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。
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。
634 条精选近 30 天 601 条共收录 745 条
更新
精选归档 · 第 29 页
HF Daily Papers精选AI 评分3939 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。
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 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。
HF Daily Papers精选AI 评分4141 MIMESIS：面向交互式智能体训练的用户模拟器学习方法
MIMESIS 论文提出一个面向交互式智能体训练的用户模拟器，其 9B 模型在 SOUL-Index 上达到 65.7，超过当时最强的前沿模型。相比 Claude-Opus-5，行为保真度提升 13.4 分，图灵距离降低 3.6 分。
推荐理由：原文给出面向交互式智能体训练的用户模拟器构建方法与自蒸馏反馈方案，可作为搭建训练环境和密集反馈机制的参考。
HF Daily Papers精选AI 评分3737 SALD：面向扩散模型的自参考优势学习方法
SALD 提出了一种无需外部教师网络的扩散模型自参考训练框架，在不改动推理流程的前提下提升了生成质量。
推荐理由：原文给出不依赖外部教师网络的扩散模型自参考训练思路，可为改进现有扩散模型训练流程提供可迁移的方法参考。
HF Daily Papers精选AI 评分4949 TouchScale：发布 500 小时统一采集的人体视觉-触觉数据集
TouchScale 是一个 500 小时的人体视觉-触觉数据集，采用单一可穿戴设备采集约 2K 个任务，同步记录自我中心 RGB-D 视频、腕部 RGB 视频和双手密集触觉信号。
推荐理由：用统一采集的 500 小时视觉-触觉数据验证了规模化效果，并把接触预测和机器人操作两组数字同时给出。
HF Daily Papers精选AI 评分5656 miniTE：诊断并弥合原生 NVFP4 强化学习的执行差距
miniTE 开源框架通过数值与系统优化，弥合原生 NVFP4（W4A4）强化学习中的训练与推理执行差距。相同权重和精度并不保证相同策略，不同引擎的数值执行差异可能造成训练与推理不匹配并使 RL 失稳；严格对齐设置可将 log-probability 差距降至约 1e-8。
推荐理由：miniTE 从数值和系统两侧拆解原生 NVFP4 强化学习的训练与推理差异，并公开诊断工具、算子和训练配方，为低比特 RL 复现提供可操作材料。
OpenAI News精选AI 评分6666 OpenAI 与 Ironclad 合作推进 GPT-6 Astra 在合同工作流上的智能体能力
OpenAI 与合同管理平台 Ironclad 合作，将 GPT-6 Astra 训练用于合同相关智能体任务。在 11 项研究任务上，Astra 平均得分 55.0%、GPT-5.6 Sol 为 41.6%，每次尝试平均用时由 37.0 分钟降至 19.2 分钟。团队基于 SEC EDGAR 公开合同生成合成训练任务并采用强化学习训练，OpenAI 同时邀请更多软件公司参与类似合作。
推荐理由：原文给出了 GPT-6 Astra 在 Ironclad 合同任务上的训练方法与评估数据，可作为衡量智能体在复杂专业工作流表现的参考。
HF Daily Papers精选AI 评分6060 基础模型借鉴训练数据中的 token 线索即可获得推理能力
该研究指出，在基础模型回复开头固定特定 token 线索，可使其在数学和编程推理任务上达到与 RL 训练版本相当的水平。回复前的 '. Okay' 线索将 Olmo-3-7B 的 MATH-500 pass@1 从 42% 提升至 78%，'Alright,' 线索将 Qwen3-14B 从 72% 提升至 87%。
推荐理由：论文把基础模型的推理能力回溯到训练数据中的特定 token 线索，给出了一种不靠 RL 也能恢复推理表现的替代解释。