DeOverlay: 视频叠加层移除基准与源锚定流程
DeOverlay 提出源锚定流程模型，通过区域加权流匹配和可见性归一化时间聚合重建视频，在 DVTE-Bench 上超越四个基线，Mask LPIPS 和 Mask VFID 分别降低 58.3% 和 70.3%。该基准包含 1,631 对视频，覆盖八类文本叠加层。
全部科技财经动态
HuggingFace Daily PapersAI 评分4040 HuggingFace Daily Papers精选AI 评分6565 HarnessPro: 使用帕累托优化进行递归自改进以平衡性能与成本
HarnessPro 是一种无需标签的方法，通过递归自改进优化智能体(harness)性能并降低执行成本。该方法使用LLM生成的测试评估候选harness，提供三种不同性能-成本优先级的版本。实验显示，在多个基准测试中，HarnessPro的重型模式相比RHO方法平均通过率提升2.0个百分点，同时每任务成本降低26.1%。
推荐理由：通过递归自改进和帕累托优化，HarnessPro 在提升任务性能的同时降低执行成本，为智能体开发提供了新思路。
HuggingFace Daily PapersAI 评分3535 RoAR-VAE: 通过鲁棒预测提升潜在扩散性
RoAR-VAE 通过鲁棒预测原则改进潜在扩散性，在相同训练预算下平均生成基准性能超越最强基线 tokenizer 2.19 分，小文本重建精度较 FLUX.1-VAE 提高 16.93 个百分点。该模型结合 RobustAlign 和 RobustRecon 两个目标，平衡了重建保真度与下游生成可学习性。
财联社电报AI 评分2525 欧洲XFEL刷新阿秒硬X射线脉冲强度世界纪录
欧洲X射线自由电子激光装置（XFEL）制造出峰值强度超1020瓦/平方厘米的硬X射线闪光，刷新阿秒硬X射线脉冲强度世界纪录。该成果由日本东京大学、德国电子同步加速器研究中心等机构科学家实现，发表于《光学》杂志。
HuggingFace Daily PapersAI 评分3535 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。
HuggingFace Daily PapersAI 评分4040 Code2Video-Compass: 通用代码生成视频评测基准
Code2Video-Compass 发布，涵盖 T2V/I2V/V2V 三类视频生成，包含 2,104 项任务和 17 项评测指标。评测显示 15 个 MLLM 在高复杂度任务中表现下降，需提升视频质量与指令对齐能力。
HuggingFace Daily PapersAI 评分4040 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。
HuggingFace Daily PapersAI 评分4545 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。
HuggingFace Daily Papers精选AI 评分6565 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。
推荐理由：Agent4Sci测试显示前沿智能体在科学ML基准上平均提升10.4%，但进步主要来自工程技巧而非研究洞察，揭示当前智能体在科学发现中的真实能力边界。
HuggingFace Daily PapersAI 评分4545 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。
HuggingFace Daily Papers精选AI 评分6565 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。
推荐理由：分层稀疏注意力在极端稀疏度下接近密集注意力性能，同时实现近3倍解码加速，为长上下文推理提供新思路。
HuggingFace Daily PapersAI 评分3535 Meta Expert: 跨层专家共享提升 MoE 存储与检索效率
研究提出跨层共享的 Meta Expert 替代传统分层 Local Expert，在激活数量和专家粒度固定时，仅用 70-80% 专家即可匹配普通 MoE 性能，同时降低参数冗余和交叉熵损失，提升下游任务准确率。
HuggingFace Daily PapersAI 评分4545 七个开源强化学习训练框架对论文方法的纳入与审查
研究追踪七个开源框架的提交历史，发现1598篇提出通用RL训练方法的论文中仅37篇被至少一个框架纳入。被纳入论文更常训练30B参数以上策略（41% vs 10%），且更常修改现有损失函数中的系数、裁剪或权重（29% vs 9%）。框架公开讨论显示多数未被纳入的方法缺乏相关讨论，用户很少公开报告训练失败。
HuggingFace Daily PapersAI 评分4545 扩散语言模型智能体间的隐藏消息：潜在通信的因果证据
扩散语言模型智能体通过连续状态传递隐藏消息，接收方利用消息内容影响任务表现。在 Tiny-A2D 和 Dream-7B 任务中，移除消息导致性能下降 63.6 和 100.0 点，错误消息使 QASC 准确率从 80.8% 降至 46.8%。单次晚时间传输达 87.8%，优于四次交换。
HuggingFace Daily PapersAI 评分4040 RLSplat: 资源线性预算控制的前馈 3D Gaussian Splatting
RLSplat 提出资源线性预算控制的前馈 3D Gaussian Splatting 框架，其表示大小、推理延迟和峰值内存随高斯预算减少线性下降。零样本评估显示，RLSplat 在各预算下均优于现有方法，低预算时运行速度提升 4.1 倍，峰值内存减少 9.6 倍，且仅需 1/4 高斯数量即可超越最强基线。
HuggingFace Daily PapersAI 评分4545 Qwen-Audio-3.1-ASR 技术报告
Qwen-Audio-3.1-ASR 是基于 Qwen-Audio-3.0-ASR 的音频语言模型家族，支持 30 种语言和 16 种中文方言，新增说话人分段转录和通用音频理解能力。该模型提供异步文件转录、低延迟流式传输等部署变体，并在传统 ASR、多语言及方言语音等任务中通过评测验证性能。
HuggingFace Daily PapersAI 评分4040 Policy-Mask: 预算感知的扩散特征判别任务自适应方法
Policy-Mask 通过联合优化时间步、网络块和通道选择，在 ADE20K 上实现 38.9 mIoU，CIFAR-100 达 75.4% top-1 准确率。该方法在 256 通道时取得最佳性能，适用于扩散模型和扩散 transformers。
HuggingFace Daily Papers精选AI 评分6565 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。
推荐理由：扩散模型在深度研究中实现6倍速度提升，dFast模式进一步加速分解过程，为交互式研究系统提供新路径。
HuggingFace Daily PapersAI 评分4040 StyleStream 2.0: 快速可控的流式语音风格转换
StyleStream 2.0 将端到端延迟降至 520ms，较前代提升 2 倍速度，同时保持转换质量。该模型通过紧凑的风格嵌入和文本条件流匹配模型，支持基于文本的语音设计和指令式语音编辑。实验显示其在目标风格保真度上达到最优，同时保持可懂度和未编辑属性保真度竞争力。
HuggingFace Daily PapersAI 评分3535 Bridged Self-Distillation 用于在线学习的统一框架
研究提出 Bridged Self-Distillation (BSD)，通过外部教师生成推理轨迹，学生模型在无上下文时生成输出，并由自身副本进行评分，实现对不同教师场景的统一蒸馏。BSD 在共享词表、跨词表和闭源 API 教师场景中均优于基线模型，提供了一种新颖的蒸馏路径。代码已开源。
HuggingFace Daily PapersAI 评分4040 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。
HuggingFace Daily PapersAI 评分4545 VideoMaMa++: 通过保留和精炼实现时间一致视频抠图
VideoMaMa++ 提出基于扩散模型的视频抠图框架，通过保留和精炼 token 实现跨块边界的时间一致性，在长视频中优于现有方法。该框架采用双流 token 交互和滑动窗口推理，在标准基准和真实长片段中均提升细节准确性和时间一致性。
HuggingFace Daily PapersAI 评分5555 MMedAgent-Plus: 跨模态、任务和工作流的多模态医疗智能体扩展研究
研究团队提出MMedAgent-Plus，一种结合视觉语言规划器与18个领先专家模型的多模态医疗工具使用智能体，覆盖12个任务和8种模态。该智能体在单工具多轮、多工具多轮和多工具单轮设置中分别达到91.0%、98.1%和80.7%的工具调用准确率，最终答案准确率达0.98，匹配专用领先专家模型并超越最强基线(0.28)。
HuggingFace Daily PapersAI 评分4545 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。
HuggingFace Daily PapersAI 评分4040 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。
HuggingFace Daily PapersAI 评分4545 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。
HuggingFace Daily PapersAI 评分4545 OpenDS-World：真实开放网络环境下的深度搜索评测基准
OpenDS-World 基准包含 200 项多模态任务，评测 12 个前沿模型在真实网络环境中的深度搜索能力，最佳模型准确率达 39.0%，人类评估为 21.1%。该基准通过独立人工验证确保证据有效性和答案唯一性，揭示模型在工具协调和长程搜索管理上的持续挑战。
HuggingFace Daily Papers精选AI 评分7070 相同模拟，不同证据：检索工具输出如何影响LLM智能体的准确性
研究显示，当LLM智能体通过检索而非上下文读取PHREEQC地质化学模拟器的报告时，GPT-5.1和GPT-5.2的准确性分别下降11.3和7.9个百分点，而Claude Opus 4.6和Claude Sonnet 4.6未受影响。GPT模型在检索时经常跳过报告，从自己的高精度输出文件中回答并错误舍入到相邻选项，这种证据替代错误是准确率下降的主要原因。
推荐理由：当LLM智能体通过检索而非上下文读取工具输出时，GPT模型出现明显的证据替代错误，而Claude模型不受影响，揭示了不同模型在证据处理上的关键差异。
HuggingFace Daily PapersAI 评分3535 SEAM：低资源 TTS 的频谱嵌入对齐与合并方法
SEAM 提出零音频初始化方法，通过频谱滤波和岭回归构建未见词元的嵌入向量，在三种语言和两种 TTS 架构中，仅需四分之一训练数据即可接近或匹配基线性能，降低样本复杂度 75%。
HuggingFace Daily PapersAI 评分4040 Heartbeat Thinking：实时语音代理中的推测推理与工具执行
Heartbeat Thinking 通过周期性调用处理语音更新，允许正在进行的推理和工具调用完成，在 SpeechFCEval、FDBench v3 和 AudioCRAG 基准测试中提升工具覆盖率，FDBench v3 上工具覆盖率提高 16 个百分点，最终响应延迟降低 36.4%。
HuggingFace Daily PapersAI 评分3535 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。
HuggingFace Daily PapersAI 评分4545 SpecKCast：基于谱卡尔曼预测的扩散模型加速方法
SpecKCast 通过频域预测实现扩散模型加速，在 FLUX.1-dev、Qwen-Image 等模型上达到 6 倍速度提升，仅需额外 0.05 GiB 内存。该方法使用 2D 离散余弦变换和卡尔曼滤波跟踪特征系数，仅在预测不确定性超过阈值时重新计算模型输出。
HuggingFace Daily PapersAI 评分5555 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。
HuggingFace Daily PapersAI 评分4545 HarnessRL: 通过即时训练支架协同进化开放强化学习策略
HarnessRL 引入训练时支架，通过任务采样、rollout 指导和评分标准三个接口协同进化策略，解决开放强化学习中奖励失效问题。在 Rubric-Mix-10k 基准上，HarnessRL 在 4B 和 9B 模型规模上超越最强基线 2.8-3.1 分，并将训练步数减半至最佳检查点。代码与数据已开源。
HuggingFace Daily PapersAI 评分3535 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。
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 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。