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。
#论文/研究
HF Daily Papers精选AI 评分5353 HF Daily Papers精选AI 评分7272 Matrix-Game 4.0 利用视频模型构建实时可玩游戏世界
Matrix-Game 4.0 通过可执行游戏引擎与自回归视频渲染器分离游戏逻辑和视觉合成，实现低延迟的实时交互游戏世界。轻量引擎维护世界状态并执行交互规则，多模态编码 Agent 将玩家想法转为游戏代码和动态场景描述，渲染器则把低多边形代理画面生成细致视觉。
推荐理由：论文将可执行游戏引擎与自回归视频渲染器解耦，并披露延迟、帧率和显存数据，便于对照评估实时交互方案。
HF Daily Papers精选AI 评分4343 S-Agent 2.0 用通用编码智能体增强空间推理
S-Agent 2.0 将命令行3D感知工具、持久场景记忆和自然语言解释接入通用编码智能体，提升空间推理表现。在 MMSI-Bench 和 ReVSI 上，工具使 Qwen3.8-27B 相比无工具版本分别提升 +13.9 和 +20.5 分，使 Gemini-3.8-Flash 分别提升 +11.2 和 +9.6 分。
推荐理由：论文将命令行3D感知工具、持久场景记忆与自然语言解释组合进通用编码智能体，并提供跨模型和框架的实验对比。
HF Daily Papers精选AI 评分4646 PAR用进度对齐递归提升状态跟踪的长度泛化
PAR提出进度对齐递归，通过在第k次循环预测前k步后的状态，并在每次循环后重缩放隐藏状态，改善循环语言模型的长度外推。在swap-S5上，使用最多32步序列训练的0.5B模型在512步达到95.5%完整状态准确率，高于RLT的55.7%和CoT的0.8%。
推荐理由：论文将循环次数与任务步数对齐，并给出PAR在512步长度外推任务上相对RLT和CoT的准确率对比，便于理解循环语言模型的失效与改进机制。
Google AI Blog精选AI 评分4848 Google、Temasek 与 Bain 发布 e-Conomy SEA 2026 报告，东南亚数字经济预计达 $368 billion
Google、Temasek 与 Bain 发布的 e-Conomy SEA 2026 报告预计，生成式 AI 将推动东南亚数字经济在 2026 年增长 17%，GMV 达到 $368 billion。
推荐理由：报告把生成式 AI 的普及、智能体信任与数字基础设施需求串联起来，可用于判断东南亚数字经济的增长动力和落地约束。
HF Daily Papers精选AI 评分4545 Video-Point Model 通过点轨迹预测学习4D世界
Video-Point Model（VPM）根据多视角视频历史和语言指令，联合预测任意视角的未来视频与持久场景点的3D轨迹。它在预训练世界模型中加入相机条件多视角处理和轨迹头，并构建 VPM-Data 仿真语料与 VP-WorldBench 预测基准。
推荐理由：将多视角视频预测与持续点轨迹监督结合，并通过仅视频对照及模拟和真实机器人实验呈现共享3D表征的作用。
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。
HF Daily Papers精选AI 评分4444 SolarRenderer：少步生成式参考渲染
SolarRenderer 用冻结的 MiniMax-H3 33B 视频骨干模型和两个轻量 LoRA，实现从多样结构输入到逼真视频的四步或实时流式渲染。通过结构引导分布匹配实现四步渲染，速度比 50 步采样快 12.3 倍；块因果变体支持实时渲染 768p 视频。
推荐理由：论文同时给出四步渲染比 50 步采样快 12.3 倍的对比、136K 片段训练规模和跨结构泛化结果，便于比较其渲染路线与控制能力。
HF Daily PapersAI 评分3030 Sage-A1.5：基于能力组合的长程执行与科学探索
Sage-A1.5 是一个 35B 参数的 MoE 智能体模型，在 A1 基础上通过自适应能力组合提升长程问题求解能力。它带来三项改进：智能体编排支持任务委派与多子智能体并行协作，智能体验证通过进度检查、证据验证与反思式策略修订增强长程可靠性，开放科学发现把智能体能力从回答预设问题扩展到探索性研究。
MIT Technology Review精选AI 评分3737 前 MIT 研究者用生成式 AI 开发康复机器人，为中风患者提供个性化辅助
前 MIT 博士后、现任普渡大学助理教授 Johannes Lachner 与合作者开发了一套结合生成式 AI 与实时力反馈的康复机器人系统，能根据真人治疗师的手法为中风患者提供个性化辅助。
推荐理由：报道了一种结合生成式 AI 与实时力反馈的康复机器人方案，展示了用机器人辅助缓解治疗师人力缺口的可行路径。
MIT Technology Review精选AI 评分4747 MIT 与 EPFL 设计 FAAV 水空两栖机器人，可在水中游泳后起飞
MIT 与 EPFL 的工程师设计出一款重量低于 300 克的 FAAV 水空两栖机器人，可游泳、潜水并从水面起飞飞回空中。它通过防水电机驱动曲柄，让覆有疏水纳米颗粒的柔性薄膜翼上下扑动，并用电控尾翼调整俯仰；实验中，中等尺寸且足够柔韧的机翼在 70 度俯仰角下实现了从水中跃起。团队正研发可转向的机翼并测试湍流环境，未来设想用它在冰山、港口设施或鲸群附近采集数据和样本。
推荐理由：实验比较了机翼尺寸、扑动频率和尾部角度等关键参数，呈现水空两栖机器人从游泳切换至飞行的工程实现与用途设想。
HF Daily Papers精选AI 评分4646 FRED 通过自蒸馏与时序条件增强世界动作模型的未来视频表征
FRED 通过自蒸馏与历史观测时序条件，提升世界动作模型从单步去噪中生成的未来视频表征。在多种真实世界操作场景中，FRED 优于对比 WAM；在仅有人类视频示范、未进入机器人训练数据的任务上，任务成功率达到 50.0%，最佳对比 WAM 为 19.4%。论文地址为 arxiv.org/abs/2610.30320。
推荐理由：论文在长时程、域外任务与人类视频迁移场景中给出对比，未见机器人训练数据的任务成功率为 50.0%，最佳对比 WAM 为 19.4%。
HF Daily Papers精选AI 评分6565 codec4AI 重构 AI 训练视频存储，解耦跨帧依赖提升随机帧访问效率
北京大学高文团队提出 codec4AI，以稀疏解码和依赖解耦编码提升 AI 训练视频的随机帧访问效率。论文在 LeRobot v3 配置下评测，DDRA H.265 在重建质量可比时使媒体载荷减少 58.7%，数据加载吞吐量达到 1.45×。单独实验显示，在合适压缩设置下，下游 VLA、WAM 和 VLM 性能可比；论文、代码和文档均已公开。
推荐理由：论文针对视频训练中的随机帧访问，比较依赖解耦编码与稀疏解码在存储占用和数据加载吞吐量上的表现。
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4747 LaLa-World：通过自然语言动作扩展潜世界模型
LaLa-World 提出语言条件潜世界模型，联合学习仿真、机器人轨迹及更广泛的图像和视频数据，平均 MPC 规划性能高于按域或任务分别训练的 LWM。它把数值动作和视觉变化都描述为语言，并基于语言模型预测未来潜状态，用同一预测器联合训练异构数据集。
推荐理由：论文用匹配比较呈现 LaLa-World 的效率，在规划性能与 RAEv2 基线相当时，训练成本低 6times、规划速度快 13.9times。
HF Daily Papers精选AI 评分5959 Agent Mosaic：识别基于 LLM 的 AI 智能体系统中的机密信息泄露
Agent Mosaic 论文（arxiv.org/abs/2610.30418）量化了 AI 智能体从多份机密文档拼接并披露敏感结论的泄露风险。研究使用 30 个网络安全、医疗和军事合成案例，在 3 个 LLM 智能体的受控模拟中得到 10,800 份最终答案，并在 2 个开源框架的实际运行中得到 1,440 份答案。
推荐理由：论文以 10,800 份模拟答案和 1,440 份实际运行答案量化机密结论拼接泄露，并比较防护措施，为敏感数据场景的 Agent 控制提供实验依据。
HF Daily Papers精选AI 评分3939 CausalAlign 通过因果对齐提升视频生成模型的相机自我运动一致性
CausalAlign 提出一种因果对齐框架，在 delta-token 空间中把扩散视频生成模型的内部表征与 3D 动态对齐，以提升长时程相机自我运动的一致性。
推荐理由：论文先定位去噪过程中自我运动表征的先升后降模式，再给出基于 delta-token 空间的 3D 动态对齐方法与量化结果。
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。
HF Daily Papers精选AI 评分3535 论文提出物理 AI 递归自我改进的机器人学习路径与评估原则
论文提出物理 AI 递归自我改进的机器人学习路径与评估原则。研究将递归自我改进置于机器人学习中，追踪机器人能力提升如何进一步改善产生这些能力的机制，并分析物理经验强化改进机制的条件。现有研究主要集中在操作任务，已显示行为改进、对后续学习的帮助和流程改进，但尚未单独分离递归带来的增益。
推荐理由：论文梳理机器人在物理世界实现递归自我改进的条件与评估原则，并指出现有研究尚未分离递归机制带来的增益。
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3838 RoboValue 提出机器人价值模型细粒度仿真与真实统一评测基准
RoboValue 提出面向机器人价值模型的细粒度仿真与真实统一评测基准，覆盖任务状态理解、时序进度监控、失败与恢复推理和价值一致性四个维度。数据集包含 15 个仿真任务和 20 个真实世界操作任务，并提供专家演示与标注轨迹；零样本、单样本及机器人本体和环境变化评测显示，模型仍会在细粒度指令落地、历史依赖进度跟踪和恢复评估上出错。
推荐理由：该基准把仿真与真实机器人任务纳入同一评测框架，可用于对照价值模型在细粒度指令理解、进度跟踪和失败恢复上的误差。
HF Daily PapersAI 评分3131 物理 RSI 能力从何而来：LLM 作为策略的观测性 scaling law 研究
一项研究系统分析视觉-语言智能体物理递归自我改进（Physical RSI）能力的来源，提出五维评估框架 PhysRSI-eval（首次尝试表现、效率、成功率、预算、从失败中改进），在 18 个操控任务上测试多款 VLM，并由实验结果归纳出 Physical Barrel Hypothesis。
HF Daily Papers精选AI 评分4343 MemT-1.0：迈向记忆原生进化的基础模型架构
MemT-1.0 提出把连续记忆内嵌到基础模型计算中的记忆原生架构，基于 Metis 采用 Gated DeltaNet-2 与 Mixture-of-Storage 扩展原生记忆容量，并配合 34B tokens 的两阶段训练（持续预训练+后训练）。
推荐理由：对比原生内存机制与检索增强方法在长上下文场景下的推理与存储效率，并给出智能体任务结果，可作为长记忆架构设计的参考。
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3535 SpecMRL：通过参数化谱基底改进 Matryoshka 表示学习
SpecMRL 提出在 Matryoshka 表示学习（MRL）中引入由参数导出的谱基底，按特征重要性重排特征空间，从而改进压缩嵌入的读取。SpecMRL 在 MTEB 评测的各压缩维度上均优于标准 MRL，压缩越激进增益越大；仅用一半嵌入维度即可超过全维度 MRL 的表现。
推荐理由：原文给出在 MTEB 上的对比结果，读者可以据此判断 SpecMRL 相对 MRL 的实际收益与适用场景。
HF Daily Papers精选AI 评分3636 Manga2Animate：基于创作-评审双智能体的漫画动画生成框架
Manga2Animate 提出一个多智能体框架，把漫画改编为动画的过程拆成动画脚本和视觉分镜两个中间表示，分别由创作智能体生成、由评审智能体对照原画面把关，再合成最终动画。作者针对两类表示设计筛选与双层反馈逐步迭代；实验与用户研究显示其结果在忠于原作和跨镜头一致性上优于当前最佳方法。项目页：annchenn.github.io/Manga2Animate
推荐理由：指出直喂分镜页和仅靠文本这两条已有路线的局限，给出创作评审双智能体配合中间表示这一可迁移方案。
HF Daily Papers精选AI 评分4747 AdaExploreBench：面向演化环境中主动探索与测试时适应能力的 LLM 智能体基准
AdaExploreBench 是一个面向 LLM 智能体的新基准，要求智能体主动发现隐藏规则并适应未宣告的规则变化。在八款主流大语言模型上的实验显示，GPT-6 Sol 仅取得 61.9% 校准准确率，提供充分证据或移除规则漂移可使平均性能提升约 10 个百分点，表明当前模型的关键瓶颈在于主动获取证据和识别失效知识。
推荐理由：针对智能体在演化环境中的主动探索与隐式规则变化下的适应能力，该基准在八款主流大语言模型上量化了能力差距，并指出了关键瓶颈。
HF Daily Papers精选AI 评分5050 HarnessPro 以 Pareto 优化递归自我改进 AI 智能体 Harness，权衡性能与成本
HarnessPro 论文提出一种无标签方法，递归进化 AI 智能体 Harness，以提升任务成功率并降低执行成本。它使用 LLM 生成的测试评估候选 Harness，由专用智能体诊断执行轨迹、规划更新，并通过归一化加权平方距离选择 lite、medium、heavy 三种变体。
推荐理由：论文在3项基准上测试HarnessPro，并量化GPT-5.5配合Codex时高性能模式相对RHO的通过率增益与单任务成本降幅。
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 InfiniDream：基于程序化生成的开放式照片级真实感 3D 世界框架
InfiniDream 提出了一种由视觉语言模型驱动的框架，通过符号化程序化资产生成与确定性场景放置，构造开放式、可编辑、照片级真实感的 3D 世界。
推荐理由：原文给出 VLM 驱动的程序化 3D 世界生成框架及两项关键模块设计，读者可据此了解如何用符号约束与确定性放置提升场景可控性。
HF Daily Papers精选AI 评分4848 面向机器人的车队经验共享集体学习范式
该研究提出集体经验学习（CEL）范式，让已部署机器人共享执行经验以改进统一策略，无需额外专家示教或纠错动作。该方法通过失败引导的经验检索微调（FERT），从共享成功经验中检索相关轨迹段作为监督信号，并由容错异步训练系统（FATS）协调经验收集、策略优化与分发。
推荐理由：在五项真实操作任务上以共享执行经验取代额外专家示教，为大规模机器人策略更新提供了一条可复现路径。
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。
HF Daily Papers精选AI 评分4747 Brain LoRA：用参数高效微调扩展 104B 多模态脑编码模型
本研究提出 Brain LoRA 方法，用 LoRA 低秩适配器对多达 104B 参数的多模态 backbone 做参数高效微调用于脑编码，并在 Qwen3-Omni 上取得 Algonauts 2025 Challenge 已发表最佳成绩。
推荐理由：对想用大模型做神经科学数据的读者，这篇给出了把 LoRA 扩展到 104B 多模态模型的具体工程路径和性能基准。
HF Daily Papers精选AI 评分3939 AnyGoal：世界模型在专家轨迹之外的泛化评估基准
研究团队提出 AnyGoal 基准与开源库，用于评估世界模型能否将训练中熟悉的状态和动作重组为有效动力学，从而完成新任务的规划。任务基于常用世界模型环境构建，单个状态因素和动作仍处于训练支持范围内，但它们的组合在专家轨迹中代表不足。跨多个环境和世界模型家族的实验显示，当前模型在这些重组下持续失败，论文还分析了不同模型家族、交互机制和评测指标下的失败。
推荐理由：AnyGoal 以熟悉状态和动作的非典型组合构造评测任务，并配套基准与开源库，便于比较世界模型在新规划任务中的泛化边界。
HF Daily Papers精选AI 评分4343 OpenVLHarness：基于多模态记忆的视觉智能体工具调用框架
OpenVLHarness 通过整合持久多模态记忆、异构工具接口与编码执行层，让 MLLM 在推理中可调用外部工具并跨步骤组合视觉证据。
推荐理由：在 22 个基准上对照有无工具与记忆配置下的增益与 token 成本，为视觉智能体方案评估提供统一参照。
HF Daily Papers精选AI 评分4040 ScaleNav 通过互联网视频预训练实现语言条件局部导航
ScaleNav 提出统一的世界—动作框架，利用互联网第一视角视频学习目标导向视觉动态，并据此生成语言条件局部导航所需的机器人动作。训练分为指令条件视频预训练、使用带动作标签的仿真数据进行动作对齐，以及联合微调三个阶段。
推荐理由：论文把互联网第一视角视频预训练、仿真动作对齐与联合微调串成三阶段流程，并给出仿真基准及真实四足机器人部署结果。
量子位精选AI 评分6565 谷歌开源 Harness²：让大模型在运行中自我改写脚手架
谷歌开源 Harness²，这是一个 Harness 层递归自我改进（RSI）方法，让模型在运行中自我改写外挂代码、系统提示词、工具链和技能库。在 WorkBuddy-Bench 上，GLM-5 配合 OpenCode 时综合得分从 64.2 升至 75.7（+11.5），超过原生 Gemini 3.5 Flash 的 72.4。
推荐理由：原文拆解了 Harness² 的双层递归机制，并给出 WorkBuddy-Bench 等专业基准上的具体涨分，读者可据此评估 Harness 层 RSI 的可行路径与开源接入方式。
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。