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。
#开源/仓库
Hugging Face BlogAI 评分4040
HuggingFace Daily PapersAI 评分4545 检索增强生成组合性研究
研究发现 RAG 技术单独优化与组合效果差异显著，450 组配置测试显示组合增益仅 17%，远低于预期的 47%；最佳组合随语料库规模变化，小语料最优方案在大规模时失效。LASAGNA 开源框架支持此类评估。
HuggingFace Daily Papers精选AI 评分7575 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。
推荐理由：SplatLab 将科研周期从数月压缩至数天，通过可验证的实验流程和自动生成的论文，实现了3D高斯溅射研究的自主发现。
HuggingFace Daily Papers精选AI 评分7575 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%。
推荐理由：通过工具使用和持久多模态记忆提升视觉推理，9.7-12.6分的提升证明外部知识整合的价值。
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4040 PRISM: 基于特权同胞引导的多智能体拓扑设计
PRISM 通过学习特权信息改进多智能体系统拓扑设计，在六项基准测试中超越所有基线模型。该方法利用教师模型读取同胞图生成每查询偏好信号，避免拓扑生成器向高频图漂移。代码已开源。