外观
AI 导读RFD4-Proteina是英伟达与华盛顿大学蛋白设计研究所共同开发的BioNeMo开放模型，把蛋白序列与全原子结构生成合到一个模型里，可在含小分子、核酸、糖链、金属离子等分子上下文中生成设计。在24个蛋白结合靶点的基准上，high thinking设置每GPU小时产出76.40个满足计算筛选标准的结构相异设计，次强方法Proteina-Complexa为13.24。10月21日至11月4日，NVIDIA赞助专用Space免费使用（RTX PRO 6000 GPU），之后ZeroGPU共享版仍免费；输入与输出均经SecureDNA生物安全筛查。
AI 选稿理由新增了thinking分级设置、24靶点基准上76.40对13.24的设计效率数据，以及10月21日至11月4日专用Space免费窗口和SecureDNA筛查等具体可用信息。
AI 导读Hugging Face 与 NVIDIA 推出 SimReady Central Library，在 Hugging Face 上免费、无门槛提供 2000 多个仿真就绪（SimReady）OpenUSD 资产，涵盖机械臂、夹爪、仓储货架和冷却设备等。资产附带碰撞几何、质量、摩擦和关节等仿真属性。厂商可按 SimReady 配置验证并提交自有 CAD 模型；开发者可用自然语言搜索资产，结合 GPT-6 Astra 等模型组装机械臂抓取或 AI 工厂布局场景。
AI 选稿理由新增可自由取用的 2000 多个仿真就绪 OpenUSD 资产库及厂商提交通道，直接降低机器人与 AI 工厂仿真的资产准备成本，适用于物理 AI 训练环境搭建。
AI 导读Hugging Face推出FairStress基准，用于测量大语言模型在人口公平性方面的表现，超越传统仅关注最终决策的方法。该基准包含300个现实场景，测试模型在面对不同人口身份和对抗性前提时的决策稳定性，发现模型在多数群体身份候选者被挑战时更可能放弃正确决策，表现出反刻板印象过度纠正现象。
AI 选稿理由FairStress解决了传统公平性评估无法捕捉模型决策过程中隐藏偏见的问题，为AI开发者提供了测量模型对称公平性的工具，有助于构建更公平的AI系统。
AI 导读Hugging Face 发布 TorchTPU，将 TPU 作为 PyTorch 的原生后端，使开发者无需修改代码即可在 TPU 上运行 Transformers、Diffusers 等库。用户只需将模型发送到 'tpu' 设备即可完成部署，支持分布式训练和 torch.compile 优化。TorchTPU 还提供了 Pallas 内核和 Kernels Hub 的 TPU 内核支持，显著提升模型推理速度。
AI 选稿理由TorchTPU 解决了 PyTorch 用户在 TPU 上部署的复杂性问题，使 TPU 成为与 GPU、CPU 平等的原生设备，大幅简化了 Hugging Face 生态在 TPU 上的使用门槛。
AI 导读Hugging Face发布AnyLanguageModel 1.0，作为苹果Foundation Models框架的替代方案，支持本地和云端模型切换。新增工具调用、引导生成、图像支持等功能，兼容OpenAI、Anthropic、Google等API，并提供swift-huggingface和swift-xet加速下载。本地模型支持Gemma、Qwen3.8等，适配iPhone和Mac设备。
AI 选稿理由解决了苹果开发者本地模型部署和多云提供商兼容的瓶颈，提供统一API降低开发复杂度，支持从手机到服务器的跨平台部署。
AI 导读PyTorch 2.15 为 Apple Silicon Mac 带来多项 MPS 性能优化：FP8 数据类型支持，MoE 模型解码速度提升 5-6.5 倍，线性层和 softmax 运算加速，视频解码内存占用从 270GB 降至 8GB，新增复杂线性代数运算支持。同时提供更精确的 MPS 可用性检查和 Python 流控制功能。
AI 选稿理由解决了 Mac 平面运行大型模型的性能瓶颈，使 MoE 模型解码速度提升 5-6.5 倍，视频生成内存占用降低 97%，为 Apple Silicon 用户提供了更高效的 AI 模型训练和推理能力。
AI 导读Hugging Face发布了一项名为Holi-World的研究，该研究利用人类自我中心的经验来学习世界的组织和变化。通过将大量记录转化为学习资源，连接场景结构、对象语义和交互历史，同时减少对昂贵的手动标注的依赖。Holi-World生态系统包括经验捕获、世界表示、自动化数据构建、模型学习和独立评估。实验表明，在静态感知和动态跟踪方面表现出色，且在Holi-World数据集上的训练显著提高了Holi-World-VL-4B在Holi-World-Bench和EgoDynamic4D上的时空推理能力。
AI 选稿理由通过利用人类自我中心的经验，Holi-World能够有效地构建世界智能，为从人类经验的连续流中扩展学习资源并推进对动态世界的机器理解提供了实用基础。
AI 导读Hugging Face每日论文报道了一项关于脑编码模型参数高效微调的研究。该研究通过参数高效微调（PEFT）技术，使用少量可训练参数有效地适应了非常大的预训练骨干网络，用于脑编码。研究展示了如何利用骨干网络的原因结构来预测多个时间点，从而显著降低特征提取成本。该方法在多个多模态骨干网络上实现了性能提升，并在Algonauts 2025挑战赛中取得了最佳成绩。此外，研究还开发了一种多LoRA内核，以加速多个LoRA在共享骨干上的联合训练。
AI 选稿理由该研究通过参数高效微调技术，实现了对非常大的预训练骨干网络的适应，从而提高了脑编码的性能，并加速了多个LoRA的联合训练。
AI 导读针对大型语言模型（LLM）代理在未知和动态环境中需要主动探索、理解和适应环境动态的问题，研究人员提出了AdaExploreBench，一个用于评估主动探索和测试时自适应能力的基准。实验表明，主动和自适应的探索仍然具有挑战性，当前LLM代理在获取正确证据和识别先前获取的证据不再有效方面存在瓶颈。
AI 选稿理由解决了LLM代理在动态环境中主动获取证据和适应环境变化的瓶颈，有助于提升LLM代理在复杂环境中的表现。
AI 导读本文提出了一种名为Vision-Language-Delta-Action（VLDA）的新范式，通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口。VLDA通过统一目标学习Delta，包括局部过渡滤波器（LT-Filter）和全局过渡锚点（GT-Anchor），以改善长期一致性、鲁棒性和泛化能力。
AI 选稿理由VLDA通过紧凑的Delta变量捕捉潜在的世界状态变化，作为视觉语言理解和动作生成之间的接口，从而提高了机器人操作的长期一致性、鲁棒性和泛化能力。
AI 导读研究人员推出了HandsOn，一个用于跨实体灵巧操作的可组合模拟平台和基准。该基准支持五种机器人臂、六种灵巧手和约200种随机场景中的刚体、关节和可变形资产。HandsOn将18,000个精心制作的演示与66个经人类验证的任务相匹配，支持基于演示的学习和执行测试，并评估资产和关系迁移、技能组合和可变形操作。该基准在多任务策略训练方面取得了显著成果，同时揭示了在接触建立、动作协调和维持目标方面存在的失败。
AI 选稿理由HandsOn为研究灵巧操作泛化能力和可靠物理交互的极限提供了一个共同的基础。
AI 导读现代文本到图像（T2I）系统使用大规模语言预训练进行文本条件图像生成。本文提出Halcyon，一种早期融合的多模态自回归模型，完全从零开始在GPIC数据集上预训练，该数据集包含100M图像-文本对。Halcyon-0.52B在预训练计算量上比LlamaGen-XL/8少18.2倍，性能优于后者。Halcyon-1.6B在预训练计算量上比JiT-T2I-XXL/8++少275倍，性能也优于后者。控制实验表明，仅文本预训练不会提高T2I生成。Halcyon通过替换caption dropout为I2T监督，在不增加预训练预算的情况下，也能保持有竞争力的T2I生成质量。研究表明，强大的T2I系统可以在没有互联网规模语言预训练的情况下从头开始训练。代码和模型可在https://cs.stanford.edu/~keshik/halcyon获取。
AI 选稿理由展示了无需大规模语言预训练即可训练强大的文本到图像生成系统，降低了预训练计算需求。
AI 导读SpecMRL通过优化嵌套前缀来支持灵活的表示大小，在MTEB上的实验表明，SpecMRL在所有评估的降维维度上优于MRL，特别是在更激进的压缩下，表明SpecMRL通过更好地优先考虑信息方向，实现了更有效的表示压缩。
AI 选稿理由SpecMRL通过改进特征空间组织，提高了表示学习的效率，使得在更少的嵌入维度下也能达到与全维度MRL相当的性能。
AI 导读Hugging Face宣布推出TorchNeuron，这是一个为AWS Trainium提供的新原生PyTorch后端。从2026年10月20日起，研究人员和开发者可通过pip安装使用。TorchNeuron支持eager模式、torch.compile和原生分布式API，使Transformers、Diffusers等库可直接在Trainium上运行，无需通过Optimum Neuron。文本生成模型支持率从46%提升至89%，训练和推理代码与在其他加速器上使用相同。
AI 选稿理由TorchNeuron简化了在AWS Trainium上部署Hugging Face模型的流程，大幅提高了模型支持率，降低了开发者使用AI芯片的门槛。
AI 导读论文提出 TokenGate，一个可即插即用的小型组件，通过 token 重要性分数重加权注意力 logits 的“token 门控注意力”机制，实现长上下文输入端到端可学习的 token 剪枝，缓解模型逐层处理全部 token 的成本。实验显示其在不损失精度的前提下将首 token 时间（TTFT）提升 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍；相比此前最优 token 剪枝方法，预填充最快提升 6.4 倍、内存降低 2 倍。该方法可扩展至 Qwen3 等标准 transformer 与 Qwen3.5 等混合注意力模型，代码已开源。
AI 选稿理由提出可端到端训练的 token 剪枝组件 TokenGate，在不损失精度下将长上下文 TTFT 提速 1.4–11.3 倍、峰值内存降低 1.5–3.4 倍，并覆盖标准与混合注意力模型，代码开源。
AI 导读多轮图像编辑旨在根据一系列指令修改图像，以实现更有效的交互式视觉内容创作。然而，现有方法在经过几次编辑后往往会出现明显的漂移，表现为视觉质量不稳定和图像内容不一致。为了解决这些问题，研究人员提出了MT Forcing，这是一种基于自回归扩散和统一多模态模型（UMMs）的新型多轮图像编辑训练范式。具体来说，他们提出了单轮分布匹配蒸馏（Single-Turn DMD），通过一个在单轮中对源图像进行累积编辑的教师来监督学生的自滚动，提供视觉质量指导，避免递归错误累积。此外，他们还引入了教师强制指导，在预热期间监督参考轨迹上的历史依赖转换，并在蒸馏期间作为正则化器，鼓励跨轮内容一致性。广泛的实验表明，这种方法显著提高了UMMs的多轮图像编辑能力，实现了更稳定的视觉质量和更强的跨轮一致性。
AI 选稿理由MT Forcing通过引入新的训练范式和指导策略，解决了多轮图像编辑中的视觉质量不稳定和内容不一致的问题，提高了UMMs的多轮图像编辑能力。
AI 导读Hugging Face每日论文报道了一项研究，提出了一种名为AffordanceWAM的生成式世界动作模型，该模型通过标量感知能力和感知热图来表示物体中心的空间时间感知能力。该模型在预训练的视频扩散Transformer上构建，使用独立的参数化世界和动作专家，通过掩码联合自注意力机制联合预测未来的RGB观察、标量感知场、感知热图和连续的机器人动作。实验结果表明，该模型在RoboCasa、CALVIN ABCrightarrowD和真实世界操作任务上优于仅RGB和仅机器人数据的基线。
AI 选稿理由AffordanceWAM通过引入感知能力作为视觉-语言-动作学习以及人机转移的有效接口，解决了在机器人操作中预测场景演变、识别可行交互以及确定如何行动的瓶颈。
AI 导读论文提出StopLoss，一个从已完成轨迹及验证结果学习失败识别的小型外部监视器：用最终结果标注局部窗口，微调后的语言模型单次前向即可为最近工具步骤打分，再用在成功运行上校准的阈值决定中止，无需改动执行器。在GPT族SWE-rebench轨迹上训练，并在SWE-bench Verified与SWE-bench Pro子集上用GPT、Claude执行器评测，与六个通用裁判比较：首次检查时失败预测从接近随机提升为有用信号，每次检查成本低一到两个数量级；相对完成全部任务，Verified上每次保留解题成本降4.5%并保住99%成功运行，Pro子集最高降31%，换Qwen3-8B骨干可达48%。
AI 选稿理由论文给出经结果监督训练的小型失败预测监视器，在SWE-bench Verified/Pro子集与GPT、Claude执行器上验证了提前终止可降低4.5%至31%（Qwen3-8B骨干48%）的每次保留解题成本，且保留99%成功运行。
AI 导读IBM发布Granite Switch 4.1模型，可通过单一端点实现聊天、决策和语音识别任务切换。该模型包含新的决策aLoRA、安全决策专用Guardian aLoRA，以及OpenASR排行榜上最快的ASR模型Granite-Speech-5.0-Turbo-CTC。模型采用缓存高效的Activated LoRAs技术，可在不同任务间快速切换，并支持用户自定义适配器扩展。
AI 选稿理由原文展示了模块化适配器如何实现高效多任务处理，减少GPU资源需求。
AI 导读Reflection公司发布501B参数开源模型Beam，采用混合专家架构(MoE)，每激活23B参数，支持1M token上下文窗口。模型专注于编码和智能体应用，提供多种部署选项和微调方法，并举办$10,000开发竞赛。
AI 选稿理由原文提供了开源501B模型的部署和微调方法，读者可据此评估私有化部署大模型的可行性。
AI 导读NVIDIA与IIT Madras合作发布Nemotron-pretraining-Indic-v1数据集，包含约2.8万亿tokens，覆盖22种印度语言，并开放GPU加速的数据生成管道。该数据集结合了原生脚本和罗马化文本，通过四阶段翻译、质量评估和修复流程生成，已在Nemotron 3.5 Super VL模型上验证效果，在多个印度语言知识推理基准测试中取得4.98-9.82百分点的提升。
AI 选稿理由原文提供了2.8万亿token的印度语言数据集规模和开放生成管道，读者可据此评估其对多语言AI模型开发的实际价值。
AI 导读评估软件代理在完整基准上的成本高昂。小任务子集可以保留代理排名，但会得到不准确的成绩。历史响应提供了有用的结构，但具有相同源响应的任务对于新目标代理可能会有不同的结果。本文介绍了分层分数后验恢复（HSPR），它结合了源拟合响应因素和不确定的群体成功率。观察到的目标结果更新了目标潜在状态和群体率的后验；后验引导的获取选择后续任务。其基于分数的标准等于预期的一步减少全分数后验方差。观察到的成功和未查询任务的先验预测计数产生了全分数后验。最终估计使用其中位数与源选择的校准。在SWE-bench家族的四个任务库的10%任务预算下，HSPR在三个库中实现了最低的平均绝对误差（MAE），在所有四个库中实现了最低的最大绝对误差（MaxErr）。移除群体不确定性或替换自适应查询会增加相应控制中的宏MAE。随着预算的5-20%增加，宏MAE下降。
AI 选稿理由HSPR通过分层后验推理提高了软件代理基准分数的评估效率，降低了评估成本，适用于需要高效评估软件代理的场景。
AI 导读论文提出 LILIE（语言信息无损图像编码器），一种可逆图像变换，通过归一化流 Transformer 与视觉-语言模型联合训练，使 VLM 能从加噪特征中恢复描述文本。研究者用 LILIE 损失训练 JiT 模型，在 GPIC 数据集上相比纯像素损失基线将 gFD 从 66.84 降至 53.01。代码、编码器与生成模型已开源。
AI 选稿理由提出语言信息监督的可逆图像编码器 LILIE，在 GPIC 数据集上将 JiT 模型 gFD 从 66.84 降至 53.01，相比像素损失基线降低 14 点，并开源代码与模型。
AI 导读针对灵活制造中的工业操作，如高混合、低批量（HMLV）电子产品组装，研究人员提出了LIBERO-Industry，一个基于LIBERO的新基准，用于评估机器人策略在工业流程约束下的表现。该基准包含三个经典任务场景，并通过实验表明，随着工业约束的引入和组合，性能逐渐下降。
AI 选稿理由LIBERO-Industry通过将工业流程约束转化为可控制的任务条件和可测量的成功标准，为评估机器人策略在工业环境下的表现提供了新的基准。
AI 导读随着前沿编码智能体的发展，AI辅助软件工程的token成本显著增加。TokenEconomizer通过确定哪些操作微技能要注入、哪些持续无关的工具要修剪以及何时干预无效的失败循环，在Claude Code、Codex和GitHub Copilot CLI配合前沿模型的情况下，将平均token成本降低了18.4-30.9%，同时保持了可比的任务成功率。
AI 选稿理由TokenEconomizer通过自适应黑盒成本控制，有效降低了编码智能体在现实环境中的token成本，提高了token效率。
AI 导读近日，研究人员推出了BlenderWorld，这是首个针对现实3D创作任务评估前沿模型的全面基准。该基准包含223个任务，涵盖建筑、产品、自然环境和科学可视化等领域，通过文本、图像、视频和结构化规范输入驱动。基准测试了13个前沿模型，其中GPT-6-Astra取得了最高总分79.9，其次是Opus-5（73.0）和GPT-5.6-Sol（67.7）。研究发现，尽管当前模型可以解析广泛指令，但在Blender中实现精细的3D空间一致性和准确的结构再现方面仍存在重大瓶颈。
AI 选稿理由BlenderWorld基准测试为3D智能体研究提供了新的评估标准，揭示了当前模型在3D空间一致性和结构再现方面的瓶颈，为未来3D智能体的发展指明了方向。
AI 导读AI2 发布 Olmo-core 3，这是其大语言模型训练框架的重大升级，重新设计了开放的 MoE 训练系统，目标是把 MoE 训练扩展到万亿参数规模并保持计算效率。
AI 选稿理由原文给出 MoE 训练栈的并行策略与吞吐对比数据，可了解万亿参数 MoE 训练的开源工程取舍。
AI 导读H 公司发布 Holo4 系列智能体模型，包含 27B 稠密版和 35B-A3B MoE 版，两者均已在 H Models API 上线，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 格式开源在 Hugging Face。
AI 选稿理由Holo4 同时给出两种尺寸、跨 GUI 与 MCP 的统一接口和公开轨迹，可据此判断通用计算机智能体的成本与能力取舍。