面向 GUI 智能体的潜在世界动作模型
论文提出面向 GUI 智能体的潜在世界动作模型，把世界模型预测目标从像素空间全屏重建转向潜在空间中的动作诱导未来信息，并通过动作感知对比损失缓解 identity shortcut。
推荐理由：论文把 GUI 世界模型预测从像素重建改为潜在空间表示，给出相对像素基线的成功率与延迟提升，并随附开源代码。
#论文/研究
HF Daily Papers精选AI 评分4646 HF Daily Papers精选AI 评分3535 Work2Skill：面向可复用 GUI 智能体技能提取的框架与 WorkDemo-350 数据集
本文提出 Work2Skill 框架，通过 WorkRecorder 采集人类屏幕录制与键鼠操作，并基于 350 条多模态示范构建 WorkDemo-350 数据集，用于抽取可复用智能体技能。
推荐理由：论文给出了框架、数据集和开源代码，并在 MyPCBench 与 OSWorld-Verified 上汇报了具体分数提升，读者可以据此复现并对比现有 GUI 智能体技能提取方法。
HF Daily Papers精选AI 评分3535 EmbodiedCLBench：面向自演化具身智能体的持续学习评测基准
EmbodiedCLBench 提出首个针对具身环境中自演化智能体的持续学习评测基准，以组合泛化原则检验基础任务经验向未见复杂任务迁移的能力。论文在多种智能体框架和学习方法上系统实验，发现基础任务经验能带来稳定提升，但收益不会随训练样本量扩大。代码与数据集已在 https://pku-value-lab.github.io/EmbodiedCLBench-homepage 开源。
推荐理由：作为首个面向具身智能体的持续学习评测基准，论文给出了可迁移的实验设计，并发现经验带来的提升不会随样本量同步放大。
Hacker News精选AI 评分4444 LittleBit 通过潜变量分解实现亚 1 比特大语言模型量化
LittleBit 项目把大语言模型压缩到 0.1 比特每权重，方法是把稠密权重矩阵分解为低秩潜变量再二值化，并用轻量学习的缩放因子恢复幅值信息。LittleBit-2（ICML 2026）在 LittleBit（NeurIPS 2025）基础上加入 Joint-ITQ 潜空间旋转对齐，仅作为 opt-in 初始化选项，推理时无额外开销。
推荐理由：原文给出把大语言模型压至 0.1 比特每权重的潜变量分解方法与开源实现，读者可据此获得子比特量化的可复现起点。
HF Daily Papers精选AI 评分3838 SQAM：用标量伴随匹配微调 Flow 策略的 Q 学习方法
研究者提出 Q-learning with Scalar Adjoint Matching（SQAM），用闭式标量伴随替代逐步向量-雅可比积，把价值梯度按 flow 时间缩放，从而为 flow 策略做 RL 微调。在 OGBench 最难的 4 个领域，SQAM 的成功率比最强基线高出 18 到 35 个百分点；在真实双臂机器人上微调 VLA 策略时，三个任务也都优于监督微调。
推荐理由：原文给出把 RL 微调 flow 策略的逐步向量-雅可比积换成闭式标量的推导，并报告在真实机器人任务上超过监督微调，可作为该方向后续工作的方法基线。
HF Daily Papers精选AI 评分4141 Pristine Models：预训练阶段分离安全与不安全知识的文生图架构
Pristine Models 提出一种新的文生图架构，通过注意力机制在预训练阶段把安全与不安全知识分别放入独立参数分支，推理时可卸下不安全分支。在 ImageNet 上，该方法相比仅用安全数据训练或事后概念擦除，取得了更高的图像质量与更好的文本对齐；论文进一步在 CC12M 上验证其在更大规模、更多样化的开放世界预训练下仍然有效。
推荐理由：提出预训练阶段把不安全知识隔离到独立分支的思路，避免事后概念擦除引发的灾难性遗忘，并给出与仅用安全数据训练及事后擦除的比较结果。
Hacker News精选AI 评分5353 OpenAI 撤回三篇数学结果
OpenAI 撤回了三个此前公布的数学结果，相关变动记录在官方 openai/math 仓库的 history.md 文件中。该消息在 Hacker News 引发讨论，已有 284 个点赞和 562 条评论。
推荐理由：OpenAI 撤回了三个已发布的数学结果，读者可借助项目历史记录比对前后差异。
量子位精选AI 评分5454 何恺明团队提出NAT-ARC：用ImageNet预训练让视觉模型挑战ARC抽象推理
何恺明团队提出纯视觉ARC方案NAT-ARC，先在ImageNet上做MAE自监督预训练，再迁移到抽象格子推理。表现最好的单模型参数量0.6B，在ARC-1上跑到63.4% pass@2，三模型集成达到70.2%，逼近8B语言模型系统The ARChitects的71.6%。
推荐理由：用ImageNet MAE预训练替代随机初始化，让0.6B视觉模型在ARC-1上逼近8B语言模型系统的水平。
HF Daily Papers精选AI 评分4343 何时需要 On-Policy 蒸馏？论文称离线学生轨迹蒸馏在多数情况下更优
研究提出 Semi-OPD 方法，用学生模型初始版本的离线 rollout 蒸馏教师能力，在 17 组 1.5B–235B 参数规模的师生配对中 14 组优于传统 On-Policy Distillation，精度最高提升 13.6 个百分点，训练加速 11.4 倍。
推荐理由：论文用 17 组师生配对量化对比 OPD 与 Semi-蒸馏，给出按初始 token 重叠率选择蒸馏策略的依据，可直接用于重新评估既有蒸馏方案。
Google Research精选AI 评分5757 更好工作是否一定带来更好工作者，Google Research 三个月田野实验给出回答
Google Research 与合作团队在 11 家知识产权律所的 133 名律师中开展为期三个月的随机田野实验，测试一款 AI 专利撰写助手对产出与专业判断力的影响。
推荐理由：把三个月田野实验拆成 AI 辅助产出和撤掉 AI 的专业判断两层，揭示资深与初级律师在技能积累上的不同走向。
HF Daily Papers精选AI 评分5555 LGWM 以下一屏表示验证 GUI 智能体的界面转移
LGWM 通过直接预测下一屏幕的表示，验证 GUI 智能体的界面转移并识别被劫持屏幕。它是一种无解码器、动作条件化的世界模型，在 1.85M 条真实 GUI 转移上训练且无需语义标注，验证时只需比较向量。
推荐理由：论文将 GUI 智能体的安全检查从单屏内容转向动作与下一屏的转移关系，并给出检测界面劫持的可迁移验证方法。
HF Daily Papers精选AI 评分4343 ReHarness：面向智能体持续学习的循环框架
作者提出ReHarness，一种面向智能体持续学习的循环框架，在三个持续学习基准与三种大语言模型骨干上一致优于现有基线。它在严格在线流协议中加入后向修订，每条实例后用轨迹反馈更新文本化的反思状态，在分布漂移下修正过度泛化与过时经验，同时改善稳定性与可塑性。arXiv:2610.12668
推荐理由：原文在三个持续学习基准和三种大语言模型骨干上做了对比，展示了在分布漂移下兼顾稳定性与可塑性的具体做法。
HF Daily Papers精选AI 评分4444 SWE-Duel：面向编码智能体的自扩展对战评测方法
论文提出 SWE-Duel 评测方法，由两个编码智能体在评测时互相出题与判题，任务在测试时动态生成以避免训练数据泄漏。在 11 个模型与 15 个跨语言仓库的 1,500 轮对战里，GPT-5.5 搭配 Codex CLI 修复 98.3% 被审核缺陷，Claude Opus 4.8 搭配 mini-swe-agent 作为出题方胜率 27.3%。
推荐理由：原文给出在评测时动态生成任务与题解的自扩展基准方法，可与传统静态编码基准在抗训练污染和抗饱和上做对比。
HF Daily Papers精选AI 评分4141 DiffusionART：面向扩散模型的高效稳定可扩展强化学习方法
论文提出 DiffusionART，一种无需可微奖励和逐任务调参的扩散模型在线强化学习微调方法，支持配对奖励模型 DiffusionART-Pairwise。
推荐理由：它提出一种无需奖励可微、无需逐任务调参的扩散模型 RL 微调方法，并以 HunyuanVideo-13B 上大幅领先 DiffusionNFT 和 Flow-GRPO-Fast 的 GPU 时间和奖励作为迁移参考。
HF Daily Papers精选AI 评分3636 DCOCO：通过上下文校正恢复推测解码中并行草稿的块内依赖
DCOCO（DFlash Contextual Corrector）是一种面向扩散式推测解码的轻量级校正机制，通过对并行草稿相邻位置的多个候选 token 评估上下文兼容性，在不放弃并行性的同时恢复块内依赖。
推荐理由：论文指出扩散式草稿缺少块内依赖这一被忽视的代价，并给出一种轻量级并行上下文评分方案，对推测解码在多并发下的吞吐取舍有参考价值。
HF Daily Papers精选AI 评分3939 LeWAM：基于 JEPA 的端到端世界与动作建模
LeWAM 是一种面向控制的端到端 JEPA，把下一潜状态预测与动作流匹配放在同一目标里联合训练，并对潜状态施加各向同性高斯约束，使单个模型既能直接执行策略，也能用所学潜动力学对采样动作做高效规划。在视觉规划任务上，接触密集任务成功率由 28.6% 提升到 89.7%，长视野任务由 10.9% 提升到 46.2%，规划速度提升 32.3 倍；在仿真与物理机器人的行为克隆任务上也与既有方法相当。
推荐理由：原文以具体任务上的成功率与规划速度为参照，给出了一种把潜状态预测与动作流匹配合在同一个 JEPA 里的做法，读者可以据此与现有视觉规划方案做比较。
HF Daily Papers精选AI 评分4343 AI 智能体能否通过学习登顶：AAArena 基准上的启发式学习评估
研究提出 Adversarial Heuristic Learning（AHL）范式与 AAArena 评测基准，涵盖 12 款对抗游戏和 1,920 份人类存档程序。在固定对局与评估预算下，Opus 4.5 与 Claude Code 配置获得 6 枚金牌，其余 6 个排行榜未被任何受测配置登顶。实验还发现，对手选择、密集反馈以及自身与他人的对局回放都能支持策略改进。
推荐理由：原文给出 AHL 范式与 AAArena 评测基准，可作为衡量智能体在对抗博弈中相对人类存档程序策略改进表现的参考。
HF Daily Papers精选AI 评分5050 SepGen：单模型实现多音轨音视频分离与生成
SepGen 扩展预训练音视频生成器，在一次联合采样中同时输出视频、混合音轨以及按字幕逐个声源的波形，支持生成和分离两种互补模式。在给定音频混音和带台词字幕时，SepGen 在语音场景下优于语言条件分离器，且在字幕去掉台词后仍保持领先。代码、检查点与数据集已发布在 https://sepgen.github.io 。
推荐理由：SepGen 在一次采样中同时输出视频、混合音轨和各声源波形，并给出可与语言条件分离基线直接对比的语音场景实验结果。
HF Daily Papers精选AI 评分4141 Reflex：视觉驱动的反应式人形机器人控制
Reflex 是一个三阶段框架，让人形机器人仅凭第一人称 RGB-D 视觉实时接住抛来的箱子。在仿真中达到 85.7% 的接箱成功率，接近获得特权观测时的 87.9%；在 Unitree G1 真机上，2.5 米和 5 米抛掷的成功率分别为 65% 和 40%，达到人类接箱者同距离成功率的 76% 和 59%。
推荐理由：Reflex 用三阶段框架在 Unitree G1 上实现视觉反应式接箱，给出仿真与真机数据，可作为反应式人形控制训练的可迁移参考。
HF Daily Papers精选AI 评分3636 DataVista：面向多模态大模型的数据视频理解评测基准
研究团队发布 DataVista 基准，包含 961 个真实数据视频和 6775 道评估题，按数据感知、时序推理、叙事理解三层能力框架、10 类细粒度问题与 5 个主题领域组织，用于系统评测多模态大模型的数据视频理解能力。
推荐理由：原文提出数据视频理解新基准，并系统对比 19 个主流多模态模型在感知、推理、叙事三层能力上的差距。
HF Daily Papers精选AI 评分3535 RAESR：基于冻结 DINOv3 潜空间的图像超分辨率方法
RAESR 使用 23 层冻结 DINOv3-L 融合得到的潜空间作为重建基底，训练 415M 解码器在重建与对抗目标下完成单步图像超分辨率。该方法在 RealSR、DRealSR、LSDIR 和 DIV2K-Val 上以单张 H20 GPU 处理 512×512 图像耗时 37ms，取得当前最佳的保真度-感知权衡；将基底换成 VAE 潜空间、其余设置不变则各项指标均下降。
推荐理由：论文给出了在 DINOv3 潜空间做超分辨率的具体设计与 VAE 基底对比，可作为视觉表征迁移至底层视觉任务的方法参考。
HF Daily Papers精选AI 评分4141 REMORY：为长上下文智能体学习残差记忆压缩历史
REMORY 提出一种神经网络记忆模块，在文本摘要之外追加一段 soft memory tokens，让冻结的大语言模型仅用 5.2% 的输入位置就能逼近全量上下文的续写效果。
推荐理由：提出用学习型 memory tokens 补充文本摘要，让长上下文智能体仅占 5.2% 的输入位置就逼近全量上下文表现。
HF Daily Papers精选AI 评分3939 论文提出面向大语言模型的通用文本化教学 UTT 框架
论文提出面向大语言模型的通用文本化教学（UTT）框架，无需更新学生模型参数，通过 Student、Prompter、Teacher、Synthesizer 多角色配对评估与迭代合成，把师生差距蒸馏成可解释、可跨模型复用的自然语言文本 Primer。
推荐理由：提出无参数更新的知识蒸馏框架 UTT，把师生差距压缩成可跨学生模型复用的自然语言教学文本 Primer，为知识蒸馏提供新的可迁移载体。
HF Daily Papers精选AI 评分4646 Opera：用于长程编码智能体的语言评论框架
Opera 是面向长程编码智能体的语言评论框架，将每次修正视为持续追踪至问题解决的备注。它在 Terminal-Bench 2.1、SWE-Bench Pro 子集和 DeepSWE v1.1 上分别把非评论者策略模型的解决率提升最多 12.4、15.0 与 8.9 个百分点，并在三个基准上均取得竞争基线的最高平均解决率。
推荐理由：Opera 把每条纠错视为待解决的持续备注，并在交付前先审计反馈，该设计可迁移到其他长程编码智能体的反馈链路。
HF Daily Papers精选AI 评分4646 FlowState 以执行状态构建长程 LLM 智能体记忆
FlowState 提出面向长程 LLM 智能体的执行状态记忆机制，通过跨请求保留并回溯结构化状态，降低完整历史带来的 token 开销。其 Incremental State Update（ISU）依据新输入和反馈维护当前状态，Progressive State Access（PSA）则按需逐步呈现历史状态与证据。
推荐理由：论文将可回溯的执行状态用作智能体记忆，并通过增量更新与渐进访问降低长程任务的 token 成本并复用历史信息。
HF Daily Papers精选AI 评分4343 SoftwareGym：利用多样化合成软件环境扩展电脑使用 Agent 训练
SoftwareGym 提出了一套自动合成 GUI 软件环境的 pipeline，用来扩展电脑使用 Agent 的训练数据。
推荐理由：原文把 GUI 软件环境做成可自动合成的流水线，并以 OSWorld 跨域迁移结果证明合成环境能替代部分真实应用来训练 CUA。
HF Daily Papers精选AI 评分3636 论文《Thinking Inertia》：要求不思考时 LLM 仍持续输出推理
论文在 6 个 LLM 上用 6 种提示干预评测无思考行为，发现显式关闭思考模式后模型仍持续输出推理痕迹，称之为 Thinking Inertia。
推荐理由：论文提出三层评估指标来衡量无思考行为，发现显式关闭思考模式后模型仍持续输出推理痕迹，提示该能力需独立评测。
HF Daily Papers精选AI 评分3939 LatentGRM：基于语义保持压缩的潜在空间奖励建模方法
LatentGRM 提出用语义分块与压缩在潜在空间完成奖励建模，无需生成文本评估即可做配对判断。在 4B 与 8B 规模下偏好准确率与显式监督微调评判模型相当；LatentGRM-8B 在四个评测领域上将评估轨迹压缩 8.9–9.2 倍，vote@5 下总推理时间减少 6.1–7.0 倍。
推荐理由：原文给出了潜在空间评估的具体做法、压缩倍率与推理加速数据，可供关注奖励模型推理成本的研究者横向比较。
HF Daily Papers精选AI 评分3535 CheckerBench：长程编码智能体能否从零开发静态分析检查器？
CheckerBench 是一个面向静态分析检查器开发的端到端智能体评测基准，包含源自 297 个 CVE、覆盖 167 个仓库与 85 类 CWE 的 300 个任务，每个任务附带漏洞版本、修复版本、固化分析环境与检查器脚手架。
推荐理由：提出了覆盖 297 个 CVE 的端到端检查器开发基准，并量化了当前编码智能体在该长程任务上的实际能力上限。
Ai2 BlogAI 评分2929 Ai2 近期研究汇总：覆盖 LLM 基准审计、地理空间推理与 Olmo 3 混合模型分析
Ai2 博客最近发布 5 篇研究文章，涵盖 LLM 基准逐题审计方法 BenchMIRT、地理空间推理平台 OlmoEarth，以及构建 Shippy 智能体的经验。
Hacker News精选AI 评分4343 AI 辅助完成 11 个正方形最优排列的 Lean 形式化证明
项目在 Lean 中完成 11 个正方形最优排列的 AI 辅助形式化证明，验证运行接受全部 7,920 个本地模块，最终审计零未通过。最优边长由区间 (9/25, 37/100) 内一个八次多项式的唯一实根给出，近似值约为 3.8770835900228141773。
推荐理由：仓库用 Lean 配合原生数值证书完成 11 个正方形最优排列的形式化证明，可作为 AI 辅助定理证明的参考案例
Hacker News精选AI 评分5656 arXiv 论文论证 AI 自动形式化难以忠实翻译，质疑 OpenAI Navier–Stokes 证明
arXiv 论文 2610.08144 论证，将自然语言数学文本语义忠实地翻译为 Lean 等形式语言在 Solvability Complexity Index 层级上达到 ∞，难度高于停机问题。论文给出多个 AI 将 NL 陈述与证明误译为 Lean 的实例，包括 OpenAI 此前宣布的 Navier–Stokes 方程 blow-up 证明，并指出其形式化版本与 NL 证明不对应。
推荐理由：论文给出形式化翻译的复杂度下界，并用 OpenAI Navier–Stokes 案例展示 NL 证明与 Lean 验证之间的不一致。
Hugging Face Blog精选AI 评分6464 NVIDIA 通过微调 Nemotron 在 IOI 和 IMO 同时达到金牌水平
Nemotron-3-Ultra-CC 在 IOI 2026 拿到 535.4/600 分（来自与人类选手同条件的非官方测试），超过 361.12 的金牌线；IMO 2026 的 generate-verify-refine 系统由官方阅卷人评分，取得 30/42 分，超过 29 的金牌阈值。
推荐理由：展示了 Nemotron 通过微调与推理协同在 IOI 与 IMO 同时达到金牌水平，并公开了完整数据集与训练配方。
HF Daily PapersAI 评分3333 面向大语言模型的参数内记忆增强综述
该综述梳理了面向大语言模型的参数内记忆增强方法，将可复用参数对象接入推理前向计算以承载后预训练知识。文中按参数位置（Embedding、Attention、FFN 或混合）与获取时机（在线、离线）两个正交维度分类，并讨论了干扰、安全性以及递归自我改进等开放方向。
HF Daily PapersAI 评分3434 设备端级联语音智能体通过推测执行隐藏工具调用延迟
研究人员在设备端级联语音智能体中引入推测式工具执行，通过 Predictor 模块在 ASR 阶段预测工具调用并预先缓存结果，将 Android 语音助手首音频响应时间中位数从 5.79s 降至 4.60s。框架同时加入基于规则的自校正校验以过滤用户口误，并在最坏情况下由 LLM 直接调用工具兜底，最终将响应延迟标准差从 3.49s 降至 2.81s。
Hacker News同事件AI 评分6060 OpenAI 分享前沿模型在数学领域的研究成果
OpenAI 发布由内部前沿模型产出的数学研究成果，存入 GitHub 仓库，并附带模型推理摘要、Pro 算力估算和问题尝试次数等透明度数据。多数结果使用的算力约相当于 ChatGPT Pro 三小时思考时长，其中许多证明已在 Lean 中形式化。OpenAI 表示未来将负责任地发布该模型，并资助围绕这些结果举办的学术活动。
同一件事，精选收录的是《OpenAI一夜放出722篇数学手稿，覆盖黎曼、霍奇、BSD等千禧难题》
HF Daily Papers精选AI 评分4141 VIS-Ground：面向视频交互式叙事的上下文接地方法
VIS-Ground 把视频交互式叙事中的异构输入转成可执行的生成约束，包含 Structured Context Abstraction、Generation Constraints Induction 与 Constrained Video Generation 三个模块，分别完成上下文抽象、约束归纳与约束执行。
推荐理由：把观众请求、叙事源与已渲染状态统一转成可执行约束，可作为交互式视频生成接地方案的方法参考。
HF Daily Papers精选AI 评分4343 视觉表征越好端到端自动驾驶就越好吗？ViRA 框架给出研究答案
论文提出 ViRA，一个与规划器无关的视觉表征对齐框架，并发现 VFM 引导的视觉表征对端到端驾驶的提升幅度取决于目标选择与辅助感知监督。
推荐理由：论文给出可迁移结论，把视觉基础模型表征对齐进端到端规划器时，目标选择与感知监督共同决定最终增益。
HF Daily Papers精选AI 评分3535 MAVLN：多智能体视觉语言导航的形式化、基准与方法
本文提出 Systematic Multi-Agent Vision-and-Language Navigation（MAVLN），首次将多智能体视觉语言导航形式化为带依赖和资源约束的协调问题，并配套发布包含 11,724 条 episode、145 个场景、最多 4 个智能体的基准，覆盖三种指令设置。
推荐理由：把多智能体视觉语言导航形式化为带约束的协调问题，并配套发布 11724 条 episode 的基准与 TRISS 基线。
HF Daily Papers精选AI 评分4848 编码智能体基准应匹配用户的任务流
该研究分析了 JetBrains IDE 中 4,782 段软件工程师与编码智能体的真实交互会话，发现长会话里的任务类型覆盖项目代码问答、规划、审查、重构和执行等多类，并会随会话进展切换类型，与基于 issue 的基准任务差异显著。
推荐理由：基于 4,782 段真实 IDE 会话数据，揭示当前编码智能体基准与实际任务流的差距，为评测设计提供新的校准依据。