StyleStream 2.0：快速可控的流式语音风格转换
StyleStream 2.0 提出快速、可控的流式语音风格转换方案，相关论文获 NeurIPS 2026 接收。系统可在保留语音内容的情况下转换参考音色，也能依据自然语言描述设计音色或定向编辑声音属性。其在消费级 GPU 上实现 520 ms 端到端延迟，并通过少步 MeanFlow 生成和自回归反馈加速推理。
推荐理由：论文将参考音色转换、自然语言音色设计与定向编辑统一到流式框架，并给出 520 ms 端到端延迟数据。
内容类型
论文研究 最新动态
值得读的 AI 论文与研究成果：架构创新、训练方法、能力测量与理论进展。
637 条精选近 30 天 601 条共收录 748 条
更新
精选归档 · 第 15 页
HF Daily Papers精选AI 评分3535 HF Daily Papers精选AI 评分4545 Ask-to-Distill：利用合成数据实现在策略蒸馏
Ask-to-Distill 提出一种无需参考答案、正确性奖励或逐候选学生更新的合成问题优化框架，用于在策略蒸馏。它以冻结的师生模型组合计算问题价值，在数学推理、代码生成和智能体任务上提升平均表现及师生差距恢复效果，并在评测设置中达到或超过真实题库 OPD。代码、数据和模型已公开：https://github.com/GasolSun36/Ask_to_Distill。
推荐理由：论文提出在无参考答案时按蒸馏信号价值优化合成问题，并比较其在推理、编码和智能体任务中的效果。
HF Daily Papers精选AI 评分4343 构建自主发现线性注意力架构的 AI 研究团队
论文构建了一支由不同学科背景的持久 AI 研究智能体组成的团队，用于自主发现线性注意力架构。团队通过私有研究历史、共享实验证据和自适应分配选择研究机会，在 1.3B 规模下的语言建模、常识推理及合成和真实世界检索任务中超过 GDN2。消融实验显示，移除学科背景、私有历史或自适应分配均会削弱发现表现，论文链接为 https://arxiv.org/abs/2610.28887。
推荐理由：论文把多学科智能体、私有记忆与自适应任务分配组合成研究团队，并给出消融结果，便于理解自主科研系统的组织设计。
HF Daily Papers精选AI 评分4646 WorldStream：通过分层规划与持久状态生成流式交互式 3D 世界
WorldStream 是一种开放式 3D 世界模型，可持续扩展地形、处理语言命令，并保留用户对已访问地点的编辑。其分层规划器由 Macro 确定聚落、生态、交通和水文结构，再由 Micro 将约束细化到地块，并由确定性本地代码生成世界内容。流式编译只处理移动即将到达的区域并释放身后几何，单一世界记录则保存计划、种子、对象身份、可变状态、边界承诺和编辑，返回地块时据此重新编译。
推荐理由：论文拆解了分层规划、流式编译与持久世界记录如何协同，支撑无预定义地图的交互式 3D 世界持续扩展。
HF Daily Papers精选AI 评分5454 Qwen-Audio-3.1-ASR 模型家族技术报告发布
Qwen-Audio-3.1-ASR 模型家族在 Qwen-Audio-3.0-ASR 基础上改进语音识别，并扩展说话人区分转写与通用音频理解能力。该家族支持 30 种语言和 16 种中文方言；说话人区分 ASR 输出说话人标签、时间戳和识别文本，保持跨轮次说话人标签一致，并能表示重叠语音。
推荐理由：报告将语音识别、说话人区分和通用音频理解纳入同一模型家族，并列出语言、方言及部署变体，便于对照不同任务需求。
HF Daily Papers精选AI 评分4646 研究团队提出 StreamEval 交互式流式视频生成评测基准
研究团队提出 StreamEval，用于统一评测交互式流式视频生成模型在五类任务中的表现。它覆盖 avatar dialogue、avatar performance。
推荐理由：StreamEval通过五类任务和统一指标比较37个模型，呈现视觉质量与请求执行、状态一致性之间的差异。
HF Daily Papers精选AI 评分3737 元专家：跨层专家共享实现存储与检索高效 MoE
研究提出在 MoE 层间共享 Meta Expert（元专家），以减少专家存储冗余并提升信息存储与检索效率。固定激活数量和专家粒度时，该模型使用 Vanilla MoE 70--80% 的专家即可达到相近性能；实验还观察到更低的交叉熵损失和更高的下游任务准确率，理论分析指出共享元专家提供更灵活的残差路径。
推荐理由：论文对比局部专家与跨层共享元专家，指出后者可减少参数冗余，并在固定激活量和专家粒度下用更少专家匹配 Vanilla MoE 性能。
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。
HF Daily Papers精选AI 评分5353 HarnessAdapt-RL：训练整个编码智能体，而非仅训练模型
HarnessAdapt-RL 在强化学习期间同时训练编码策略并动态调整评测框架，使 9B 基础模型的 pass@1 在三套 SWE-bench 基准上高于 GRPO。
推荐理由：论文将编码策略与评测框架共同训练，并与固定 harness 的 GRPO 在三套 SWE-bench 基准上直接比较，便于评估协同训练的收益。
HF Daily Papers精选AI 评分4141 循环 Transformer 缩放研究显示完整 BPTT 在匹配计算量下胜过截断方案
研究团队通过近 600 次训练运行比较循环 Transformer 的完整 BPTT（按时间反向传播）与截断方案，发现匹配计算量时完整 BPTT 始终更优。统一缩放律显示，模型大小可调时，完整训练两轮循环是最佳设置；其验证损失低于计算最优的非循环模型，非嵌入参数约少 27%，训练计算量仅多 8%。论文地址为 https://arxiv.org/abs/2610.26030。
推荐理由：近 600 次训练与统一缩放律为循环 Transformer 的截断取舍提供了匹配计算量比较，并给出参数效率与训练成本的具体结果。
Hacker News精选AI 评分6161 Google Research 开源 Harness² 递归式 Agent 框架
Harness² 是 Google Research 开源的递归式 Agent 框架。它通过 Propose / Probe / Compose 步骤在任务级递归中精炼执行配置。
推荐理由：原文给出递归式 agent 框架的双层递归设计及三个职业类基准的具体增益，可作为改进现有 agent 编排的参考方法。
MIT Technology Review · AI精选AI 评分4848 MIT 研究者将 Claude Opus 4.7 智能体困于虚拟荒岛，它开始表现出类游戏行为
MIT CSAIL 研究者将多份 Claude Opus 4.7 智能体置于仿 Roblox 的虚拟荒岛，让其自主活动 30 小时后观察到堆石绘图、自创篮球和「地板是岩浆」等类游戏行为。
推荐理由：该实验提供了 playful learning 的可复现框架，并显示无目标探索经历能转化为后续任务能力，对探索型智能体研究有借鉴意义。
36氪精选AI 评分3838 研究显示AI辅助糖尿病视网膜病变筛查可缩短专科就诊时间
英国伦敦卫生与热带医学院参与的一项随机对照试验发现，在糖尿病视网膜病变筛查中引入AI技术，可缩短从筛查到专科就诊的时间。研究人员表示，这一变化有助于让更多需要进一步接受眼科诊疗的患者及时就医。该消息由伦敦卫生与热带医学院发布公报披露，新华社发回报道。
推荐理由：该研究提供了AI在糖尿病视网膜病变筛查中的随机对照试验数据，可作为AI临床落地效果的参考案例。
HF Daily Papers精选AI 评分4848 扩散语言模型在不同任务和语言中的解码速度研究
一项分析两个扩散语言模型、覆盖10项任务的研究发现，每个token所需的前向传播次数高度依赖任务，开放式写作成本高于复制或轻量编辑。在 DiffusionGemma 中，故事写作每个token需要超过语法纠错3倍的前向传播，输出相对输入的新颖度与词汇在任务中的稀有度解释了大部分差异。
推荐理由：研究量化了任务、语言和答案正确性对解码成本的影响，并给出按解码速度加权候选答案的低成本方法。
Hacker News精选AI 评分2727 狗似乎也和人类一样把“bouba”对应为圆形、“kiki”对应为尖形
一项发表在《Proceedings of the Royal Society B》上的研究显示，狗在听到“bouba”时注视圆形图案的时间更长，听到“kiki”时则更多注视尖形图案，表现出与人类类似的跨模态感知倾向。该研究由意大利帕尔马大学的 Eleonora Biffi 团队主导，共招募 70 只家犬参与两组实验，并通过 AI 追踪 GoPro 视频中狗的头部朝向来分析其视线方向。
推荐理由：原文报告了一项用 AI 头部追踪分析狗跨模态音形关联的实验，为理解非人类感官的跨模态映射提供了对照数据。
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4747 RouteWeaver 统一 LLM 路由的模式选择与执行
RouteWeaver 提出统一 LLM 路由框架，在单一策略中联合学习路由模式选择与模式内模型执行。其 COMET-GRPO 将轨迹级优势拆分为两类决策信号，并通过渐进式探索从外部指定模式过渡到自主选择。该框架在数学、编码、知识、逻辑推理和事实召回五类任务上取得平均 61.4% 准确率，较最强基线相对提升 11.03%。
推荐理由：论文将路由模式选择与模式内模型执行纳入同一策略，并提供分阶段训练方法，便于对照既有 LLM 路由方案理解适配思路。
HF Daily Papers精选AI 评分3737 DRLMs 通过完整草稿修订实现并行推理
该研究提出 Draft Refinement Language Models（DRLMs），以生成完整草稿并迭代修订的方式实现并行推理，而非逐 token 生成或遵循扩散模型的反向过程。
推荐理由：论文展示了用单一去噪器并行修订并评估完整草稿的方法，无需独立验证或评分模型即可筛选候选结果。