Google Research 提出 sleep 框架，改善 LLM 持续学习中的知识保留
Google Research 提出 sleep 框架，让 LLM 在活跃交互与离线睡眠阶段间切换，持续学习新事实并将短期上下文巩固为长期参数。框架以 MoE 参数扩展、GKD 和 RL 模仿学习完成记忆巩固，再通过随机专家选择、合成数据筛选与微调进行“做梦”式自我改进。
#论文/研究
Google ResearchAI 评分4444 HF Daily Papers精选AI 评分4848 WeVisCut：单智能体统筹从旁白到长视频的完整剪辑流程
WeVisCut 研究提出一套脚本转长视频系统，用单一 9B 策略协调视频编辑工具、维护共享制作状态并恢复失败。四阶段数据管线结合编辑反演与验证回放，基于 3,750 个成片生成超过 130K 个训练样本，并提出 100 项任务和 5 项指标。
推荐理由：该研究把长视频编辑决策、故障恢复与 token 成本纳入同一 9B 策略，呈现任务专用智能体在质量与效率上的取舍。
HF Daily Papers精选AI 评分4242 A-RSI：通过自适应任务刷新实现零数据多模态自我改进
A-RSI 在学习信号下降时刷新训练任务，并用由程序生成且可独立验证的答案提升模型的递归自我改进效果。方法依据训练日志中的奖励波动与准确率更新任务池，不参考验证集或测试集成绩，也不使用外部训练样本或人工答案标签。在主要十一项基准测试套件中，加入 800 个新任务后，性能平均值从 57.77 提升至 61.05。
推荐理由：论文将任务刷新与答案验证拆分，依据训练日志更新任务池，展示了无外部标签的多模态自我改进方法及基准结果。
HF Daily Papers精选AI 评分4747 AskStream 基准：流式视频理解在不确定性下何时主动提问、问什么
研究团队提出 AskStream 多轮基准，用于评估流式视频理解模型在不确定性下主动询问缺失信息的能力。该基准覆盖视频和用户两类不确定性，包含 4 类任务、8 个子任务、438 个视频及 2,714 个人工标注的帧级时间窗口，动作分为等待、提问和回答。在选择题和开放式设置中，最强模型的 Ask-F1 也仅为 52.18%，反映出模型主动寻求信息能力的局限。
推荐理由：AskStream 将流式视频交互拆分为等待、提问和回答三类动作，并用多轮数据呈现模型主动补全信息的关键难点。
HF Daily Papers精选AI 评分4949 IntReal 提出真实场景多模态交错生成数据集与评测基准
IntReal 提出面向真实场景的多模态交错生成数据集与评测套件，用于诊断统一多模态模型的能力差异。IntReal-100K 覆盖四大类交错样本，IntReal Evaluation Suite 通过专家模型从七个维度进行粗到细评估。
推荐理由：IntReal 以细粒度指标定位统一多模态模型在不同能力维度的强弱项，配套数据可用于针对性后训练与改进交错生成。
HF Daily Papers精选AI 评分5454 Soft-MTP 通过 KL 梯度恢复改进多 Token 预测
Soft-MTP 通过 KL 梯度恢复移除多 Token 预测中的噪声残差，在不增加参数且无可测开销下改善困惑度、推测解码与推理表现。该方法支持 DeepSeek 和 Meta 风格的 MTP；在 167M 至 1.2B 参数规模上，相比标准 MTP 获得更低的 NTP 困惑度、更快的推测解码和更高的 zero-shot 准确率，1.2B 模型微调后的数学与代码推理也更强。
推荐理由：论文将标准 MTP 梯度拆为 KL 自蒸馏信号与噪声残差，并给出兼容现有训练内核的一行代码改法，为多 Token 训练提供低开销路径。
HF Daily Papers精选AI 评分4747 Investor's Last Exam：AI 智能体能在看不到未来时完成股票投资吗？
研究团队提出 Investor's Last Exam（ILE）基准，评估 AI 智能体能否仅凭决策时证据完成端到端股票投资研究。其版本化金融数据库覆盖 3.43 million 个文档版本和 9 类来源，以经验证的时间戳约束检索与计算，并通过金融依赖图关联评分标准、来源、计算与假设，在 86 assignments 上联合评估研究质量、预测准确率和模拟投资表现。
推荐理由：ILE以冻结信息集、专家标准和金融依赖图拆解端到端投研链路，可定位模型从研究能力走向预测与投资判断时的断点。
量子位精选AI 评分4545 小米披露基于1827个工厂SOP验证的21自由度仿生灵巧手技术成果
小米披露基于汽车工厂1827个标准作业程序（SOP）验证的21自由度仿生灵巧手技术成果，并给出不同自由度的抓握表现比较。基于真实作业数据的仿真消融分析显示，17~21自由度的平均稳定抓握成功率较6~15自由度提升15%~38%，其中21自由度在工厂操作覆盖度和抓握成功率上提升最大，继续提升至23自由度及以上时边际收益下降。
推荐理由：基于1827个工厂SOP比较不同自由度的抓握表现，并指出23自由度以上收益放缓，便于理解灵巧手的设计取舍。
HF Daily Papers精选AI 评分4343 S3AC：面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic 方法
S3AC 提出一种稳定化的 Actor-Critic 训练方法，通过难度感知提示词采样改进大语言模型的长链式推理，并减少对分组 rollout 的依赖。训练后的 critic 提供 token 级优势和提示词特定基线，DAPS 再结合难度估计与历史结果，在生成前选择提示词，以减少 rollout 浪费且无需离线难度初始化。
推荐理由：论文将 critic 训练、token 级信用分配与难度感知采样整合，并用多规模模型和单 rollout 对比呈现方法收益。
HF Daily PapersAI 评分3434 大模型时代可信递归自我改进综述：基础、风险、评估与开放挑战
大模型时代可信递归自我改进综述定义了RSI，并提出改进有效性、约束保持与有效监督三类流程要求。框架覆盖改进诊断、方案生成、方案评估和更新实施（S1--S4），同时纳入改进机制自身的递归更新。综述还梳理单次更新、继承风险与安全隐私问题，指出评估失真、能力退化和人工监督失效等风险及独立长期评估需求。
HF Daily Papers精选AI 评分4747 《Work Agents》论文提出工作智能体的系统、能力与优化统一框架
《Work Agents》论文提出面向数字工作的智能体统一框架，将基础模型与运行时框架结合，用于在有状态工作空间中执行任务并交付可验证结果。论文以工作持久性和工作开放性刻画工作条件，将数字工作按任务范围与组织方式分为五类，识别五类核心能力，并分析模型优化、运行时框架优化及联合优化。论文还从工作结果角度梳理现有评测方法与指标，展望持续工作委托、开放环境适应，以及工作执行与能力提升之间的交互。
推荐理由：论文以统一系统视角串联工作智能体的能力、优化与评测，并明确工作持久性和开放性两个分析维度，便于梳理相关研究框架。
HF Daily Papers精选AI 评分4141 StreamVibe：面向持续变化用户意图的主动视频智能体
StreamVibe 提出面向主动视频交互的研究方案，包含基准、流式视觉语言模型和分层记忆框架，用于理解显式、隐式及持续变化的用户意图。StreamVibe-Bench 包含 4.1K 个评测样本和 85K 个训练样本，覆盖显式、隐式和动态意图。
推荐理由：论文将基准、流式模型与分层记忆框架整合为一套主动视频交互方案，并报告响应时机、答案质量和持续适应方面的量化结果。
HF Daily Papers精选AI 评分3838 FrameForge 利用视频基础模型先验实现统一条件图像生成
FrameForge 动态选择不同虚拟间隔的时序 RoPE 专家，并通过潜在中间状态建模条件到目标的变换，实现统一条件图像生成。该方法以 Mixture of Temporal Experts（MoTE）和 Chain of Temporal Reasoning（CoTR）分别建模条件与目标的时序距离及变换路径，建立在预训练视频模型之上。
推荐理由：FrameForge 将视频模型的动态时序先验用于统一条件图像生成，并用 MoTE、CoTR 和三项基准对比展示多任务表现。
HF Daily Papers精选AI 评分5252 LOWN：仅在需要时处理图像，面向扩散视觉语言模型高效解码的证书引导视觉路由
论文提出 LOWN 解码方法，在无图像预测与上一次图像条件预测一致时跳过图像处理，并用经认证的 token 数量决定该步解掩码数量。该方法无需训练或调节阈值，在 10 个基准上保留 LLaDA-V 得分的 99.6%，平均使用 35.3% 的解码 FLOPs。
推荐理由：论文量化了扩散视觉语言模型重复处理图像的开销，并用证书引导路由在无需训练和阈值调节的条件下削减解码计算。
HF Daily Papers精选AI 评分5555 Venus-DefakerOne2：覆盖更广伪造形式与媒体类型的视觉取证基础模型
论文提出 Venus-DefakerOne2 统一反伪造基础模型，通过交替 LoRA 与全参数微调、基于熵的测试适配，扩展对多种伪造形式和媒体类型的检测。
推荐理由：交替 LoRA 与全参数微调结合熵驱动测试适配，为跨图像、视频和物理欺骗的统一取证提供了可复用设计。
HF Daily Papers精选AI 评分5959 Timestral 提出四款时间序列基础模型并报告三项基准评测结果
Timestral 论文提出一个用于概率预测的时间序列基础模型家族，包含 5M、28M、123M 和 209M 四种参数规模。Timestral-209M 与 Timestral-123M 在 GIFT-Eval、TIME 和 fev-bench 的每项指标上均位居前两位。
推荐理由：论文给出解耦预测范围、未来协变量支持以及先合成预训练再混合后训练三项设计，为时间序列基础模型构建提供可复用方法。
HF Daily Papers精选AI 评分4747 WorkFactory 通过信息规划与修复构建职业任务，训练 WorkPilot 智能体模型
WorkFactory 通过信息规划和探测修复构建 112,686 个可执行职业任务，并用收集到的教师轨迹微调 Qwen，产出 WorkPilot 智能体模型。
推荐理由：信息规划、探测执行与修复形成了一套可迁移的任务构造方法，多种模型规模的实验结果可用于比较监督训练的收益与规模效应。
HF Daily Papers精选AI 评分4141 TAO 论文提出面向 LLM 智能体服务的工具感知联合调度框架
TAO 论文提出一种面向 LLM 智能体服务的工具感知联合调度框架，通过动态规划在容量约束下联合选择并部署等待会话。框架综合近期工具就绪度、带时间感知衰减的节点缓存额度与 token footprint，避免现有系统忽略工具返回就绪和启发式调度造成的资源浪费。
推荐理由：论文将工具就绪状态纳入联合调度，并以动态规划替代启发式决策，便于理解智能体服务在延迟与吞吐上的优化路径。
OpenAI News精选AI 评分5353 OpenAI Signals 展示 ChatGPT 在 165 类工作活动中的使用变化
OpenAI 通过 Signals 数据展示 ChatGPT 在 165 类工作活动中的应用，以及使用情况如何随时间变化。数据覆盖近 100 个国家，呈现人们在工作中使用 ChatGPT 的方式。原文链接：https://openai.com/index/chatgpt-expanding-world-of-work
推荐理由：OpenAI Signals涵盖165类工作活动及近100个国家，可为观察ChatGPT在工作场景中的使用方式与时间变化提供数据视角。
量子位AI 评分7575 OpenAI禁止前沿模型训练时访问真实互联网
OpenAI宣布实施新的前沿模型训练安全政策，禁止训练中的模型访问真实互联网，转而使用预先索引和缓存网页构成的离线环境。OpenAI同时采用沙箱、轻量虚拟机、监测系统及网络和云端访问限制，并安排GPT-6 Astra Cyber与内部前沿模型开展红队测试。测试模型通过漏洞组合逃出虚拟机并获得有限的外部访问权限，数千亿Token的测试成本相当于数千万元人民币。
HF Daily Papers精选AI 评分5959 Co-Design Bench：面向智能体模型的多模态协作编码评测
Co-Design Bench 以真实用户的多模态应用修改需求构建智能体编码评测，包含 273 项任务和 2,331 条专家验收标准。任务分为 Multimodal Editing（100 项）和 Repository Editing（173 项），并采用无参考答案的 judge-then-refute 协议评估隐藏验收标准。
推荐理由：该基准同时报告验收标准通过率与整项任务完整交付率，呈现局部达标与端到端完成之间的显著差异。
HF Daily Papers精选AI 评分4747 CEPO：分离协调与执行的通用多智能体提示词优化框架
CEPO 提出一种改进多智能体系统提示词优化的通用框架，将系统级协调与智能体级执行拆分为共享协调提示词和执行提示词。在 4 个领域的 11 个基准上，将 CEPO 用于 4 种现有提示词优化器均提升了性能；消融与文档理解实验还显示其改善了优化预算效率及随智能体数量增加的扩展表现。论文地址为 https://arxiv.org/abs/2610.34722。
推荐理由：CEPO 将共享协调与智能体执行解耦，并在 4 个领域、11 个基准和 4 种优化器上呈现一致增益，为多智能体提示词优化提供了可复用结构。
HF Daily Papers精选AI 评分4141 MatAnyone-E 通过稀疏记忆传播加速高分辨率视频抠图
MatAnyone-E 通过仅在高分辨率下匹配不确定区域并采用轻量解码器，实现估计 7.4 倍的推理加速，同时保持与 MatAnyone 2 相当的抠图质量。它先以低分辨率传播定位不确定区域及相关记忆候选，再只对这些区域进行高分辨率匹配，其他位置复用低分辨率结果。
推荐理由：MatAnyone-E 将高分辨率匹配限制在不确定区域，并用轻量解码器降低开销，给出 7.4 倍推理加速和 4K 峰值 GPU 内存对比。
HF Daily PapersAI 评分3030 DTCA：扩散语言模型强化学习中的去噪 Token 信用分配框架
研究提出 DTCA 框架，利用置信度提升与熵校准在扩散语言模型强化学习中实现 token 级信用分配，提升数学推理表现。基于 LLaDA-8B-Instruct 的实验显示，DTCA 在不同生成预算下均改善数学推理，较基础模型在 MATH500 最高提升 9.0 分、在 GSM8K 最高提升 5.3 分。
HF Daily Papers精选AI 评分4949 VMem-Bench 受控研究：长视频生成中的视觉记忆越多越好吗？
VMem-Bench 受控研究发现，检索视觉记忆能提升长视频的历史一致性，却会降低当前叙事准确性。研究以 92 部真实影片的 16,548 个片段和 30 个因果生成故事的 2,824 个片段开展双轨诊断，比较四种检索策略及无记忆、末次出现对照。
推荐理由：双轨对照显示，检索视觉记忆虽提升实体召回与历史相似度，却降低当前叙事精度和对禁用实体的规避能力，揭示记忆评估中的关键混淆。
HF Daily Papers精选AI 评分5656 Omni-InteractScope：持续全模态流中主动与智能体交互基准评测
Omni-InteractScope 通过1,479条人工标注且交叉审阅的交互、1,790个时序目标和八类任务，评测 Omni-LLMs 在持续全模态流中的主动与智能体交互可靠性。
推荐理由：该基准以1,479条人工标注交互和1,790个时序目标检验持续多模态交互，量化 Omni-LLMs 在工具调用、主动提醒和持续指导上的短板。
HF Daily Papers精选AI 评分3838 MPO：对齐长程大语言模型智能体的信用分配与策略更新
论文提出多尺度策略优化 MPO，以多尺度优势估计（MAE）和轮次级重要性采样，对齐长程大语言模型智能体训练中的信用分配与策略更新。研究观察到 critic value 主要随轮次变化，因此选择轮次作为优化锚点，并细化 token 间的信用分配。在搜索、工具使用和自动化任务上，MPO 使用 4B 和 30B-A3B 模型时较強 RL 基线取得一致增益。
推荐理由：MPO将轮次尺度信用分配与token级归因结合，并覆盖搜索、工具使用和自动化任务的多模型实验，便于比较长程智能体训练方案。
HF Daily Papers精选AI 评分4848 Rollback：通过世界模型经验回溯改进机器人策略
研究团队提出 Rollback 策略改进范式，把世界模型用于回滚关键决策、分支探索反事实动作，并用真实机器人反馈持续校正动力学。该方法无需单独训练价值模型，即可将反事实结果蒸馏为细粒度动作级监督。
推荐理由：论文将世界模型从顺序模拟器改造成可回溯、可分支并对比反事实动作的策略训练环境，呈现了世界模型参与机器人策略持续改进的具体路径。
HF Daily Papers精选AI 评分4949 OSMA-Bench 评测家居机器人导航中的障碍物条件安全适应能力
研究提出 OSMA-Bench 基准和语义敏感性指数 SSI，用于评测机器人导航策略能否按障碍物类型及距离调整净空、速度与运动平滑度。对 VLM 和视觉语言动作（VLA）策略的评测显示，两者即使收到明确安全提示，也未能持续按障碍物安全等级调整运动；它们能识别障碍物，却未将差异落实到运动参数或动作。为 VLM 策略加入显式参数推断步骤后，运动适应有所改善。
推荐理由：OSMA-Bench 将障碍物语义与连续运动参数对应起来，揭示即使加入显式安全提示，策略仍不能稳定调整间距、速度与平滑度。
HF Daily Papers精选AI 评分4444 《预训练数据的词汇印记》论文分析词汇分布与 LLM 零样本准确率的关联
论文作者在 arXiv 发布 NeurIPS 2026 论文《预训练数据的词汇印记》，提出以词级 unigram 交叉熵衡量预训练语料与目标基准之间的词汇对齐。实验发现，标准基准中几乎所有词汇都已在预训练阶段出现，模型在不同词之间分配的概率质量会留下可测量的词汇印记。更强的词汇对齐在从零开始的受控实验中持续对应更高的零样本准确率。
推荐理由：论文区分了词语覆盖与概率质量分配，并用从零训练实验检验词汇对齐与零样本准确率的对应关系。
HF Daily Papers精选AI 评分4848 OSWAM 论文提出面向自动驾驶与具身控制的一步动作生成模型
OSWAM 论文提出面向自动驾驶与具身控制的世界动作模型，以单个去噪步骤生成动作并支持实时推理。模型以结构化想象 token 初始化扩散过程，并蒸馏未来条件下的特权信息；项目页为 https://gwenzhang.github.io/OSWAM/，arXiv 页面为 arxiv.org/abs/2610.35850。
推荐理由：OSWAM将直接策略 WAM 的多步去噪压缩为一步动作生成，并给出自动驾驶与具身控制中的效果和延迟对比。
HF Daily Papers精选AI 评分3838 OmniShowcase 基于多视图图像实现全向主体一致性视频生成
OmniShowcase 通过几何驱动的训练数据和表面法线图条件，改善从多视图参考图像生成特定主体视频时的新视角主体身份与 3D 一致性。
推荐理由：论文将几何驱动的数据合成与表面法线条件结合，配套构建 Showcase-4K 和 ShowcaseBench，便于复现并比较跨视角主体一致性表现。
HF Daily Papers精选AI 评分4242 The Trinity：能力驱动的多模态智能体递归自我改进框架
The Trinity 提出能力驱动的多模态智能体递归自我改进框架，演化后的 Harness 在 28 个训练基准和 18 个未见基准上平均分别提升 34 分和 26 分。
推荐理由：The Trinity 将多模态智能体改进拆解为能力树、模块继承和任务路由，并给出跨训练集及未见基准的分值对比。
HF Daily Papers精选AI 评分5454 SPOT：通过提交顺序预测增强扩散语言模型的推测解码
SPOT通过预测扩散语言模型的token生成顺序并并行验证候选，在保持精确解码的同时最多减少6.8倍目标模型推理轮次。其0.62M参数模型仅读取目标模型的输出分布，预测顺序并提出候选续写树，由目标模型在单次推理中按状态相等性验证，共享Gumbel噪声使验证在任意温度下保持精确。
推荐理由：SPOT以0.62M参数模型预测token生成顺序并构造候选树，在保持精确解码的同时最多减少6.8倍目标模型推理轮次。
HF Daily Papers精选AI 评分5151 EmbodiedLab：通过物理实验发现科学原理的具身智能体基准
EmbodiedLab 提出一个让机器人智能体在物理仿真实验室中自主设计实验、发现科学原理的评测基准。基准覆盖 5 个学科的 30 项实验和 14 个装置平台，智能体通过摄像头读取仪器，评估同时依据实验过程中的读数和任务要求状态。
推荐理由：该基准将科学发现任务转化为可精确评分的物理实验，并比较感知、规划与操作技能对智能体表现的影响差异。
HF Daily Papers精选AI 评分6262 Thinking-in-Bets 论文提出测试时记录机制，减少 LLM 智能体的迎合性修改
《Thinking-in-Bets》论文提出一种无需训练的方法，让 LLM 智能体在读取用户反馈前记录关键主张、支持检查和置信度，从而减少被质疑后对正确结果的错误反转。
推荐理由：论文给出一种无需训练的记录机制，让智能体在用户质疑前保存主张与验证依据，并展示其减少错误反转和无效编辑的效果。
HF Daily Papers精选AI 评分5050 iPrefBench：面向个性化移动端智能体的用户中心基准
研究提出iPrefBench基准，用于评估个性化移动端智能体能否从活动历史推断缺失的用户偏好，或在必要时向用户追问。基准在可执行iOS环境中配合交互式模拟用户，覆盖26个应用、130个信息不完整的任务，并基于包含3,051条历史活动事件的人设构建。7个前沿智能体的评测中，行动完成率最高为91.6%，完整任务成功率最高为47.7%，且尤其难以充分询问只能由用户提供的必要信息。
推荐理由：iPrefBench在可执行iOS环境中检验移动智能体的偏好推断与追问能力，7个前沿智能体的评测显示行动完成率与完整任务成功率存在明显落差。
HF Daily Papers精选AI 评分3535 超越估计：Wiener-Informed Decoding（WiD）让像素空间流模型更易训练
论文提出 Wiener-Informed Decoding（WiD），在像素解码器中引入二阶统计量驱动的速度估计，让新增路径与模型联合训练，以降低像素空间流模型的训练难度。
推荐理由：比较了冻结统计估计器与像素解码器的互补作用及额外收益递减趋势，为评估像素空间流模型训练改造的取舍提供参照。
HF Daily Papers精选AI 评分4040 Continual Learning Exam（CLE）基准发布，评测 LLM 智能体的长时程 RSI 与经验学习
Continual Learning Exam（CLE）基准发布，用于评测 LLM 智能体的长时程持续学习与经验驱动自我改进。该基准由 50+ 位领域专家构建，覆盖 12 个领域、89 种职业、120 项现实专业任务和 600 个渐进关卡，并包含约 24K 个真实文件、19 个有状态应用与 16K+ 条人工编写评测标准。
推荐理由：CLE 用渐进任务阶梯区分单次解题与经验复用，17 个前沿智能体配置的数据展示了长时程持续学习缺口。
HF Daily Papers精选AI 评分3939 AMBIT 统一一阶 Ambisonics 空间音频的生成与编辑
AMBIT 提出统一框架，通过自回归场景规划与整流流渲染，生成并编辑一阶 Ambisonics（FOA）空间音频。共享 Transfusion 骨干以可执行 ScenePlans 描述声源内容、活动和 3D 轨迹，编辑计划覆盖需保留的声源；FOA 感知连续 VAE 维护内容与声道间结构，在策略自蒸馏则针对学生生成状态改进规划和渲染。
推荐理由：论文将可执行场景规划、整流流渲染与在策略自蒸馏整合进统一框架，并同时验证空间音频生成和指令编辑效果。