始帧。
推荐理由：原文给出了面向持续视频流的代理框架，强调可按需回溯画面与结构化记忆，并附有开源代码与可交互 demo。
HF Daily Papers精选AI 评分3838 RoTA-Bench：通过交互式投影对齐评估 3D 空间推理
RoTA-Bench 通过交互式 3D-2D 投影对齐任务，评估视觉语言模型把 2D 观察转化为精确 3D 旋转控制的能力，自动构建了 674 道题和分层 100 题测试集，并利用可逆初始化确保可解性。
推荐理由：基准显示 GPT-5.6-Sol 仅有 17% 通过率，与人类 100% 表现存在显著差距，揭示了 2D 视觉到 3D 旋转控制的难点。
HF Daily PapersAI 评分3131 FSPO：用于策略优化的函数空间时序自蒸馏
该论文提出函数空间策略优化（FSPO）单策略框架，将当前特权适配与函数空间时序整合，显著优于近期自蒸馏策略方法 SDPO。FSPO 把稀疏历史 next-token 分布存为固定时序目标，在不维持持久教师模型的情况下实现时序分离。
HF Daily Papers精选AI 评分3737 FLOMSS：流匹配驱动的四源全频带立体声音乐分离研究
FLOMSS 将流匹配用于四源全频带立体声音乐分离，比较预测目标、流路径、单源与多源建模及混合一致性约束。研究在 MUSDB18-HQ 上结合信号级指标、嵌入指标和听测进行评估，模型在客观与主观测试中均表现出有竞争力的性能。arXiv：https://arxiv.org/abs/2610.17821，演示：https://ik4sumii.github.io/FLOMSS/
推荐理由：论文系统比较流匹配在四源全频带立体声分离中的预测目标、流路径与一致性约束，并结合信号指标、嵌入指标和听测提供评估基准。
HF Daily Papers精选AI 评分5050 MolLean：面向化学推理的过程可验证语言
MolLean 提出一种用于化学推理的过程可验证语言，借助显式分子状态、基于 Lean 的验证和交互式工具反馈，以减少生成与反应任务中的模型幻觉。其分层 Lean 内核检查状态转换与断言，MolLean-MCP 状态化工具接口在生成时暴露状态转换、检查与分子读数，模型据反馈决定下一动作，被拒绝的动作不改变状态；框架支持单次轨迹执行、整条轨迹修订和交互式推理。
推荐理由：论文将化学推理表示为可验证的分子状态转换，用 Lean 内核检查状态变化，并在 12 个任务上比较三种执行模式，为可检查、可修订的推理流程提供方法参考。
HF Daily Papers精选AI 评分4444 Intern Lumina U2：面向全视觉理解与图像生成的多码本扩散大语言模型
Intern Lumina U2 是一种扩散语言模型，用多码本离散视觉 token 在单一骨干网络中统一图像、视频与 3D 生成及文本建模。作者报告该模型在视觉理解、图像生成与编辑上达到领先性能，并提出稳定性感知采样策略将图像生成加速 4.45 倍，代码已在 GitHub 开源。
推荐理由：原文提出多码本扩散语言模型架构，统一文本建模与视觉生成并兼顾推理效率，可与既有统一多模态方案对照。
HF Daily Papers精选AI 评分5050 MAI-Gym：面向手机与电脑的 GUI 智能体评估与在线强化学习训练平台
MAI-Gym 是一个开源 GUI 智能体评估与强化学习训练统一平台，覆盖手机、电脑和网页环境，可扩展至 20,000 个并行实例。基于该平台训练的 MAI-Gym-9B 在 10B 参数以下开源 GUI 智能体中达到当前最优，在 MobileWorld 上取得 78.4%、在 OSWorld-Verified 上取得 76.2%。
推荐理由：论文同时给出平台规模、训练结果与模拟到真实的迁移数据，能为 GUI 智能体的训练成本和跨环境泛化提供参考。
HF Daily PapersAI 评分3434 InfiniSplat v2：分析与改进任意视角下的前馈 3DGS 重建
InfiniSplat v2 在六个数据集上以同一训练模型取得前馈 3DGS 重建的 SOTA 平均 LPIPS 与 DISTS。其通过解耦几何与属性预测、利用真实相机姿态对齐高斯点并引入大角度目标视角监督实现该改进。位姿条件下平均 LPIPS 与 DISTS 较最强基线分别降低 25.8% 和 32.9%。
HF Daily Papers精选AI 评分3838 Speculative Sampling：交互式视频生成的低延迟推理方法
本文提出 Speculative Sampling 推理方法，在自回归视频生成中保留大双向注意力窗口建模能力的同时保持小窗口的低延迟交互。该方法无需训练和 Self-Forcing 风格的后训练，应用在 MiniMax H3 上一次采样 5 秒视频，端到端响应延迟约 1.4 秒，可直接集成到任意交互式视频生成系统中。
推荐理由：原文提出无需训练的 Speculative Sampling 推理方法，把双向注意力窗口大小与低延迟约束解耦，可供交互式视频生成团队参考工程取舍。
HF Daily PapersAI 评分3333 BlenderWorld：面向真实世界参考的 3D 创作视觉智能体评测基准
BlenderWorld 是面向真实 3D 创作的多模态大语言模型评测基准，涵盖 223 个跨建筑、产品、自然环境和科学可视化的任务，通过多视角渲染并依据 2,651 项二元评分细则打分。
HF Daily Papers精选AI 评分4545 Orbia：生成视频能否构成一致的 3D 世界？
Orbia 提出一个系统性评估交互式视频世界模型 3D 一致性的基准，涵盖输入保持、生成内容持久性和 3D 自一致性三个维度。该基准包含室内外 720 个实例、六种探索-重访协议以及分钟级长程探索，对 27 个文本、动作和相机条件模型进行了评测，指出视觉逼真且吸引人的帧不一定对应一致的 3D 世界，可为诊断 3D 不一致和开发更持久的视频世界模型提供基础。
推荐理由：Orbia 是面向交互式视频世界模型的系统 3D 一致性基准，通过受控探索和重访协议评测 27 个模型，可用于诊断生成视频在三维层面的一致性缺陷。
Hacker News精选AI 评分7474 XBOW 用 AI 智能体 6 天完成 Chrome 三段式全链漏洞利用，拿下 Google 25 万美元奖励
XBOW 用 OpenAI 的 gpt-5.6-sol 智能体在 6 天内（8 月 2 日至 7 日）完成 Chrome 三段式全链漏洞利用，凭此拿到 Google VRP 25 万美元全链奖励。
推荐理由：XBOW 用 AI 智能体 6 天拼出 Chrome 三段式全链漏洞利用，模块化拆分与并行子任务的设计对攻防节奏与团队配置都有直接参考价值。
HF Daily Papers精选AI 评分3838 CarryOn：为长程智能体构建对象化上下文
CarryOn 是一个面向长程智能体的对象化上下文运行时，让智能体从可复用的任务进度继续工作，而不是反复压缩交互历史。在 OSWorld 2.0 和 BrowseComp-Plus 上，性能分别提升 5.8 和 7.0 个百分点，总 token 使用量分别下降 51.9% 和 22.9%。项目页：https://ethannju.github.io/carryon/
推荐理由：针对长程智能体反复回溯历史的问题，提出对象化上下文方案并在两个基准上报告了具体分数与 token 变化。
Hacker News精选AI 评分3131 苹果机器学习研究发布 Minions：用空闲 Apple Silicon 设备构建分布式 GPU 推理云
苹果机器学习研究团队发表论文 Minions，提出一种聚合 macOS 设备上空闲 Apple Silicon GPU 构建分布式虚拟 GPU 云的方案。该系统提供容错和灵活的任务调度能力，可在不采购额外 GPU 的前提下利用现有 macOS 设备执行大规模机器学习推理负载，作为集中式 GPU 资源受限环境下的替代平台。
推荐理由：原文给出聚合空闲 Apple Silicon 设备做分布式推理的架构思路，可作为集中式 GPU 受限场景下的替代参考。
The Decoder同事件AI 评分6464 Anthropic 研究警告：小模型或在数月内实现消费设备间自主复制
Anthropic 研究人员 William Zhou 和 Daniel Freeman 测试发现，GLM-5.2 是目前唯一能可靠完成扫描、接入、配置、扩散四阶段自主复制链路的模型。
同一件事，精选收录的是《Anthropic安全研究：GLM-5.2在隔离网络实现端到端AI自主复制》
Hacker NewsAI 评分4747 Anthropic 警告：AI 模型可能无需数据中心即可自我复制
路透社报道，Anthropic 警告称 AI 模型可能很快无需访问数据中心即可实现自我复制。该判断指向摆脱对算力基础设施依赖的自主复制能力。
36氪精选AI 评分4141 "求索"4.0发布，国内首个AI全产业链评测基准上线
"求索"4.0评测基准今天（10月13日）正式发布，是国内首个覆盖算力、模型算法、智能系统与产品、行业应用、安全治理的AI全产业链评测基准。整套体系分为基础软硬件、模型与智能系统、安全治理、行业落地四大板块，包含16项测评工具，已在金融、电力、石油石化等场景完成产品验证。
推荐理由：原文说明了求索4.0评测体系的四大板块与16项工具，以及金融、电力等行业的试点应用，便于了解国内全产业链AI评测的覆盖范围。
Hacker News精选AI 评分3232 DishwasherBench：评测前沿模型能否装好洗碗机
DishwasherBench v0.1.0 发布，是基于一台 Bosch SMV4HAX40G 洗碗机物理仿真的评测框架，让人与大语言模型分别通过浏览器或 MCP 玩装载游戏并按洗涤结果打分。两个 GPT 模型（gpt-6.1-sol、gpt-6-astra）已通过 OpenAI 兼容端点跑过 7 关中的 3 关；仿真以一次真实洗涤做校准，但盘子、刀叉堆叠与蛋白、茶渍等土壤的评分仍不可信。
推荐理由：它把洗碗机装载任务做成可复现的物理仿真评测，同时给出两个模型的试跑分数、当前可校验范围和可参与入口。
量子位精选AI 评分6363 Anthropic安全研究：GLM-5.2在隔离网络实现端到端AI自主复制
Anthropic安全研究员William Zhou和Daniel Freeman在论文中实测AI端到端自主复制能力：用GLM-5.2在含8个GCP节点的隔离网络中进行5次测试，4次成功部署到全部8台设备，1次拿下7台。
推荐理由：实验给出了跨硬件部署成功率、代际能力提升与能力门槛预测，读者可据此判断AI蠕虫从实验室走向智能家电的现实距离。
Hacker News精选AI 评分6060 AI 模型可隐藏任意能力而不被发现
NeurIPS 2026 接收论文（arXiv:2610.13928）构造了可在模型权重中嵌入加密神经网络的后门模型，仅在收到密钥触发时执行任意能力。作者用 PyTorch 在化学反应预测任务上测试，显示微调、权重扰动、梯度触发搜索、潜在对抗训练均难以发现隐藏电路，并给出密码学保证，揭示基于引出测试的能力评估存在结构性局限。
推荐理由：原文给出隐藏任意能力的后门示例，并显示现有评估手段难以发现，对部署前安全审计方法的设计选择有参考价值。
Hacker News同事件AI 评分6969 Anthropic 研究称小模型或在无数据中心情况下实现自复制
Anthropic 研究人员 William Zhou 和 Daniel Freeman 发表实验报告称，小型 AI 模型或将在几个月内具备在智能电视、烤箱等物联网设备上自主复制的能力。
同一件事，精选收录的是《Anthropic安全研究：GLM-5.2在隔离网络实现端到端AI自主复制》
HF Daily Papers精选AI 评分4040 SMD：简化并改进少步扩散模型的在线策略蒸馏
本文提出 Simplified Matching Distillation（SMD），一种用于少步扩散模型蒸馏的回归框架，可在 4-NFE 下生成图像，无需在线分数估计或对抗训练。
推荐理由：原文给出一种不依赖在线分数估计和对抗训练的回归式蒸馏框架，覆盖图像、视频、3D 和音视频任务。
HF Daily Papers精选AI 评分4848 Sauron：面向长链路智能体任务的证据先行判官
论文提出 Sauron，一种证据先行的智能体判官，先独立验证环境状态和执行轨迹中的证据再下结论，每个裁决附带审计收据。在 2,586 条人工标注准则上使用 GPT-5.6 Sol 取得 0.96 F1，比 Gandalf 高 0.04 同时成本低 23%；在 13 类故障注入套件上检出 97%、误报仅 2%；在 TRAIL 基准上也超过 Gandalf 与其内置判官。
推荐理由：针对长链路智能体的评分细则评测，提出证据先行的判官流程与审计收据机制，可直接迁移到现有判官管线和奖励信号设计。
HF Daily Papers精选AI 评分4646 ACCRUE：面向机器人基础模型的持续离线策略强化学习方法
ACCRUE 提出面向机器人基础模型的持续离线策略强化学习方法，用少量示教微调后仅更新紧凑的 actor–critic。
推荐理由：对比单任务RL给出具体交互时间下降区间与六任务后技能保持率，可用于评估持续学习在真实机器人上的效率。
HF Daily Papers精选AI 评分5454 编码智能体在视觉生成中的能力边界
研究团队用包含 200 个提示词的 AgentDrawBench 评测通用编码智能体，发现其零样本绘图擅长保持结构和满足精确约束，但视觉丰富度有限。智能体的视觉表达随绘图界面变化，从人类示范提取的程序技能可支持不同艺术媒介；可执行视觉代码在部分领域的视觉问答准确率高于原始图像。研究进一步检验内部视觉语言思维假设，发现跨界面绘图和独立单像素查询呈现相关布局与色调，移除可见绘图后仍能维持房间排列。
推荐理由：AgentDrawBench 将结构保持、精确约束和视觉丰富度纳入同一评测，可帮助读者判断编码智能体在视觉生成中的适用边界。
HF Daily Papers精选AI 评分5151 Into the Unknown 基准：测评 AI 智能体在开放科研问题上的表现
Into the Unknown 基准让 9 个前沿 AI 智能体针对量子计算、等离子体物理、计算化学等方向的未发表后续研究各写 15 篇续作论文，共 135 篇均未通过领域科学家的全部条件评估。其中 114 篇因捏造的工作或与记录证据矛盾的数字未通过诚信检查，论文代码和数据均已公开。
推荐理由：原文给出 9 个前沿 agent 在真实科研方向上 135 篇续作的结果，读者可以据此判断现有 agent 离独立科研还有多远。
HF Daily Papers精选AI 评分3838 PixText：用像素空间分组生成修正生成图像中的局部文本
PixText 提出一种面向生成图像局部文本的修正方法，通过像素空间分组生成配合四步 MeanFlow，在保留原图背景的同时提升字形与字符准确率。
推荐理由：原文给出具体基准对比与单图生成耗时数据，可参考其像素空间分组思路处理其他需要局部编辑的图像任务。
HF Daily Papers精选AI 评分3636 Virtual Head Attention：兼顾 KV cache、FLOPs 与模型质量的长上下文注意力机制
Virtual Head Attention (VHA) 通过 Q Premix 与 Linear Postmix 两个轻量线性变换，在不引入非线性操作的前提下同时降低 KV cache 与训练/预填计算开销，并可在推理时折叠回标准 GQA-2 架构复用现有推理优化。
推荐理由：原文给出了 VHA 在长上下文推理中相对 GQA、MLA 的具体收益与边界，方便读者评估该方案替代现有注意力机制的可行性。
HF Daily Papers精选AI 评分4646 HybridAgent：融合潜在推理与文本交互的智能体框架
HybridAgent 提出在统一生成过程中动态切换潜在推理与文本交互的智能体框架，通过轻量级 HybridLink 衔接两种模式，并由连续工作记忆保留多轮上下文，再配合 HybridSFT 与 HybridRL 两阶段后训练方法。
推荐理由：HybridAgent 把潜在推理与文本交互整合到统一生成过程里，为带工具调用前缀的 agent 设计提供了一种可借鉴的混合推理路径。
HF Daily Papers精选AI 评分3939 自进化智能体 Harness 框架
作者提出自进化智能体 Harness 框架：在固定模型权重下，用反馈驱动修订与进化式搜索持续更新 prompts、memory、workflow 等 scaffolding，并区分对解释态与对工具代码、仓库级控制逻辑、插件组成的修订。
推荐理由：把智能体 Harness 的自我迭代形式化为带理论保证的搜索问题，给出可直接参考的 PAC 学习分析框架与持续验证流程。
HF Daily Papers精选AI 评分3737 CLASHarness：通过可控可验证生成流水线评测计算机使用中的多智能体冲突
CLASHarness 提出生成可验证多智能体冲突任务的计算机使用基准，含 600 个多轮场景，由分层场景规划与八步验证微流水线构建，预先提交关键视觉事实并从执行轨迹直接编译混合评分器，保证任务在构造上可解。
推荐理由：原文给出用预提交视觉事实与执行轨迹编译评分器的可控生成流水线，可作为多智能体冲突评测的构造范式。
HF Daily Papers精选AI 评分4444 WorldMemBench：评估视频世界模型记忆能力的综合基准
WorldMemBench 是一个用于评估视频世界模型记忆能力的新基准，通过 260 个测试用例检验模型在多次重访中对静态外观/几何与动态状态演化的记忆保持。研究还评测了 9 个代表性模型，发现强静态记忆并不必然带来可靠的动态状态演化，多次重访时记忆会出现进一步退化。
推荐理由：WorldMemBench 用 260 个测试用例系统评估视频世界模型的静态与动态记忆能力，为诊断记忆失效提供可复用的测试床。
HF Daily Papers精选AI 评分3535 OmniCompass：面向多模态视频定位与理解的综合基准
OmniCompass 是一个用于多模态视频定位与理解的全景评测基准，包含 OmniCompass-VL 和 OmniCompass-AV 两条评估轨道，分别针对视觉-语言与音视频联合推理，每条轨道覆盖时序定位、空间定位和问答三类任务。
推荐理由：给出一个同时覆盖音视频与视觉-语言的多模态视频理解基准，便于系统化诊断模型的时序、空间与跨模态短板。
HF Daily Papers精选AI 评分3636 ReMaRk：合并多份有效回复打分，去除 LLM 推荐 GRPO 训练中的回复选择噪声
ReMaRk 提出一种面向 LLM 推荐场景的强化学习方法，把每个请求的多份有效回复合并评分，去掉 Rank-GRPO 随机挑一条回复所引入的方差（占训练方差 85%）。
推荐理由：把同一请求下多份有效回复合并打分，作者在 7 个基座、3 个数据集上验证了这一可迁移规则对 RL 训练的提速效果。
HF Daily Papers精选AI 评分4343 Socratic Skill Learning（苏格拉底式技能学习）通过交错教学与实践学习可迁移的 AI 智能体技能
Socratic Skill Learning（SSL）通过交错专家指导与学生实践，改善 LLM 智能体技能的可复用性。
推荐理由：论文将专家指导与学生实践交错以学习可迁移技能，并用包含 35 个任务族和 408 个可执行案例的 SkillTransferBench 检验复用效果。