StreamingSwap：基于身份感知监督与上下文高效生成的实时视频换脸框架
StreamingSwap 实现单卡 RTX 4090 上 20 FPS 的实时视频换脸，支持长达 10 分钟的稳定生成。该方法通过联合身份监督损失和短上下文训练优化身份转移与视觉质量，并发布包含 1000 小时训练数据的 HumanFaceVid 数据集。
#论文/研究
HuggingFace Daily PapersAI 评分3535 HuggingFace Daily PapersAI 评分4040 TRACE 框架实现住院风险预测多模态轨迹建模
TRACE 框架通过日级轨迹建模整合 EHR 数据、胸片和临床文本，在 MIMIC-IV 等 18 万住院样本的死亡率、住院时长和再入院预测中，九项任务均达最高 AUROC，八项任务最高 ACC。
HuggingFace Daily PapersAI 评分3535 EMBER：无需对接复合物的 TCR-pMHC 结合预测框架
EMBER 提出一种基于结构的 TCR-pMHC 结合预测框架，无需对接复合物即可消除预测中的放置误差。该方法独立折叠 TCR 和 pMHC，编码为 SE(3)-不变残差图并比较表示，计算复杂度从 O(NM) 降至 O(N+M)。在六项基线对比中，EMBER 在 micro-AUROC、micro-AUPRC 和 MCC 指标上领先 0.9-25.3%，且跨折叠工具排名稳定性提升最高达 85%。
HuggingFace Daily PapersAI 评分4545 PhysSkin++: 基于自监督神经蒙皮实现实时通用物理动画
PhysSkin++ 通过自监督神经蒙皮场学习连续变形子空间，支持跨形状泛化、实时简化模拟及网格/点云/3D高斯绑定，可控制碰撞感知动画并补充弹性响应。
HuggingFace Daily Papers精选AI 评分6565 Focused Omni-Modal GUI Agents 论文发布
研究团队提出 FocusGUI，一种轻量级适配器，能动态优先处理多模态输入，解决GUI智能体中的连续注意力分散问题。在四种多模态骨干模型上，平均将类型匹配度提高33.2，精确匹配度提高3.0倍，比现有最佳增强方法提高30.1。
推荐理由：FocusGUI 通过动态优先处理多模态输入，解决了GUI智能体中的连续注意力分散问题，显著提升了任务匹配度。
HuggingFace Daily PapersAI 评分4545 Draft Refinement Language Models (DRLMs) 提出并行推理新方法
DRLMs 使用单一去噪器并行生成和评估草稿，在 Countdown-5 达 44.4%、Sudoku-Extreme 达 93.9%，性能超越自回归和离散扩散基线模型。该方法通过单次前向传播计算空腔能量，无需额外评分模型即可完成复杂推理。
HuggingFace Daily Papers精选AI 评分7575 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。
推荐理由：研究揭示了视觉语言模型在特定任务上存在逆规模效应，挑战了模型越大越好的普遍假设。
HuggingFace Daily Papers精选AI 评分7575 SpatialScout: VLM 智能体能主动探索并映射 3D 场景吗？
研究团队提出 SpatialScout 基准，用于评估视觉语言模型智能体在主动物体级 3D 映射上的能力。该基准包含 80 个多样化室内场景和 3,140 个目标物体，要求智能体控制相机探索场景并估计物体中心坐标。
推荐理由：SpatialScout 揭示了当前 VLM 智能体在主动探索和构建精确 3D 地图上的显著差距，最高分模型仅 41.71%，为具身智能研究提供了新基准。
钛媒体精选AI 评分8080 数学的“第四次危机”：从不可说，到无可说
杨健教授系统梳理了数学历史上的四次危机，分析了AI对数学本质的挑战与影响。文章指出，当前AI在数学领域的应用引发了关于证明定义、可理解性和数学本质的深刻讨论，数学家担忧AI可能改变数学的人文本质，但也认为AI可能降低数学门槛，促进数学发展。
推荐理由：文章系统梳理了数学四次危机，分析了AI对数学本质的挑战与影响。
IT之家AI 评分3535 神二十三乘组完成新一批太空水稻样品采集播种
神舟二十三号乘组完成新一批太空水稻实验样品采集、播种及存储工作，样品将随返回舱下行分析。2022年神舟十四号收获59粒第一代太空水稻种子，今年5月神舟二十三号携带普通种子及第三代太空种子入轨。当前正值第一季太空水稻收割期，航天员已完成二代繁育。
HuggingFace Daily PapersAI 评分4545 CoworkEnv: 合成 AI 协作者长时程训练环境
研究者提出 CoworkEnv 框架，用于合成 AI 协作者的训练环境。该框架通过工作流要求构建任务，并生成监督微调（SFT）演示和强化学习（RL）数据。使用该框架训练的 PocketWorker 模型在 Claw-Eval 上的平均分从 46.6 提升至 64.1，多轮任务得分提升 31.9 分。
HuggingFace Daily PapersAI 评分4545 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。
HuggingFace Daily Papers精选AI 评分6565 BiDex-100: 双灵巧手操作综合基准
研究人员发布BiDex-100基准，包含106项双灵巧手操作任务，覆盖泛化、指令跟随、有限演示、长时程和记忆五个能力维度。该基准支持两种 embodiment，提供8,080个成功验证的远程操作演示，总计625万帧。研究团队评估了七种最新的视觉-语言-动作模型，建立了针对特定能力、鲁棒性和数据效率的基线。
推荐理由：覆盖106项任务的双灵巧手基准填补了行业空白，接下来看各家模型在长时程记忆和泛化能力上的真实表现。
HuggingFace Daily Papers精选AI 评分6565 策略而非能力：安全评测衡量的是训练中采用的'不安全'定义
研究发现安全评测分数可能取决于训练标签定义而非模型能力，相同架构的十个模型在相同评测上得分差异高达23倍，微调0.03%参数就能让评测结果跨越整个区间。研究建议安全评测应报告污染度、种子下限和评测所依据的定义。
推荐理由：安全评测分数可能取决于训练标签定义而非模型能力，微调0.03%参数就能让评测结果跨越整个区间。
HuggingFace Daily PapersAI 评分3535 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。
HuggingFace Daily Papers精选AI 评分7575 Épi：迈向自主研究的持久自我改进智能体
研究人员提出Épi，一个能够跨模型会话持续研究并通过积累经验改进方法的自主研究智能体。Épi结合持久研究历史、分层记忆、分支和独立审查机制，维持研究连续性并从实验中学习。
推荐理由：Épi智能体通过跨会话持续研究创造了120项记录，展示了AI自主研究能力的新高度。
HuggingFace Daily PapersAI 评分4545 Deep Fusion Memory: 大语言模型的块级参数化记忆架构
Deep Fusion Memory (DFM) 是一种参数化记忆架构，通过块级记忆预测和门控交叉注意力将知识融入中间隐藏状态，无需显式检索。相比现有方法，DFM 构建训练数据的检索查询量减少 32 倍，检索项减少 2048 倍。在六项 QA 任务中，DFM 在 Mistral-7B-v0.3 和 Qwen3-8B-Base 上分别超越最强基线 12.71% 和 11.19%。
HuggingFace Daily PapersAI 评分4545 FineSplat: 细分图像块与局部分组的高效3D高斯飞溅框架
FineSplat 通过细分图像块和双分组策略提升3D高斯飞溅的细节重建能力，在相同或更少高斯数量下实现SOTA效果。该框架结合视图分组与3D空间分组优化多视图交互，并利用重建误差反馈增强精细结构与外观恢复。
HuggingFace Daily PapersAI 评分3535 Legal Guidance in the Wild: 用户如何在真实 LLM 对话中寻求法律帮助
研究人员通过分析 2,122 个 WildChat-1M 对话，发现 71.1% 含法律内容的对话寻求个性化或实用指导，其中权利与建议类请求最常见，25.3% 的指导对话涉及多个法律主题。团队发布包含人工标注数据集和 ModernBERT 模型评估框架，支持大规模法律指导研究。
HuggingFace Daily PapersAI 评分4040 Painting Change Map 作为绘画过程生成的时空控制机制
研究提出 Painting Change Map，通过跟踪 1000 个时间步的结构变化，实现对绘画/反绘画过程的细粒度时空控制。该方法在基准测试中超越现有控制基线，与 SOTA 绘画方法性能相当或更优，代码已开源。
HuggingFace Daily PapersAI 评分4545 CoEvo-RSI: 模型-工具协同进化框架解决智能体脑体不匹配问题
CoEvo-RSI 通过双向历史继承优化模型-工具协同进化，仅用监督微调使 Qwen3.5-9B 在多智能体故障归因等任务上媲美更大模型。该框架在 TraceElephant 上超越 DeepSeek-V4-Pro（agent 准确率 +14.16），在 HomeBench VM 上超越 GLM-5.3（成功率 +4.90）。
HuggingFace Daily Papers精选AI 评分6565 AffordanceWAM: 面向机器人操作的可 affordance 感知联合世界-动作建模
研究人员提出 AffordanceWAM，一种可 affordance 感知的生成式世界-动作模型，通过标量 affordance 和 affordance 热图表示物体中心的时空 affordance。
推荐理由：通过可 affordance 表示法连接人类与机器人视频数据，实现了无需人类动作标签的跨模态迁移学习。
HuggingFace Daily PapersAI 评分3535 MT Forcing：基于自回归扩散的多轮图像编辑新训练范式
研究团队提出 MT Forcing 方法，通过 Single-Turn DMD 和 Teacher-Forcing Guidance 解决多轮图像编辑中的质量漂移和内容一致性问题，显著提升统一多模态模型的跨轮次稳定性。该方法在自回归扩散框架下避免了递归误差累积，实验证明其能保持视觉质量与内容一致性。
HuggingFace Daily Papers精选AI 评分7575 Vision as Proprioception: Estimating Humanoid Robot Pose from Video
研究人员提出HumanoidPose框架，通过视频单独估计人形机器人的全身关节配置，结合预训练人体姿态特征与机器人运动学，将人体动作重定向到16种不同人形机器人上，并在三个真实人形平台上将关节角度误差降低了18-32%。
推荐理由：将视觉作为本体感觉来估计人形机器人姿态，解决了在线视频缺乏关节配置的问题，提升了跨平台泛化能力。
HuggingFace Daily PapersAI 评分3535 JEPA 潜在世界模型可解释性研究提出四阶段框架
研究提出 JEPA 潜在世界模型可解释性需从解码表征转向理解变量交互与因果驱动，规划 Ground、Structure、Verify、Act 四阶段研究议程。现有工作仅初步验证 Ground 阶段，潜在结构分析、因果验证与干预仍待探索。该框架旨在推动可操作潜在世界理解，从表征解码转向世界建模、验证与行动。
HuggingFace Daily PapersAI 评分4545 PhysLDM: 高保真可变形仿真的潜在扩散模型
PhysLDM 提出统一的潜在扩散范式，实现米级场景下78倍token压缩与2.48mm重建精度。该模型通过时空VAE避免阶梯伪影，并发现扩散模型比确定性回归更适合处理混沌的可变形动力学数据。训练后可零泛化到未见OOD数据集，支持逆问题求解与高阶设计优化。
HuggingFace Daily Papers精选AI 评分6565 StopLoss：教会智能体预测失败并提前终止
研究人员提出StopLoss，一种小型外部监控器，通过学习已完成轨迹及其验证结果来识别失败。该系统在SWE-bench Verified和Pro子集上测试，相比六种通用判断器，每次检查成本低一到两个数量级，同时保留99%的成功运行，在Pro子集上可降低成本高达31%。
推荐理由：通过学习失败轨迹识别，StopLoss让智能体提前终止无效任务，成本降低一个数量级。
HuggingFace Daily PapersAI 评分4545 视频推理分割中的时空链式视频原语方法
研究提出 TCoVP 方法，通过时空链式视频原语解决视频推理分割中的视觉参考缺口，在五个 VRS 基准测试中验证性能，模型与代码将开源。
HuggingFace Daily Papers精选AI 评分6565 VLA-Rolling: 通过自适应动作重用实现更少去噪步骤和更好控制
研究人员提出 VLA-Rolling 框架，通过重用动作尾部减少去噪步骤，在 LIBERO、MetaWorld 等基准测试上实现了最高 1.48 倍加速和 15.08 个百分点的成功率提升。
推荐理由：通过重用被丢弃的动作尾部，VLA-Rolling 实现了更高效的推理，在降低计算成本的同时提高了成功率。
HuggingFace Daily Papers精选AI 评分6565 TILDE：从具身基础模型进行教师循环蒸馏
研究人员提出TILDE方法，通过结合学生诱导状态下的在线蒸馏和教师执行恢复轨迹学习，将具身基础模型的能力迁移到无需动作预训练的策略中。该方法还包含AutoDAgger自主数据聚合管道，利用机器人奖励模型监控任务进度并触发教师干预，相比人工监控方法加速恢复轨迹收集超过2倍。在三个真实世界任务中，TILDE相比行为克隆将任务性能提高了最高4.1倍，并支持有效的跨架构蒸馏。
推荐理由：TILDE通过教师模型与自主数据收集的结合，将具身基础模型的能力迁移到无需动作预训练的策略中，解决了机器人数据收集效率问题。
arXiv · cs.RO精选AI 评分7575 DiPLO: 自蒸馏扩散规划用于人形机器人 locomotion 操作
研究人员提出 DiPLO 框架，结合自蒸馏扩散规划器与低级别全身跟踪策略，解决了人形机器人 locomotion 操作的协调难题。该框架通过 SD:DPO 移除规划器对强任务条件的依赖，再使用 DA:PPO 微调模型，在拾取-携带-放置任务中实现99%的任务成功率，并在宇树 G1 机器人上成功部署。
推荐理由：通过自蒸馏扩散规划与全身跟踪策略结合，解决了人形机器人 locomotion 操作难题，实现99%任务成功率。
arXiv · cs.ROAI 评分4545 火星车无预设机动策略的松散土壤脱陷方法
研究提出一种循环策略，在连续介质点法模拟器中实现火星车松散土壤脱陷，平均脱陷率达62.5%，优于预设控制器的7/32。该策略基于81,771个训练窗口的陷坑检测器，在五种训练种子下验证，物理转移尚未验证。
arXiv · cs.RO精选AI 评分6565 SARAM：面向机器人终身学习的稀疏适配器分配与复用合并方法
SARAM提出了一种终身学习框架，通过复用冻结适配器和仅在选定层引入新适配器，限制存储增长同时保持GPU内存和推理成本与任务流长度无关。在四个LIBERO套件中，SARAM匹配或超过基于适配器的方法，同时每个任务减少最多4.5倍的磁盘状态。在真实UR5机械臂上的实验进一步验证了其在顺序任务流中的保留能力。
推荐理由：通过复用和稀疏分配适配器，SARAM解决了机器人终身学习中存储和部署成本随任务增长的问题。
arXiv · cs.ROAI 评分4545 视觉语言模型成功监控中的覆盖偏移研究
研究发现，机器人策略改进后，视觉语言模型对失败案例的监控敏感性反而降低。在20次托盘放置实验中，成功率从66.8%升至97.0%，但剩余悬停失败被接受的比例从31.1%升至50.0%，这些失败多发生在托盘边缘下方，可能被遮挡。该现象被称为"覆盖偏移"，表明任务改进与失败可检测性并非同步提升。
arXiv · cs.RO精选AI 评分6565 学习结构化运动参考以实现基于优化的全身控制
该研究提出了一种分层控制器，其中强化学习适应结构化运动参考，而步态调度器、反应性步态规划器和全身冲量控制器负责高频执行。在六方向干扰课程训练下，该控制器在测试干扰网格中达到77.29%的平均生存率，比基于模型的参考控制器高出27个百分点。
推荐理由：通过分层控制将强化学习与优化控制结合，四足机器人抗干扰生存率提升27个百分点。
arXiv · cs.RO精选AI 评分6565 EndoVLA-OOV：机器人内窥镜中语言条件下的视野外目标获取
研究人员提出EndoVLA-OOV，一种用于机器人内窥镜视野外目标获取的语言条件视觉-语言-动作策略。该策略在跨 embodiment 评估中达到93.3%的目标获取成功率，数据集从312扩展到1050个片段后，成功率从40.0%提升到90.0%。研究团队提供了包含约262k观测-动作对的开源VLA数据集。
推荐理由：语言条件下的视野外目标获取在机器人内窥镜中实现93.3%成功率，展示了语言引导与任务演示扩展的价值。
arXiv · cs.ROAI 评分5555 视觉-语言-动作模型的关系空间对齐
Chaoran Zhu提出了一种关系空间对齐方法，用于解决视觉-语言-动作(VLA)模型中直接对齐3D基础模型导致的特征坍缩问题。该方法通过关注点对关系而非点对点对齐，有效将3D空间理解注入VLA模型，在公共基准、新空间推理基准和实际操作场景中均表现出鲁棒性能和增强的空间感知能力。
arXiv · cs.RO精选AI 评分7070 Action-Aligned Latent Planning for Versatile Humanoid Loco-Manipulation
研究人员提出FIBER框架，使用冻结行为基础模型的潜在空间作为人形机器人多样化操作的共享规划表示。在模拟和真实Unitree G1人形机器人上的实验表明，该框架在箱体拾取、门开启和物体抓取任务中取得了42.0%的平均成功率，显著优于传统运动学规划方法。
推荐理由：通过冻结行为基础模型的潜在空间实现多样化人形机器人操作，成功将多种技能整合为统一规划器。
arXiv · cs.ROAI 评分5555 深度损坏下的3D操作策略噪声不变空间编码
Zhiyuan Yang提出NISE方法，解决RGB-D传感器在透明、反射物体上产生的深度测量问题。该方法通过几何交叉视图自监督和高斯边际化3D注意力，在保持清洁深度性能的同时，显著提升深度噪声鲁棒性，适用于真实机器人任务。
IT之家AI 评分6565 OpenAI 纳维-斯托克斯方程证明方法被指与官方叙事不符
OpenAI今年9月公布了一份长达166页的纳维-斯托克斯方程相关证明，称其内部AI系统在约88小时内完成了这一千禧年难题的求解。随着数学界进一步审查，研究人员对证明采用的方法、与已有研究的关系，以及大规模AI智能体的实际贡献提出质疑。数学家指出OpenAI的证明细节与西班牙数学家此前提出的方法呈现不同路线，可能并未完全理解模型究竟干了什么。