HuggingFace 每日AI论文速递

duan

每天10分钟，带您快速了解当日HuggingFace热门AI论文内容。每个工作日更新，欢迎订阅。 📢播客节目在小宇宙、Apple Podcast平台搜索【HuggingFace 每日AI论文速递】 🖼另外还有图文版，可在小红书搜索并关注【AI速递】

  1. 3 HR AGO

    2025.09.29 | 实时长视频边聊边播；分位数基线稳控推理熵

    本期的 15 篇论文如下： [00:20] 🎬 LongLive: Real-time Interactive Long Video Generation（LongLive：实时交互式长视频生成框架） [00:56] 🎯 Quantile Advantage Estimation for Entropy-Safe Reasoning（用于熵安全推理的分位数优势估计） [01:34] 📄 MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing（MinerU2.5：面向高效高分辨率文档解析的解耦视觉-语言模型） [02:11] 🧠 EPO: Entropy-regularized Policy Optimization for LLM Agents Reinforcement Learning（EPO：面向LLM智能体强化学习的熵正则策略优化） [03:08] 🧠 Variational Reasoning for Language Models（语言模型的变分推理框架） [03:37] 💬 Language Models Can Learn from Verbal Feedback Without Scalar Rewards（无需标量奖励，语言模型也能从语言反馈中学习） [04:32] 🔍 ReviewScore: Misinformed Peer Review Detection with Large Language Models（ReviewScore：用大模型揪出“跑偏”的同行评审） [05:12] 🎯 CapRL: Stimulating Dense Image Caption Capabilities via Reinforcement Learning（CapRL：用强化学习激发稠密图像描述潜能） [05:49] 🪄 MesaTask: Towards Task-Driven Tabletop Scene Generation via 3D Spatial Reasoning（MesaTask：面向任务驱动的桌面场景生成与3D空间推理） [06:32] 🎯 No Prompt Left Behind: Exploiting Zero-Variance Prompts in LLM Reinforcement Learning via Entropy-Guided Advantage Shaping（零方差提示不浪费：基于熵引导优势塑造的LLM强化学习新范式） [07:14] 🗣 VoiceAssistant-Eval: Benchmarking AI Assistants across Listening, Speaking, and Viewing（VoiceAssistant-Eval：横跨听、说、看的AI助手基准测评） [07:58] 🧭 UltraHorizon: Benchmarking Agent Capabilities in Ultra Long-Horizon Scenarios（UltraHorizon：在长周期场景中评估智能体能力的基准） [08:29] 🖼 LucidFlux: Caption-Free Universal Image Restoration via a Large-Scale Diffusion Transformer（LucidFlux：无需文字描述的大规模扩散Transformer通用图像修复） [09:16] 🌐 WebGen-Agent: Enhancing Interactive Website Generation with Multi-Level Feedback and Step-Level Reinforcement Learning（WebGen-Agent：借助多级反馈与步骤级强化学习提升交互式网页生成） [09:49] 🔄 SPARK: Synergistic Policy And Reward Co-Evolving Framework（SPARK：策略与奖励协同演化的强化学习框架） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    11 min

  2. 2 DAYS AGO

    【周末特辑】9月第5周最火AI论文 | Qwen3-Omni开源称王; 锁定视觉训解码，Baseer刷新阿文OCR；

    本期的 5 篇论文如下： [00:38] TOP1(🔥116) | 📜 Baseer: A Vision-Language Model for Arabic Document-to-Markdown OCR（Baseer：面向阿拉伯文档OCR的视觉-语言模型） [02:43] TOP2(🔥113) | 🌐 Qwen3-Omni Technical Report（Qwen3-Omni技术报告：首个无性能损耗的全模态大模型） [05:23] TOP3(🔥112) | 🗺 RPG: A Repository Planning Graph for Unified and Scalable Codebase Generation（RPG：用于统一可扩展代码库生成的仓库规划图） [07:45] TOP4(🔥104) | 📈 VCRL: Variance-based Curriculum Reinforcement Learning for Large Language Models（VCRL：面向大语言模型的方差驱动课程强化学习） [10:05] TOP5(🔥89) | 🚀 LIMI: Less is More for Agency（LIMI：少即是多，打造AI智能体） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    13 min

  3. 3 DAYS AGO

    2025.09.26 | SciReasoner八项全能；MMR1模糊区炼出开源多模态

    本期的 15 篇论文如下： [00:20] 🔬 SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines（SciReasoner：跨学科夯实科学推理基石） [01:00] 🧠 MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources（MMR1：基于方差感知采样与开放资源的多模态推理增强） [01:41] 📈 VCRL: Variance-based Curriculum Reinforcement Learning for Large Language Models（VCRL：面向大语言模型的方差驱动课程强化学习） [02:26] 🌳 Tree Search for LLM Agent Reinforcement Learning（基于树搜索的大语言模型智能体强化学习） [03:06] 🖼 Seedream 4.0: Toward Next-generation Multimodal Image Generation（Seedream 4.0：面向下一代多模态图像生成） [03:40] 🎯 Hunyuan3D-Omni: A Unified Framework for Controllable Generation of 3D Assets（Hunyuan3D-Omni：统一可控3D资产生成框架） [04:29] 🤖 AutoIntent: AutoML for Text Classification（AutoIntent：面向文本分类任务的自动化机器学习框架） [05:10] ⚖ TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them（TrustJudge：LLM-as-a-Judge的评分不一致性及缓解之道） [05:43] 🎢 CE-GPPO: Controlling Entropy via Gradient-Preserving Clipping Policy Optimization in Reinforcement Learning（CE-GPPO：通过梯度保留裁剪策略优化控制强化学习中的熵） [06:30] 🖼 Does FLUX Already Know How to Perform Physically Plausible Image Composition?（FLUX已掌握物理可信图像合成？） [07:31] ✂ CHARM: Control-point-based 3D Anime Hairstyle Auto-Regressive Modeling（CHARM：基于控制点的3D动漫发型自回归建模） [08:26] 🧠 Recon-Act: A Self-Evolving Multi-Agent Browser-Use System via Web Reconnaissance, Tool Generation, and Task Execution（Recon-Act：基于网络侦察、工具生成与任务执行的自我演化多智能体浏览器操作系统） [09:12] 🎮 V-GameGym: Visual Game Generation for Code Large Language Models（V-GameGym：面向代码大模型的视觉游戏生成基准） [09:49] 🗣 Interactive Recommendation Agent with Active User Commands（支持主动用户指令的交互式推荐智能体） [10:22] 🔍 BESPOKE: Benchmark for Search-Augmented Large Language Model Personalization via Diagnostic Feedback（BESPOKE：基于诊断反馈的搜索增强大模型个性化评测基准） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    11 min

  4. 4 DAYS AGO

    2025.09.25 | 视频模型零样本全能；隐式思维链省token提效

    本期的 10 篇论文如下： [00:22] 🎥 Video models are zero-shot learners and reasoners（视频模型是零样本学习者与推理者） [01:09] 🧠 SIM-CoT: Supervised Implicit Chain-of-Thought（SIM-CoT：基于监督式隐式思维链的高效推理） [01:55] 🪶 EmbeddingGemma: Powerful and Lightweight Text Representations（EmbeddingGemma：强大而轻量的文本表征模型） [02:29] 🗣 Advancing Speech Understanding in Speech-Aware Language Models with GRPO（基于GRPO提升语音感知大模型开放域理解能力） [03:06] 🌍 LLMs4All: A Review on Large Language Models for Research and Applications in Academic Disciplines（LLMs4All：面向各学科研究与应用的通用大模型综述） [03:52] 🎬 EditVerse: Unifying Image and Video Editing and Generation with In-Context Learning（EditVerse：用上下文学习统一图像与视频编辑生成） [04:29] 🌀 Lavida-O: Elastic Large Masked Diffusion Models for Unified Multimodal Understanding and Generation（Lavida-O：弹性大掩码扩散模型统一多模态理解与生成） [05:19] 🎬 PhysCtrl: Generative Physics for Controllable and Physics-Grounded Video Generation（PhysCtrl：基于生成式物理的可控且物理真实的视频生成框架） [05:58] 📄 Logics-Parsing Technical Report（Logics-Parsing 技术报告：基于强化学习的大模型端到端文档解析） [06:44] 🤖 On the Use of Agentic Coding: An Empirical Study of Pull Requests on GitHub（关于自主编码的实证研究：GitHub上由AI代理发起的拉取请求分析） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    8 min

  5. 5 DAYS AGO

    2025.09.24 | 阿语OCR刷新指标；无标注RL涨分

    本期的 15 篇论文如下： [00:24] 📜 Baseer: A Vision-Language Model for Arabic Document-to-Markdown OCR（Baseer：面向阿拉伯文档OCR的视觉-语言模型） [00:58] 🚀 Reinforcement Learning on Pre-Training Data（基于预训练数据的强化学习） [01:37] 👁 Do You Need Proprioceptive States in Visuomotor Policies?（无需本体感觉状态的视觉-运动策略是否可行？） [02:36] 🚀 MiniCPM-V 4.5: Cooking Efficient MLLMs via Architecture, Data, and Training Recipe（MiniCPM-V 4.5：通过架构、数据与训练配方烹饪高效多模态大模型） [03:24] 🎯 MAPO: Mixed Advantage Policy Optimization（混合优势策略优化：解决GRPO中优势分配难题） [04:06] 🚀 Hyper-Bagel: A Unified Acceleration Framework for Multimodal Understanding and Generation（Hyper-Bagel：统一加速多模态理解与生成的一体化框架） [04:44] 🎯 VolSplat: Rethinking Feed-Forward 3D Gaussian Splatting with Voxel-Aligned Prediction（VolSplat：基于体素对齐预测的前馈3D高斯抛雪球重建新范式） [05:31] 🌌 Lyra: Generative 3D Scene Reconstruction via Video Diffusion Model Self-Distillation（Lyra：基于视频扩散模型自蒸馏的生成式3D场景重建） [06:08] 🧩 What Characterizes Effective Reasoning? Revisiting Length, Review, and Structure of CoT（有效推理的密码：重新审视思维链长度、回顾与结构） [06:41] 🗣 Large Language Models Discriminate Against Speakers of German Dialects（大型语言模型对德语方言使用者的歧视） [07:32] 📊 OpenGVL - Benchmarking Visual Temporal Progress for Data Curation（OpenGVL——面向数据整理的视觉时序进展评测基准） [08:19] 🪄 HyRF: Hybrid Radiance Fields for Memory-efficient and High-quality Novel View Synthesis（HyRF：混合辐射场实现内存高效且高质量的新视角合成） [09:07] 🛠 CAR-Flow: Condition-Aware Reparameterization Aligns Source and Target for Better Flow Matching（条件感知重参数化对齐源域与目标域的流匹配） [09:41] 🛰 Zero-Shot Multi-Spectral Learning: Reimagining a Generalist Multimodal Gemini 2.5 Model for Remote Sensing Applications（零样本多光谱学习：让通用多模态Gemini 2.5模型在遥感任务中重焕新生） [10:28] 🌍 VIR-Bench: Evaluating Geospatial and Temporal Understanding of MLLMs via Travel Video Itinerary Reconstruction（VIR-Bench：通过旅行视频行程重建评测多模态大模型的地理-时空理解力） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    12 min

  6. 6 DAYS AGO

    2025.09.23 | 少78条示范让AI飙73.5%；免掩膜视频插主体超Pika

    本期的 15 篇论文如下： [00:21] 🚀 LIMI: Less is More for Agency（LIMI：少即是多，打造AI智能体） [00:55] 🎬 OmniInsert: Mask-Free Video Insertion of Any Reference via Diffusion Transformer Models（无需掩膜的视频任意主体插入：基于扩散Transformer模型） [01:28] 🧩 OnePiece: Bringing Context Engineering and Reasoning to Industrial Cascade Ranking System（OnePiece：面向工业级级联排序系统的上下文工程与推理融合框架） [02:19] 🌐 Qwen3-Omni Technical Report（Qwen3-Omni技术报告：首个无性能损耗的全模态大模型） [02:55] 🎬 TempSamp-R1: Effective Temporal Sampling with Reinforcement Fine-Tuning for Video LLMs（TempSamp-R1：面向视频时序定位任务的高效离策略强化微调框架） [03:28] 📐 GeoPQA: Bridging the Visual Perception Gap in MLLMs for Geometric Reasoning（GeoPQA：弥合多模态大模型几何推理中的视觉感知鸿沟） [04:15] 🎯 DiffusionNFT: Online Diffusion Reinforcement with Forward Process（DiffusionNFT：基于前向过程在线扩散强化学习） [05:05] 🤖 ByteWrist: A Parallel Robotic Wrist Enabling Flexible and Anthropomorphic Motion for Confined Spaces（ByteWrist：面向狭窄空间的可穿戴并行机器人腕关节） [05:42] 💬 EpiCache: Episodic KV Cache Management for Long Conversational Question Answering（EpiCache：面向长对话问答的情景式KV缓存管理） [06:24] 🧠 SWE-Bench Pro: Can AI Agents Solve Long-Horizon Software Engineering Tasks?（SWE-Bench Pro：AI智能体能攻克长周期软件工程难题吗？） [07:01] 🧠 FlagEval Findings Report: A Preliminary Evaluation of Large Reasoning Models on Automatically Verifiable Textual and Visual Questions（FlagEval发现报告：大推理模型在可自动验证文本与视觉问题上的初步测评） [08:05] 🎬 VideoFrom3D: 3D Scene Video Generation via Complementary Image and Video Diffusion Models（VideoFrom3D：基于互补图像与视频扩散模型的3D场景视频生成） [08:53] 🧪 ARE: Scaling Up Agent Environments and Evaluations（ARE：扩展智能体环境与评测规模） [09:28] 🧩 QWHA: Quantization-Aware Walsh-Hadamard Adaptation for Parameter-Efficient Fine-Tuning on Large Language Models（QWHA：面向大模型量化部署的沃尔什-哈达玛参数高效微调方法） [10:17] 🔍 Analyzing the Effects of Supervised Fine-Tuning on Model Knowledge from Token and Parameter Levels（从token与参数双视角解析监督微调对模型知识的影响） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    11 min

  7. 22 SEPT

    2025.09.22 | 有向图驱动代码生成；双通道视觉统一模型

    本期的 13 篇论文如下： [00:25] 🗺 RPG: A Repository Planning Graph for Unified and Scalable Codebase Generation（RPG：用于统一可扩展代码库生成的仓库规划图） [01:00] 🌉 MANZANO: A Simple and Scalable Unified Multimodal Model with a Hybrid Vision Tokenizer（MANZANO：基于混合视觉词元器的简洁可扩展统一多模态模型） [01:42] 🧩 Latent Zoning Network: A Unified Principle for Generative Modeling, Representation Learning, and Classification（潜区分网络：生成建模、表示学习与分类的统一原理） [02:25] 🎯 BaseReward: A Strong Baseline for Multimodal Reward Model（BaseReward：多模态奖励模型的强力基线） [02:56] 🏠 SPATIALGEN: Layout-guided 3D Indoor Scene Generation（SpatialGen：布局引导的3D室内场景生成） [03:46] 🧠 BTL-UI: Blink-Think-Link Reasoning Model for GUI Agent（BTL-UI：面向GUI智能体的“眨眼-思考-连接”脑启发推理模型） [04:30] 🎭 Lynx: Towards High-Fidelity Personalized Video Generation（Lynx：面向高保真个性化视频生成） [05:20] 🤖 A Vision-Language-Action-Critic Model for Robotic Real-World Reinforcement Learning（用于机器人真实强化学习的视觉-语言-动作-评价模型） [05:54] 📹 RGB-Only Supervised Camera Parameter Optimization in Dynamic Scenes（动态场景下仅基于RGB视频监督的相机参数优化） [06:21] 🗣 Do You Hear What I Mean? Quantifying the Instruction-Perception Gap in Instruction-Guided Expressive Text-To-Speech Systems（你听见的是我想表达的吗？量化指令感知差距的表达型文本转语音系统研究） [07:07] 🎬 Video2Roleplay: A Multimodal Dataset and Framework for Video-Guided Role-playing Agents（Video2Roleplay：面向视频引导角色扮演智能体的多模态数据集与框架） [07:50] 🗣 WhisTLE: Deeply Supervised, Text-Only Domain Adaptation for Pretrained Speech Recognition Transformers（WhisTLE：面向预训练语音识别Transformer的纯文本深度监督域适应方法） [08:30] 🗣 Ask-to-Clarify: Resolving Instruction Ambiguity through Multi-turn Dialogue（主动询问以澄清：通过多轮对话消解指令歧义） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    10 min

  8. 20 SEPT

    【周末特辑】9月第4周最火AI论文 | OmniWorld打造4D数据工厂；WebWeaver让AI边搜边写

    本期的 5 篇论文如下： [00:43] TOP1(🔥95) | 🌍 OmniWorld: A Multi-Domain and Multi-Modal Dataset for 4D World Modeling（OmniWorld：面向4D世界建模的多领域多模态大规模数据集） [02:51] TOP2(🔥93) | 🔍 WebWeaver: Structuring Web-Scale Evidence with Dynamic Outlines for Open-Ended Deep Research（WebWeaver：面向开放型深度研究的动态提纲式网络证据结构化框架） [05:09] TOP3(🔥91) | 🤖 Scaling Agents via Continual Pre-training（基于持续预训练扩展智能体系统规模的研究） [07:33] TOP4(🔥88) | 🖥 ScaleCUA: Scaling Open-Source Computer Use Agents with Cross-Platform Data（ScaleCUA：基于跨平台数据的开源计算机智能体规模化方案） [10:48] TOP5(🔥79) | 🌊 FlowRL: Matching Reward Distributions for LLM Reasoning（FlowRL：通过流匹配奖励分布提升大语言模型推理能力） 【关注我们】 您还可以在以下平台找到我们，获得播客内容以外更多信息 小红书: AI速递

    13 min
See All (396)

About

每天10分钟，带您快速了解当日HuggingFace热门AI论文内容。每个工作日更新，欢迎订阅。 📢播客节目在小宇宙、Apple Podcast平台搜索【HuggingFace 每日AI论文速递】 🖼另外还有图文版，可在小红书搜索并关注【AI速递】

Information

You Might Also Like