#Hugging Face

Hugging Face 开发 LitPivot 助力研究文献动态调整

Hugging Face 与宾夕法尼亚大学合作开发 LitPivot，通过文献分组和批判性建议帮助研究者调整研究思路。17名研究者的实验显示，使用 LitPivot 的提案在文献支撑性上优于基线工具，且参与者认为其想法新颖性和实用性更强。该系统将于 UIST 2026 发布。

Cola2: 协同自适应分层语言建模框架

Cola2 通过动态文本分段和语义压缩，结合重建与生成监督，实现连续-离散协同自适应。该模型在 3460 亿源 tokens 训练下，8 项任务平均分达 60.10，超越 Llama-3-8B 在 HellaSwag 和 StoryCloze 的表现。

SCOPE：将自然语言策略编译为神经符号谓词程序

SCOPE是一种新方法，将自然语言策略编译为可执行程序，由小型模型、确定性提取器和组合代码组成。该方法在真实世界策略任务基准测试中，实现了跨任务和模型的最平均准确率，且预测更稳定、可解释，并能部署在低成本模型上达到前沿推理模型的准确率水平。

SpatialBrain: 空间智能从经验中成长

SpatialBrain 框架通过保留空间推理决策经验，在五个基准测试中优于或持平同骨干模型的直接答案。该框架包含 3DFusionMemory 融合场景观测、Spatial Skill Library 提供可复用工具程序，以及 Spatial Cognition 关联任务条件与经验使用策略。

TraceForge: 用自己的思维进行知识蒸馏

研究人员提出 TraceForge 方法，通过生成与目标模型风格一致的推理轨迹来解决前沿模型不提供详细推理过程的问题。该方法采用两阶段训练，在 HumanEval+ 上提升 3.7 分，在 MBPP+ 上提升 7.1 分。

HRoPE: Homography Relative Positional Encoding

HRoPE 通过将图像块表示为倾斜 3D 平面，将平面诱导的单应性注入注意力机制，为多视图 transformer 提供几何先验以校正透视失真。在 RealEstate10K、CO3Dv2 和 DL3DV 数据集上，HRoPE 在新视图合成任务中优于现有几何位置编码。该方法无需真实几何数据，平面参数可通过视图合成目标端到端预测或基础模型推导。

多模态重排序是系统一决策

研究提出通用视觉语言模型可通过系统一决策实现多模态重排序，零样本Qwen3.8-27B在MMEB-V2图像检索中超越监督模型Qwen3-VL-Reranker-2B，匹配Reranker-8B性能且延迟更低。

DecisionPivot: LLM 系统决策模型的诊断基准

DecisionPivot 包含 48 项任务和 40,033 个样本，覆盖七种决策角色，通过对比组准确率、概率排序和校准等指标评估 40 个决策模型和 14 个通用模型。

S-Agent 2.0：通用编码代理实现空间推理

研究人员提出S-Agent 2.0，一种通过命令行感知工具增强通用编码代理空间推理能力的方法。该方法在MMSI-Bench和ReVSI评测中显著提升了Qwen3.8-27B和Gemini-3.8-Flash的性能，分别达到66.5和82.3分，以及74.1和90.5分，超过了专用系统SpatialClaw的性能。

Matrix-Game 4.0：利用视频模型实现实时可玩游戏世界

Matrix-Game 4.0通过分离游戏执行与视觉生成，实现了480p分辨率、60FPS的实时游戏体验，在NVIDIA RTX5090上按键到显示延迟为112ms。该系统使用轻量级游戏引擎维护世界状态，多模态编码代理将玩家想法转化为游戏代码，基于自回归视频模型的渲染器将引擎渲染的低多边形代理转换为详细视觉效果。

同一件事，精选收录的是《昆仑万维发布Matrix-Game 4.0视频大模型游戏》

Agent Mosaic：识别智能体LLM系统中的信息泄露风险

研究人员通过实验发现，现代LLM智能体能够从可访问文档中检索信息并披露敏感结论，造成马赛克效应风险。在模拟测试中，即使添加分类标签和聚合规则，GPT-5.6-Sol等模型仍以32.37%的泄露率披露禁止信息，且拒绝回答反而可能暴露禁止结论。研究使用了30个合成案例和两个开源测试平台，共测试了10,800个模拟答案和1,440个实时答案。

SplatLab: 3D高斯溅射研究的自主科学发现系统

SplatLab是一个针对3D高斯溅射(3DGS)的自主研究系统，能够复现已发表论文、提出扩展方案、训练模型并撰写论文。该系统在Mip-NeRF 360和LLFF数据集上，其生成的论文在PSNR指标上比复现目标高出+0.18至+3.78 dB，包括在天文摄影星云渲染上取得的+3.78 dB提升。

OpenVLHarness: 基于多模态记忆的真实世界视觉智能体工具使用

研究者提出OpenVLHarness框架，结合能力层和持久多模态记忆，在22个基准测试上提升9.7-12.6分，相比无工具基线显著提高性能，同时降低模型token成本最多37%。

Answering in the User's Variety: Calibrated Accommodation Pairs for Post-Training

研究发现，主流模型在微调和偏好优化后仍倾向于标准化回复，对非标准英语方言匹配不足。作者提出校准适配对（CAP）数据集，能在保持标准英语用户回复质量的同时提升方言匹配能力，且不影响指令遵循效果。

Ask to Distill：学习合成用于同策略蒸馏的数据

Ask-to-Distill 框架通过优化合成问题提升同策略蒸馏性能，在数学推理、代码生成和智能体任务中优于未优化的学生生成提示和KL过滤的真实问题，匹配或超过真实数据集表现。该方法利用教师-学生分歧和概率质量分布作为奖励信号，无需正确答案或候选学生更新。

TextRIRO：基于真实数据的场景文本编辑方法

TextRIRO 通过破坏原始图像构建自配对训练数据，结合字符列打乱与图像裁剪方法，在真实场景文本编辑任务中实现高精度与视觉真实性，并构建 TextRIRO-3M 数据集提升下游文本识别准确率。

Agent4Sci：前沿智能体能否在科学领域实现突破性进展

研究团队提出Agent4Sci测试平台，评估前沿智能体在20个科学ML基准上的表现。Claude Opus平均提升10.4%，但进步主要来自ML工程技巧而非研究洞察。通过添加轻量级插件技能，Claude Opus性能提升至20.1%，表明智能体在科学领域仍有巨大改进空间。代码和数据已在GitHub和Hugging Face开源。

AI 研究团队自主发现线性注意力架构

研究团队构建多学科 AI 研究员，通过自适应分配实验预算，在 1.3B 规模下超越 GDN2，语言建模与推理任务表现更优。移除任一组织组件均导致发现能力显著下降。

分层稀疏注意力：在极端稀疏度下减少稀疏到密集的差距

研究人员提出分层稀疏注意力(SSA)框架，结合确定性检索和分数引导采样，在保持高稀疏度的同时显著提升长上下文推理性能。在RULER-HARD测试中，Ministral-3-8B模型在32K和128K上下文长度下，50倍稀疏度下准确率分别从81.8%提升至84.2%和从63.8%提升至69.3%，恢复密集注意力性能的94%和85%。优化后的CUDA内核实现1M上下文下近3倍解码加速。

DiffResearch: 使用扩散语言模型加速深度研究

研究团队提出DiffResearch框架，将扩散语言模型(dLLM)应用于深度研究各阶段，相比自回归模型实现约6倍端到端速度提升。dFast模式通过读取去噪中间状态提取子查询，实现1.99倍中位数加速且不降低报告质量。该框架已开源并采用Apache-2.0许可证。

扩散语言模型在不同任务和语言中的速度变化分析

研究发现扩散语言模型生成相同长度输出的计算成本差异显著，任务类型和语言特性是关键影响因素。DiffusionGemma 在故事写作中每个 token 的前向传递次数是语法纠错的 3 倍以上，多语言生成中高 token 化语言成本更高。错误答案的推理成本高于正确答案，按解码速度加权候选答案可提升准确率 4.2 分。

TEAL：无监督工具进化提升数据湖分析 Coding Agent 性能

TEAL 通过 Explorer 和 Critic 两个 Agent 无监督进化工具库，在 KramaBench 和 LakeQA 上提升 Sonnet-5 性能，15 步预算下分别提高 9.3 和 21.7 分。合成问题 TEAL-Q 效果接近真实问题，20 步进化工具在 30 步部署中得 68.3 分，优于基线 59.6 分。

语言模型在任务组合下的脆弱性研究：隐式预算机制分析

研究发现语言模型在组合任务中错误率显著高于单任务，即使上下文窗口充足仍因隐式预算减少每任务 token 使用量。Claude Opus 5 和开源模型均显示，需长推理链的任务在组合时更脆弱，但按脆弱性分组可降低 43% token 消耗且保持准确率。

VerifierBench: 评测 LLM Agent 可执行验证器生成的基准测试

VerifierBench 包含 222 项任务和 4,993 个隐藏测试案例，覆盖工具调用、状态和代码验证场景。19 个模型的标准化平衡准确率在 10.6 至 62.1 之间，验证器对无效解决方案的拒绝可靠性高于对有效解决方案的接受。项目页面和数据集已公开。

GRSE：多智能体团队中基于组相对技能演化的信用分配方法

GRSE 通过对比同一技能库下的多次执行结果，为智能体-技能对分配信用，在 HotpotQA 和 LoCoMo 上超越 MASkills，多跳问题 F1 分数最高提升 6.7。该方法能正确识别有害技能并恢复纯净库性能，提升检索准确性且技能可跨任务迁移。

PVBench：通过物体级物理测量量化视频生成中的物理合理性

研究团队发布PVBench基准，通过46个维度评估视频生成的物理合理性，涵盖几何、动力学、守恒定律等七个领域，包含600个提示词，30%涉及物理智能体。该基准结合专业视觉模型进行可验证的物理测量，并验证了自动指标与人类判断的一致性。

视觉语言模型的规模限制：逆规模效应研究

研究系统评估了19个来自四个不同模型家族的视觉语言模型，发现模型规模增大并不总是带来性能提升，在多图像空间推理、视觉感知和大学级STEM知识等领域存在逆规模效应，准确度差距最高超过20个百分点。

ATEST：自适应资源感知的 LLM 推理时扩展框架

ATEST 通过联合评估额外样本的预期值和当前 GPU 成本，实现动态推理时扩展。在 Phi-3-mini 和 Qwen2.5-3B 测试中，ATEST-Online 在高负载下将 GSM8K 准确率提升至 60.0%，且无任务延迟，同时比 ATEST-Calibrated 节省 42 倍 GPU 时间和 48 倍能耗。

SPARC: 口语档案作者识别语料库

研究者推出 SPARC 语料库，包含 1.25 万名说话者、150 万条高质量语音转录文本，并标注性别、年龄和口音标签。评估显示 LLM 可仅通过文本区分同一说话者，且在性别和口音标签验证中表现优于随机水平。仅发布 50 词短文本可显著降低最强模型的识别能力。

Hinton发表首篇RSI论文探讨AI研发自动化与智能爆炸

Hinton等人发表《What if automating AI R&D triggers an intelligence explosion?》论文，探讨AI参与研发下一代AI可能引发的智能爆炸现象。