跳到正文
目前篩選:論文
10月26日週一
  1. 新浪科技73

    Pinal 蛋白質設計模型可按文字描述生成候選序列

    香港科技大學(廣州)、西湖大學及中國科學院深圳先進技術研究院團隊提出蛋白質設計模型 Pinal,可按自然語言功能描述生成蛋白質結構,再據此設計候選氨基酸序列。模型以17億組蛋白質—文本配對合成數據集訓練,參數規模為160億;團隊對四類蛋白進行實驗測試,其中設計的 pinalH02 在體外固碳體系中令甘氨酸最終濃度達11.1毫摩爾每升,是天然大腸桿菌H蛋白對應組件的1.7倍。

  2. DEV Community47

    臨牀智能體系統的 Evidence-Aware RAG 評估:為何標註覆蓋率決定檢索評分

    臨牀 AI 團隊指出,RAG 檢索評分不只反映檢索器質素,也受相關證據的標註覆蓋率影響,並提出區分標註覆蓋率與系統質素的評估方案。測試中,18 個查詢的證據跨度由 25 增至 37、chunk 目標由 36 增至 51,檢索結果不變,Recall@3 維持 0.94。團隊建議追蹤標註覆蓋率,並分辨檢索失敗、標註缺口與語料證據不足。

  3. HuggingFace Daily Papers(社區熱門論文)49

    Co-Design Bench:面向智能體模型的多模態協作編碼評測

    Co-Design Bench 以真實用戶修改現有應用程式的請求,評測智能體模型理解多模態輸入並完成協作編碼的能力。基準包含 273 項任務及 2,331 項驗收準則,涵蓋多模態編輯和程式碼庫編輯。10 個模型端點中,gpt-6-astra 平均每項任務通過 69.9% 的準則,但僅 26.4% 的任務完全達標;Qwen3.8-27B 整體完全達標率為 64.4%。

  4. HuggingFace Daily Papers(社區熱門論文)42

    細粒度信用分配何時有助、何時有害:以影片剪輯探討多模態智能體強化學習

    研究發現,細粒度過程獎勵可改善多模態智能體的長時程影片剪輯任務,但固定權重會在較短任務中引發獎勵作弊。在平均超過 60 turns 的 Fine Cut 任務中,衰減過程獎勵權重較 outcome-only GRPO 相對提升 45.4%;三類平均 30–40 turns 的任務,提升最多為 10.4%。

  5. HuggingFace Daily Papers(社區熱門論文)37

    GeoUG 如何透過生成提升空間理解與推理

    GeoUG 結合深度圖與多視角生成,並在推理時自適應地生成幾何證據,以提升空間推理能力。在 CV-Bench-3D、3DCueBench 和 DA-2K 上,其準確率分別為 97.9%、90.8% 和 94.2%。相比每次都生成幾何證據,GeoUG 使用的生成呼叫次數更少。

  6. HuggingFace Daily Papers(社區熱門論文)43

    基準測試障礙物條件下的家用機械人導航安全性

    研究提出 OSMA-Bench 和 Semantic Sensitivity Index(SSI),評估機械人導航策略能否依據障礙物的安全語義調整移動方式。測試發現,VLM 和 VLA 策略即使收到明確安全提示,也未能穩定地將對障礙物的安全判斷反映在移動中;在 VLM 策略的障礙物識別與導航程式生成之間加入參數推斷步驟,可改善這種適應能力。

  7. HuggingFace Daily Papers(社區熱門論文)54

    Lipi-Ghor 研究提出大型多領域、具説話者分離標註的孟加拉語語音語料庫及可擴展建置流程

    Lipi-Ghor 研究提出大型弱監督孟加拉語語音語料庫,收錄 885 小時音訊,並附有説話者分離的長篇標註及 gold 評測集。語料來自 998 個 YouTube 影片、596 個頻道及 17 個領域,以自動説話者分離結合字幕製成 SSTT 標註;gold 評測集經 17 名志願標註者共 30 小時校訂,研究亦提供可複製的建置流程。

  8. HuggingFace Daily Papers(社區熱門論文)40

    預訓練數據的詞彙印記

    研究發現,預訓練語料與基準測試目標的詞彙對齊程度,能持續反映零樣本準確率。涵蓋 10 個零樣本基準、4 個預訓練語料及 3 種模型規模的實驗顯示,較低 UCE 對應較高準確率。按詞彙對齊程度挑選訓練文件可提升準確率,把提示詞路由至語料較匹配的 drafter 則可提升吞吐量。

  9. HuggingFace Daily Papers(社區熱門論文)41

    SOMA:評測細粒度第一人稱行為與身體動作理解的基準

    SOMA 是評測多模態模型細粒度第一人稱身體動作推理能力的基準,涵蓋 1,632 條經人工核驗的問題及身體姿勢、動作動態和時間推理三個能力面向。研究評估 37 個多模態模型,最強的 Qwen3.6-27B 零樣本準確率為 50.0%,低於人類的 68.5%。研究亦提供訓練數據集及多模態基線,以支援相關研究。

  10. HuggingFace Daily Papers(社區熱門論文)31

    長時程 LLM 智能體的多尺度策略最佳化

    多尺度策略最佳化(MPO)透過在回合尺度對齊信用分配與策略更新,改善長時程 LLM 智能體的訓練。MPO 結合多尺度優勢估計(MAE)與回合層級重要性抽樣,在使用 4B 和 30B-A3B 模型進行的搜尋、工具使用及自動化任務實驗中,持續勝過多個強化學習基線。

  11. HuggingFace Daily Papers(社區熱門論文)57

    Outcome RL 帶來甚麼:改善作答完成度與可靠性,解題範圍拓展有限

    研究發現,Outcome RL 在固定 token 預算下提升 pass@1,主要靠提高答案完成率和作答可靠性,而非新增解題知識。研究比較 20 個已發布 RL 模型(1.5B 至 32B)及其基礎思考模型;Outcome RL 未提升大 k 下的 pass@k,四組物理及數學題的 Reach 增益最多為 2.1 個百分點。

  12. HuggingFace Daily Papers(社區熱門論文)43

    Fin-SD 如何提升金融推理:回溯自蒸餾的適用條件

    Fin-SD 透過學生模型自行撰寫錯誤評論,並以截斷至錯誤前的正確推理前綴進行按策略自蒸餾,改善多步金融推理,無須外部教師模型提供梯度。在 FinanceReasoning Hard 子集上,Fin-SD 比基礎模型準確率高 3.03 個百分點;以完整參考解答進行按策略自蒸餾時,準確率相若,但生成的 tokens 少 9.5%。使用 GPT-OSS-120B 撰寫提示,效益亦未見明顯高於自行撰寫。

  13. HuggingFace Daily Papers(社區熱門論文)31

    HaMo:面向長期持續學習的 Harness-Model 協作

    HaMo 提出一種 Harness-Model 協作框架,結合程序經驗卡片的快速檢索與模型的漸進式適應,以提升長期網絡智能體的經驗保留及跨任務執行能力。框架將軌跡提煉成策略級經驗卡片供即時檢索,並以經驗條件式持續學習訓練模型理解和執行策略。實驗顯示,HaMo 在域內及跨域轉移下均優於僅使用 harness 或僅作模型適應的方法,並提升保留與適應表現。

  14. HuggingFace Daily Papers(社區熱門論文)36

    超越估計:Wiener-informed Decoding 讓像素空間 Flow 模型更易訓練

    Wiener-informed Decoding(WiD)將維納統計估計融入像素解碼器,透過統計量初始化新路徑,並與模型一同訓練,以改善像素空間 Flow 模型的學習。WiD 適用於類別條件及文字生成圖像,並支援不同解像度;統計量以約 50,000 張圖像估算,使用 GPU 加速約需一分鐘。

  15. HuggingFace Daily Papers(社區熱門論文)42

    監督可見狀態:在串流影片中分離表徵學習與視角選擇

    研究提出可見狀態監督(ViSS)與測試時因果視角搜尋(TVS),分別改善串流動作識別的表徵學習和證據選擇。ViSS 特別提升幻覺檢測和因果推理,TVS 則有助事件回憶和前向推理。兩者結合後,在 StreamingBench 和 OVO-Bench 上達到所比較已發表系統中的最高報告準確率,處理的影格數僅為窮盡式選擇的一小部分。

  16. HuggingFace Daily Papers(社區熱門論文)53

    Rollback:在世界模型中回溯經驗以改進策略

    論文提出 Rollback,讓世界模型回溯關鍵決策並探索反事實行動,以改善機械人策略。在方塊抽取、拋球和桌上冰壺三項真實任務中,成功率較最強基線分別高出 10.67%、11.11% 和 11.85%。Rollback 以遠低於人類水平的遙操作示範作初始化,並在訓練 8 小時內,於拋球和桌上冰壺的平均成功率超越人類玩家。

  17. HuggingFace Daily Papers(社區熱門論文)41

    SearchHorizonBench:評估 AI 智能體搜尋價值的基準測試

    SearchHorizonBench 評估 AI 智能體如何根據執行歷史估算額外搜尋的價值;歷史校準能提升預測準確度,但未能解釋大部分搜尋收益的差異。基準涵蓋 3,168 條問題的 45,632 次執行;在 1,632 條留出問題上,歷史校準將 Brier 誤差降低 16.2%,但測試中的歷史估算方法對搜尋收益差異的解釋不足 2%。

  18. HuggingFace Daily Papers(社區熱門論文)38

    MoveBench:以評分規準評估大語言模型運動與健康教練能力的基準測試

    MoveBench提出一套專門評估大語言模型在運動與健康教練領域表現的基準測試,重點評估安全性、科學有效性及個人化。研究以 809 條問題及 5,012 項評分規準評估 15 個大語言模型,發現模型表現差異明顯,尤其體現在安全意識、訓練計劃設計及個人化能力。MoveBench提供開放資源及可重現的評估框架。

  19. HuggingFace Daily Papers(社區熱門論文)46

    語言模型有否使用外部資訊?CREDIT 反事實訓練提升自我歸因能力

    CREDIT 透過反事實訓練改善語言模型對外部資訊的自我歸因,減少模型錯誤承認未影響答案的資訊來源。該方法以反事實標籤直接監督最終答案,無需人工標註,並在四個開源模型(包括兩個蒸餾推理模型)上提升歸因表現,優於推理層微調及提示詞基線。提升效果亦部分泛化至未見資訊類型,以及包含支持相互矛盾答案來源的提示詞。

  20. HuggingFace Daily Papers(社區熱門論文)42

    MatAnyone-E:以稀疏記憶傳播提升高解像度影片摳圖效率

    MatAnyone-E 透過只對不確定區域進行高解像度匹配,並採用輕量解碼器,在維持與 MatAnyone 2 相若的摳圖品質下提升推理速度。在 4K 下,推理速度估計提升 7.4 倍,峯值 GPU 記憶體用量降至 MatAnyone 2 的 7.6%。使用單張 NVIDIA H200 GPU 並啟用編譯推理時,1080p 達 73.07 FPS,4K 達 28.62 FPS。

  21. HuggingFace Daily Papers(社區熱門論文)39

    GPT-4o mini 指令容量:可控負載下語言模型的行為與退化

    研究以無語義的逐詞替換規則作為負載,測試 GPT-4o mini 的指令容量及在可控負載下的退化,考察文本長度、答案中的詞語位置、替換密度、規則數量和規則排序位置。規則數量與品質呈對數線性關係,替換密度符合飽和定律,規則位置符合冪律;文本長度與答案中的詞語位置則互相制約。研究據此建立模型「護照」,其中的數值均可根據已發布數據重新計算。

  22. HuggingFace Daily Papers(社區熱門論文)36

    DTCA:為擴散語言模型強化學習進行去噪 token 信用分配

    DTCA 透過衡量 token 提交後其餘遮罩位置的預測信心改善,估算 token 貢獻,並按詞性分類訊號,為擴散語言模型的強化學習進行 token 級信用分配。DTCA 亦按策略更新引起的 token 級熵變化校準學習訊號;在 LLaDA-8B-Instruct 上,MATH500 分數最高提升 9.0 分,GSM8K 最高提升 5.3 分。

  23. HuggingFace Daily Papers(社區熱門論文)47

    Omni-InteractScope:評測連續全模態串流中的主動與智能體互動能力

    Omni-InteractScope 是一項評測 Omni-LLMs 在連續影音串流中互動可靠性的基準,涵蓋 1,479 個人工標註互動、1,790 個時間目標及八組任務。測試的 12 個模型中,工具調用的準時首答比例均不超過 40%,時間與工具聯合準確率最高為 32.0%;提醒召回率不超過 23.0%。9 個模型未能完整覆蓋任何一段指引序列。

  24. HuggingFace Daily Papers(社區熱門論文)38

    OmniShowcase:以多視角圖像實現全向、主體一致的影片生成

    OmniShowcase透過幾何驅動的訓練資料及表面法線圖條件,提升多視角影片生成的主體身份一致性與 3D 一致性。研究構建 Showcase-4K,涵蓋 12 種鏡頭運動及 88 種軌跡配置,並建立 ShowcaseBench 作為評估集。實驗顯示,方法在保持具競爭力的影片品質及動態表現下,達到最先進的主體身份與 3D 一致性。

  25. HuggingFace Daily Papers(社區熱門論文)38

    CEPO:改善多智能體系統提示詞優化的通用框架

    CEPO(Coordinator-Executor Prompt Optimization)透過分離共享協調與智能體專屬執行,改善多智能體系統的提示詞優化。涵蓋四個領域的 11 項基準測試顯示,將 CEPO 用於四種現有提示詞優化器均能提升表現;文件理解多智能體系統的受控研究亦顯示,其優化預算效率及隨智能體數量增加的表現均有改善。

10月25日週日
  1. DEV Community43

    Benchmark 2026:測試 50 個電商 AI 智能體,探討架構、延遲與轉化

    評測以同一套 10 條高難度問題測試 50 個電商 AI 智能體,平均得分為 17.1/20,最高為 19 分。評測指出,連接即時商品目錄並以程式碼核實資料,比改善提示詞更能提升準確度;部分智能體亦能在對話中建立購物車並提供付款連結。公開測試的延遲介乎 3 至 18 秒;自家基建在 24 個對話同時進行時,P50 延遲為 21.9 秒。