AV-FABLE提出长视频音视频篡改取证基准与NFSR方法
AV-FABLE提出面向长视频稀疏篡改的双时间线音视频取证基准，并以NFSR通过分离的音频与视觉时间解码器读取冻结AV-LLM特征。基准包含 16,650 对原始与篡改孪生视频，共 998 小时和 27 种编辑配置，支持音频与视觉的独立时间定位。
推荐理由：AV-FABLE对比零样本提示与冻结特征读出，展示分离时间解码器在长视频音视频篡改定位上的取证优势。
#评测/基准
HF Daily Papers精选AI 评分5757 HF Daily Papers精选AI 评分4747 AnyGameRenderer：跨游戏保持实体一致的生成式渲染与实体级基准
AnyGameRenderer 将 AI 智能体制作的低质量游戏视频转换为高质量画面，并保持布局、镜头及实体位置与时序一致。模型通过 LoRA 微调 33B 的 MiniMax-H3 ref2va 实现，训练数据来自 38 款 AI 智能体制作游戏、Unreal Engine 渲染和真实游戏录像，兼容灰盒、彩色几何体、语义图与线框输入。
推荐理由：论文同时披露模型训练数据、输入形式和实体级基准结果，为评估视频生成模型能否保持动态场景实体对应提供参照。
HF Daily Papers精选AI 评分6262 AgentVQA：面向智能体视觉理解的统一评测基准
论文提出 AgentVQA 离线基准，在 Web 智能体、机器人、第一人称视频、游戏和空间规划五类场景评测视觉语言模型。该基准从 23 个源数据集人工选取并改造 1000 个具有挑战性的真实世界智能体样本；在 22 个参评模型中，最佳准确率仅为 58.5%。跨域分析显示，主要失误来自 UI 元素定位、运动理解、状态变化跟踪和 3D 空间关系推断，而非任务误解或后续逻辑推理。
推荐理由：该基准以离线方式统一比较五类真实智能体场景中的模型，排名趋势与对应在线评测一致，并定位视觉 grounding 和状态跟踪失误。
HF Daily Papers精选AI 评分4141 WorldCast：支持大角度镜头控制的世界一致角色视频生成
WorldCast 结合 3D 点云引导与 GAMA，在大角度相机运动下准确跟随轨迹并生成几何、外观和身份一致的角色视频。GAMA 根据初始帧与多视角角色锚点估计的相对相机位姿，检索并注入视角相关角色特征。论文还发布 CLACT 大规模角色中心数据集与基准，提供准确相机几何、多视角角色观测及大角度轨迹，用于训练和评估。
推荐理由：论文同时提供大规模数据集、基准和生成框架，覆盖大角度轨迹、几何一致性与身份保持，便于开展系统评估。
HF Daily Papers精选AI 评分5050 Falcon：面向真实声学场景的高效流式音视频目标说话人提取
Falcon 是一种因果音视频目标说话人提取模型，利用目标说话人的嘴部视频从噪声和重叠语音中提取其声音。模型采用单次多尺度时频分离器与编码空间说话人对比损失，相较 causal AV-TFGridNet，可训练参数减少 91.9%，计算量降低 20.2×，GPU 推理延迟降低 11.1×。
推荐理由：论文提供真实场景基准，并报告相对 causal AV-TFGridNet 的参数、算力与延迟对比，便于评估效率取舍。
Hugging Face Blog精选AI 评分7171 OlmoEarth v1.3 发布全球卫星嵌入模型、预计算数据与探索工具
OlmoEarth v1.3 发布卫星嵌入模型及全球年度预计算数据，为全球每个 10m 像素提供 64 或 128 维嵌入，并上线 OlmoEarth Embeddings Explorer。
推荐理由：模型不仅开放权重、数据和代码，还提供全球预计算嵌入与浏览器工具，读者可据此评估低算力遥感制图工作流。
HF Daily Papers精选AI 评分4444 Quant-Arena 发布 LLM 智能体量化交易研究评测基准
Quant-Arena 发布公开基准和排行榜，评测 LLM 智能体能否基于真实 A 股数据完成端到端量化研究并构建交易策略。模型仅获得 2022--2023 年的反馈，随后冻结策略并在密封的 2024 年接受评估；现金账户评估器会计入交易约束、成本和基于模拟订单簿估算的市场冲击。
推荐理由：Quant-Arena以历史反馈迭代策略、以密封年份检验收益，并纳入交易成本和约束，为比较LLM智能体的量化研究能力提供统一基准。
腾讯混元精选AI 评分6969 腾讯混元发布 Hy-SimulMT 中英双向实时同声传译模型
腾讯混元发布 Hy-SimulMT，提供中英双向语音到语音实时同声传译，并支持在配置 TTS 后进行实时声音克隆，保留说话者声音特征。模型持续接收音频并同步输出译文文本与语音，面向会议、演讲和访谈等实时沟通场景。
推荐理由：材料给出 RealSI 等基准、与职业译员的小规模对比及完整部署路径，读者可据此判断模型在实时翻译场景中的质量、延迟与可操作性。
HF Daily Papers精选AI 评分5151 研究溯源推理模型中的 {wait} 标记：其来自训练数据，RL 效应因配方而异
一项对开放模型训练历程的研究发现，推理模型中的 {wait} 标记可由训练数据继承，而非由强化学习（RL）自行发明。在缺少该词的基座上，RL 显著提升 MATH-500 准确率时，{wait} 仍接近缺席；该词会在 OLMo-3 的中期训练阶段出现，并能由推理轨迹微调植入大多数缺少该词的基座。
推荐理由：论文区分了 {wait} 的训练继承与特定 RL 配方的放大作用，并指出标记频率和 LLM 评审可能误判推理趋势。
HF Daily Papers精选AI 评分5050 UserArena：长程购物智能体的交互式用户模拟基准
UserArena推出面向长程购物智能体的真实电商交互基准，含11,010名用户的64,729条会话轨迹，并支持生产A/B结果离线验证。基准覆盖566,102个商品和13种动作类型，五级评估涵盖输出有效性、局部决策、序列行为、个性化和结果。论文还提出On-Policy Trajectory Distillation（OPTD），在所评估模拟器中取得最高整体保真度，并最接近复现生产策略效应。
推荐理由：UserArena提供真实购物长程轨迹与五级评估框架，可对照模拟器保真度及其对生产策略效应的复现程度。
HF Daily Papers精选AI 评分4343 Dual Exam 对多模态智能体与世界模型开展受控评测
Dual Exam 分别在固定环境响应机制和固定动作干预下评测多模态智能体与世界模型，覆盖物理、数字、社会和科学领域。
推荐理由：Dual Exam 将智能体与世界模型分轨评测，并报告耦合试验任务成功数为 0 及任务相关状态保持问题。
HF Daily Papers精选AI 评分4040 DraMaze：利用未来感知记忆生成多样化微短剧剧本的多智能体流水线
DraMaze 提出面向长篇微短剧剧本生成的多智能体流水线，以桥段记忆引导的演化树搜索和后向叙事依赖树提升情节多样性与叙事连贯性。论文还推出双语基准 MiDramaBench，用于评估不同剧本长度的逻辑与创意质量。实验覆盖三种骨干 LLM；在最多 60 集、60k words 的剧本上，因果模式重复率降低 32.1%，Logic 得分达到 82.5，比最佳基线高 8.5 分。
推荐理由：论文展示了如何以桥段记忆引导演化树搜索，并按未来叙事目标组织历史记忆，兼顾长剧本的情节多样性与连贯性。
Hugging Face Blog精选AI 评分7474 NVIDIA 发布无需任务特定训练的 Kumo Relational 关系型基础模型
NVIDIA 发布预训练关系型基础模型 Kumo Relational，连接数据库并描述预测目标后，可在一次前向计算中直接生成结果，无需任务特定训练或特征工程。
推荐理由：Kumo Relational直接面向关系型数据库预测，并以41项任务结果对照监督学习和专家特征流水线，呈现免任务训练的结构化数据建模路径。
HF Daily Papers精选AI 评分5353 面向音视频推理的证据驱动评测基准 EvaOmni
研究人员发布面向全模态大模型的音视频推理评测基准 EvaOmni，包含 392 段视频与 1027 道人工标注问答，覆盖 15 项能力以及检索定位、基础理解与复杂推理三个层级。
推荐理由：针对全模态大模型的音视频推理评测，给出 15 项能力、三个层级和 392 段视频的覆盖，可对比主流模型在证据定位上的真实差距。
HF Daily Papers精选AI 评分4848 MMEnterprise-Bench 评测企业智能体处理持续演变的多模态职场记录
研究团队提出 MMEnterprise-Bench，基于模拟协作项目中的动态多模态记录设置 1,613 个问题，评测企业智能体的证据推理、冲突消解与判断证据是否不足的能力。
推荐理由：该基准把跨来源、跨时间冲突和多图证据纳入评测，为比较企业智能体在动态多模态职场记录中的可靠性提供测试框架。
OpenAI NewsAI 评分3030 Terminal X 借助 GPT-6.1 与资深投资者判断的匹配度达到 88.6%
Terminal X 借助 GPT-6.1 与资深投资者判断的匹配度达到 88.6%。其 Eval Agent 按 54 项标准的评分规则评估输出；在 GPT-6.1 Sol 下，捕捉到的基金投资约束偏离项多 25%。
HF Daily Papers精选AI 评分4747 Foundation4D：面向自动驾驶的统一感知与重建模型
Foundation4D是一种面向自动驾驶的统一前馈模型，可从多摄像头驾驶视频联合估计几何、检测目标、预测语义占据并进行高斯重建。其共享骨干以分解式时空注意力融合跨相机和跨时间观测，位姿图优化用于细化相机轨迹并组装目标轨迹。
推荐理由：Foundation4D将多摄像头驾驶视频的几何、检测、语义占据与高斯重建纳入统一前馈框架，并发布含1,253段稠密标注驾驶片段的基准，便于比较联合训练的多任务收益。
HF Daily Papers精选AI 评分4646 TenetBench 构建条款锚定的俄语职业伦理评测语料，检验 LLM 对具体条款的遵循
TenetBench 用 15 部俄语职业伦理规范构造 3,433 个冲突请求及对应的良性请求，评测 LLM 是否会违反具体条款。冻结流程的人工验证中，专业人士判定 0.995 的冲突任务可能成立，模型裁判与裁决标签的 Gwet's AC1 至少为 0.894，评测覆盖 1,860 个元素。
推荐理由：TenetBench 将伦理条款映射为成对请求，可用于比较模型违规、拒答与警告行为，以及推理模式带来的差异。
HF Daily Papers精选AI 评分5050 论文提出基准是难度分布上的经验测度
该研究将基准评测形式化为难度分布上的经验测度，提出两项诊断指标和题目改写算法 BenchFill。作者将基准失效归纳为测度错配与覆盖缺口，并给出理论保证。实验覆盖7个领域的25个热门基准，发现不少基准偏重特定难度区域或留下覆盖空白，BenchFill 能减少局部覆盖缺口，论文见 https://arxiv.org/abs/2610.29927
推荐理由：论文给出基准难度分布的诊断指标与题目改写算法，并用25个基准、7个领域的数据揭示覆盖缺口。
Hugging Face Blog精选AI 评分7575 ALTK-Evolve 如何用学习式记忆让 GPT-4.1 登顶 τ²-bench 零售客服榜
ALTK-Evolve 把 GPT-4.1 智能体轨迹提炼成提示词规则，无需更新权重，并以 67.5% Pass^4 位列 τ²-bench 零售榜首。在 40 个留出零售任务上，含 292 条规则的 lossless 配置将平均准确率从 78.1% 提至 82.5%，每次对话成本从 $0.084 升至 $0.139。
推荐理由：实验同时报告 Pass^4、对话轮次与模型 token 成本，能帮助判断学习式规则在客服智能体中的可靠性收益与代价。
HF Daily Papers精选AI 评分4848 Stateful Harness：将规则执行与像素生成分离的交互式世界模型框架
论文提出 Stateful Harness 框架，把基于规则的世界状态演化与冻结的视频生成模型分离，以在含隐藏状态的交互式世界模型中保持规则一致性。作者构建了包含 50 对反事实双胞胎的 WorldState-Bench 基准，评估 11 个视频后端。在仅用规则提示时最好的对子成功率只有 32%；指定期望结局后该指标提升到 64%，完整框架在同一冻结模型上达到 92%。
推荐理由：将规则执行与视频生成分离的框架思路，可迁移到其他需要长期状态一致性的交互式生成场景，并附带评测基准。
HF Daily Papers精选AI 评分4545 DeOverlay：源锚定流视频遮挡物去除方法与 DVTE-Bench 基准
DeOverlay 提出基于源锚定流匹配和可见性归一化时序聚合的视频遮挡物去除方法，可在源信息被遮挡时仍恢复底层场景结构。配套 DVTE-Bench 包含 1631 对视频、覆盖 8 类文字遮挡，实验显示 DeOverlay 在 5 项重建与感知指标上优于 4 个基线，Mask LPIPS 和 Mask VFID 相对最强基线分别下降 58.3% 和 70.3%。
推荐理由：原文提供了新方法和 DVTE-Bench 基准，同时给出相对四项基线的量化结果，便于和已有视频去遮挡方案横向对比。
HF Daily Papers精选AI 评分4545 EgoXperience 从人类经验中学习世界坐标下的第一人称表征
EgoXperience 提出统一框架，用自动标注数据和单次前向模型，从第一人称视频联合重建相机运动、场景几何、手部与物体。EgoX-Engine 将几何验证的目标跟踪与基于 SLAM 的世界对齐结合，生成含 50 小时室内外任务数据和秒级任务字幕的 EgoX-Data-6M，并选取其中 1 小时构建 EgoX-Bench。
推荐理由：EgoXperience 将数据采集、自动标注、统一建模与基准评测串成完整流程，并公开 50 小时数据集，呈现了多组件联合重建的一体化设计。
HF Daily Papers精选AI 评分4444 HOLI-WORLD：从人类第一人称经验构建整体世界智能的生态
HOLI-WORLD 论文提出一套从人类第一人称视频自动构建大规模学习资源的完整生态，覆盖采集、世界表征、自动数据构建、模型学习与独立评测五个环节。
推荐理由：原文给出从第一人称视频自动构建训练数据与评测基准的完整管线，读者可据此评估其在具身场景理解方向的可迁移性。
OpenAI News精选AI 评分3636 OpenAI 发布低资源编程语言编码评测，推进 ChatGPT 跨语言能力
OpenAI 发布针对低资源编程语言的新评测，用于评估并提升 ChatGPT 在软件工程、SQLite 与 COBOL 迁移任务上的表现。原文仅提供摘要，完整方法与结果未在 feed 中给出。
推荐理由：原文仅提供摘要，正文未公开完整方法或结果，无法支撑具体阅读价值。
HF Daily Papers精选AI 评分5151 HABIT-Bench 评测智能体从纵向弱证据中归纳习惯的能力
HABIT-Bench 通过合成用户历史，评测智能体能否从长期零散、不完整的证据中区分重复习惯与一次性例外，并据此选择恰当行动。基准覆盖饮食、金融、软件和旅行，使用跨越数百次会话的历史，以 Qwen3-235B-A22B 和 GLM-5.3-Flash 评测 8 种记忆方法。
推荐理由：HABIT-Bench 区分重复习惯与一次性例外，并以 33.61% 对 25% 的随机基线量化智能体从弱证据归纳习惯的难度。
HF Daily Papers精选AI 评分5555 OvisOCR3 技术报告：0.8B 视觉语言模型统一五类 OCR 任务
OvisOCR3 技术报告提出一个0.8B视觉语言模型，以单一模型统一文档解析、通用OCR、关键信息提取、文档图注生成和跨页表格重建五类任务。模型通过继续预训练、领域平衡中期训练、5个领域专用4B教师模型的on-policy蒸馏，以及带领域特定奖励的混合任务强化学习完成训练。
推荐理由：报告给出了0.8B OvisOCR3统一五类OCR任务的训练路径，涵盖领域平衡中期训练、多教师on-policy蒸馏和混合任务强化学习。
HF Daily Papers精选AI 评分4545 Code2Video-Compass：覆盖 T2V、I2V 和 V2V 的通用代码式视频生成基准
Code2Video-Compass 是覆盖 T2V、I2V 和 V2V 的通用代码式视频生成基准，要求 MLLM 将视觉与时间需求转为可执行程序。它包含 2,104 个任务，覆盖 10 个类别、24 个子类型及构造、动态动画和状态依赖 3 个复杂度维度，并结合 12 项客观指标与 5 项主观指标评分。
推荐理由：该基准用统一任务和双层指标覆盖三类视频输入，便于比较不同 MLLM 在复杂、状态依赖任务中的生成与对齐表现。
腾讯混元精选AI 评分4545 腾讯混元发布 Hy-Memory-30B-A3B 的 GGUF 量化版本，支持 llama.cpp 本地推理
腾讯混元发布长记忆写入模型 Hy-Memory-30B-A3B 的 GGUF 量化版本，提供 Q4_K_M、Q6_K 和 Q8_0 三种精度，可通过 llama.cpp 进行本地推理。
推荐理由：原文给出该模型在四种记忆框架下的横向评测结果，读者可与 Claude Opus 5、DeepSeek V4.1 Flash 等基线直接对比。
HF Daily Papers精选AI 评分4848 SpatialScout 评测 VLM 智能体主动探索与 3D 场景建图能力
SpatialScout 提出一个评测 VLM 智能体主动探索并完成物体级 3D 映射的基准，包含 80 个室内场景和 3,140 个目标物体。智能体控制相机探索场景，在有限交互预算下估计物体中心，评测同时衡量定位准确率与目标覆盖率。
推荐理由：SpatialScout 以 80 个室内场景和 3,140 个目标物体量化检验 VLM 智能体的主动 3D 映射，并显示精确建图仍是主要短板。
HF Daily Papers精选AI 评分5757 VerifierBench：评测 LLM 智能体生成可执行验证器的能力
VerifierBench 汇集 6 个智能体基准的 222 个任务和 4,993 个隐藏测试用例，用于评测 LLM 智能体生成可执行验证器的能力。统一框架下测试 19 个模型后，归一化平衡准确率为 10.6–62.1，生成的验证器更可靠地拒绝无效解，却常因过严限制误拒有效解。多数误拒来自未接受任何受测解的验证器，案例还涉及解格式、工具使用和代码改动的无依据假设；项目页和数据集已公开。
推荐理由：VerifierBench 以多类任务和隐藏测试检验智能体生成可执行验证器的能力，并揭示误拒有效解常源于过严的隐含假设。
HF Daily Papers精选AI 评分4949 谁在主导？模型能力与任务条件驱动的人机协作研究
一项共享控制迷宫研究显示，语言模型智能体会在人类拥有路线优势时更多寻求协作，而自身能力更强时倾向独立完成任务。研究评测 GPT~5.6~Sol、Command~A+、Qwen~3.8~27B 和 Command~R，发现当人类路线更短时，模型约在 80% 的初始决策中让人参与，Command R 则未呈现这种选择性。论文链接：https://arxiv.org/abs/2610.27148
推荐理由：研究通过控制人类与智能体的路线优势，区分能力不足与合理分工，为评估智能体何时求助提供了实验设计参考。
量子位精选AI 评分5656 智谱发布开源法律模型 GLM-Legal，登顶 Harvey LAB 与 LegalBench 开放权重双榜
智谱推出法律专用开源模型 GLM-Legal，在 Vals AI 法律评测中以 19.2% 的任务全通过率和 86.23% 的准确率位列 Harvey LAB 与 LegalBench 双榜开放权重模型榜首。
推荐理由：给出了 GLM-Legal 在 Harvey LAB 等榜单上的通过率与和 Gemini 4 Argon 的成本对比，读者可据此评估法律垂直模型在真实律所任务中的取舍。
DeepSeek同事件AI 评分5959 DeepSeek-V4.1-Flash-1017 发布：在推理与智能体基准上有所提升
DeepSeek 发布 V4.1-Flash-1017，作为 V4.1-Flash 的小版本更新，在推理、编码、智能体和视觉基准上有所提升，并缩短任务执行时间和输出长度。
同一件事，精选收录的是《DeepSeek发布V4.1-Flash-1017模型，同步开放自研搜索API》
量子位同事件AI 评分7474 谷歌发布Gemini 4 Argon，强调编程与多模态升级、API限时半价
谷歌正式发布Gemini 4 Argon，强化编程、复杂任务持续执行与多模态能力。第三方Artificial Analysis智能指数中，Argon High与GPT-6 Astra Max、Claude Fable5.1 Max并列53分；同类任务平均成本约1.99美元，比Astra低约39%。
同一件事，精选收录的是《Google 发布 Gemini 4 Argon 前沿模型，定价 $2/$10 每百万 token》
HF Daily Papers精选AI 评分5555 FDE-Gym：AI 交付最后一公里的代理评测基准
FDE-Gym 是一个面向真实客户交付场景的 AI 代理评测基准，包含 20 个客户场景、18 个行业的 95 个端到端任务，由行业专家从真实项目改写而成。基准按客户业务指标的归一化提升（0 到 1）打分，并对消息、试运行与等待时间扣分；评估七家厂商共 13 种模型配置的结果显示，最佳配置平均得分仅 0.56、仅完成 14 个任务（得分≥0.8 且无事故），发现隐含约束被指为主要瓶颈。
推荐理由：针对代理在真实客户交付场景的能力缺口，给出了由行业专家改写的 95 个端到端任务基准与瓶颈定位。
HF Daily Papers精选AI 评分4242 Data World：先描述世界机制再合成数据环境以训练分析模型
Data World 是一套多智能体数据合成引擎，先指定文件背后的世界机制再生成数据环境、任务与评分规则，用于训练模型的开放性分析能力。
推荐理由：给出了一套先描述世界机制再合成数据环境与任务的方法，使开放式分析题也能用 RL-zero 训练并通过审计评估。
HF Daily Papers精选AI 评分5151 JevAgentHarness：评测、部署并训练与 LLM 共享 Agent 控制的决策模型
本文提出 JevAgentHarness，用小决策模型在 Agent harness 中分流 LLM 的多选决策，配合拟合的置信度阈值降低成本与延迟。
推荐理由：原文给出 Agent harness 把工具选择分流到小决策模型的阈值训练方法与实测成本收益，可供同类 Agent 工程参考。
Hugging Face Blog精选AI 评分5555 IBM Granite Switch 4.1 发布，把对话、决策与语音识别统一到同一端点
IBM Granite 团队发布 Granite Switch 4.1 的 8B 与 30B 模型，把对话、通用与安全决策以及语音识别合并到同一端点，整体显存占用与基座模型接近。
推荐理由：文章介绍了 Granite Switch 4.1 如何用 aLoRA 把对话、决策与语音识别合并到单一端点，并给出与 Jev 等模型的推理速度对比，读者可据此评估这种组合架构的实际收益。
HF Daily Papers精选AI 评分5151 EvalResearchBench：AI 智能体能否为递归式自我改进构建自己的反馈？
研究提出 EvalResearchBench（ERB），让 AI 智能体在试运行中修订任务与评分器，以测试它们能否为递归式自我改进自动构建反馈。在固定时间和 API 预算下，实验涉及 9 个 researcher 智能体、13 个候选模型和 14 个目标基准；最佳评测器与目标评测在约 75% 的候选对排序上保持一致，低于目标分歧所设的 91% 上限。
推荐理由：论文在固定时间和 API 预算下比较 9 个 researcher 智能体与 13 个候选模型，呈现自动评测器相对 14 个目标基准的一致性和成本表现。