简体中文

切换主题

发现▾

不知道从哪开始？本周最热的软件、模型和组合，3 分钟看完 AI 圈的变化。

AI 软件▾

给人用的 AI 软件：从 ChatGPT 这类助手，到写代码、做视频、搭工作流的工具，按用途挑。

Agent 工具▾

给 AI 用的软件：让你的 agent（Claude Code、Codex、Cursor…）能上网、读文档、跑代码、记住事情。

模型▾

选模型、算成本、自己部署：价格、榜单、评测、免费额度和自建算力都在这里。

解决方案▾

有具体目标或报错？按场景给出现成的软件组合、步骤和问题解法。

学 AI▾

一套从零到前沿的系统课程，配算法库、必读论文和精选教程。

前沿▾

每天的 AI 新闻、每周热点、最新论文和 AI 改造各学科的进度。

PAPER RADAR · arXiv × Hugging Face · 2026-09-22 → 2026-10-21

AI 论文雷达

现在 AI 研究什么最热：最近 30 天 arXiv 与 Hugging Face 每日论文，按热度排序。每篇都有一句话要点和固定网址；滚出 30 天窗口的论文不会消失，都留在论文归档里，可按日期、主题、学科、机构和关键词查找。

307篇 · 近 30 天

61篇 · 本周上榜（2026-W43）

311篇 · 归档总数

48篇 · 实验室报告

#01 ▲748 ★5.5k ❝1 2026-09-27

Raven: The Harness of Harnesses for Composable Agentic Intelligence

开源多智能体生态 Raven，自动搭建、演化并跨领域编排各类专用 Agent 框架（harness）。

EverMind · EverMind AI

智能体 arXiv 代码 HF

#02 ▲220 ★1.6k ❝22 2026-09-21

RRSI: Regularized Recursive Self-Improvement of Agent Harnesses

给 Agent 框架的递归自我改进加上正则化，防止只在训练任务上涨分、换分布就失效。

Google · Peng Xia, Rujun Han, Zifeng Wang +11

智能体评测与数据 arXiv 代码 HF

#03 ▲223 ★12k ❝1 2026-09-27

YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality

YuE2 先写可读乐谱再生成整首歌，把符号作曲和音频生成统一到一个模型里。

Multimodal Art Projection · Ruibin Yuan, Jiahao Pan, Junyan Jiang +32

多模态视觉生成 arXiv 代码 HF

#04 ▲115 ★14k ❝1 2026-10-09

Harness^2: Recursive Agent Harnessing for an Open World

Harness² 让 Agent 在没有标准答案的开放任务里也能递归改进自己的执行框架。

Google · Ruiyao Xu, Yanfei Chen, Zhongying CuiZhu +6

智能体 arXiv 代码 HF

#05 ▲371 ★115 ❝2 2026-10-13

Jeva: System One Models from First Principles

提出“决策原生”的 System 1 模型 Jeva：直接给候选项打分，而不是逐字生成答案，更快且可缓存。

National University of Singapore · Qi Li, Xinchao Wang

大语言模型高效训练与推理 arXiv 代码 HF

#06 ▲348 ★187 ❝0 2026-10-14

Player-1: Learning to Play from Synthetic Experience

Player-1 用合成交互经验做后训练，让电脑操作型 Agent 学会玩游戏。

ARC Lab, Tencent · Mingyu Ouyang, Yiran Wang, Siyuan Hu +9

智能体强化学习 arXiv 代码 HF

#07 ▲388 ★116 ❝2 2026-09-28

In-Context Learning for Robots: Methods and Applications

机器人上下文学习综述：按“上下文如何转成动作”把方法分成四大类并对比。

Knowin AI · Haojian Huang, Zexi Li, Junhao Guo +36

机器人与具身 arXiv 代码 HF

#08 ▲375 ★210 ❝1 2026-10-13

VideoJev: System One Model for Video Understanding and Interaction

VideoJev 把视频理解改成对时间段和选项直接打分，统一时序定位和视频问答。

Multimedia Computing Group-Nanjing University · Yuhan Zhu, Xiangyu Zeng, Qingyi Si +15

多模态高效训练与推理 arXiv 代码 HF

#09 ▲485 ★200 ❝0 2026-09-25

Omni-IO Skills: Harnessing Your Agent Omni-Native

Omni-IO Skills 用分层技能和资产登记表，让现有 Agent 能读写图像、音频、视频、3D 等多种模态。

National University of Singapore · Yanlin Li, Mingyang Hao, Shengqiong Wu +3

智能体多模态 arXiv 代码 HF

#10 ▲296 ★1.3k ❝0 2026-09-27

VisionHOPE: Visual Backbones as Self-Modifying Learning Systems

VisionHOPE 把视觉骨干网络做成“自我修改”的学习系统，记什么、怎么学在单张图内共同演化。

Mininglamp Technology · Siran Peng, Tianshuo Zhang, Tianyu Fu +8

视觉理解与 3D arXiv 代码 HF

#11 ▲459 ★218 ❝0 2026-10-15

Has GPT-6-Astra Achieved Embodied Intelligence?

在 12 个机器人基准上系统评测 GPT-6-Astra 的具身能力，并讨论通用大模型对机器人研究的影响。

SenseNova · SenseNova, Joint Research Team, Zhongang Cai +59

机器人与具身评测与数据 arXiv 代码 HF

#12 ▲113 ★2.8k ❝1 2026-10-07

Long-WAM: Scaling the Context of World-Action Models

Long-WAM 研究在实时控制约束下给世界-动作模型加长上下文，自回归预训练的视频底座收益最大。

NVIDIA · Wei Huang, Bohan Zhang, Chenzhi Liu +13

机器人与具身高效训练与推理 arXiv 代码 HF

#13 ▲417 ★261 ❝0 2026-09-29

LoopVL: Recurrent Visual Intelligence

LoopVL 把循环 Transformer 扩展到视觉语言模型，在多次循环中反复更新视觉-语言状态。

Renmin University of China · Zhe Qian, Ziyang Gong, Zhongxing Xu +13

多模态推理 arXiv 代码 HF

#14 ▲310 ★140 ❝2 2026-09-30

GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives

GroundingPI 是 4B 参数的定位基础模型，用坐标 token 输出点和框，为机器人控制提供快速精准的目标定位。

XPENG AI · Qize Yu, Lianrui Fan, Boyu Chen +23

机器人与具身视觉理解与 3D arXiv 代码 HF

#15 ▲184 ★200 ❝6 2026-09-12

Realtime-Venus: A full-duplex interaction system with asynchronous delegation

Realtime-Venus 是全双工实时交互系统，可边听边看边说，并把复杂任务异步委派出去。

inclusionAI · Ant Group

多模态智能体 arXiv 代码 HF

#16 ▲161 ★512 ❝1 2026-09-21

WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory

WorldCrafter 给视频世界模型加入可按相机视角查询的隐式 3D 记忆，长时间探索也保持一致。

ARC Lab, Tencent · Wangbo Yu, Kunhao Liu, Wenbo Hu +8

视觉生成 arXiv 代码 HF

#17 ▲238 ★228 ❝3 2026-10-01

OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video Interaction

OneStreamer 让流式视频模型边看边记分层字幕记忆，并在证据足够时主动回应。

Nanjing University · Xiangyu Zeng, Yuandong Yang, Zhiqiu Zhang +21

多模态 arXiv 代码 HF

#18 ▲364 ★312 ❝0 2026-10-14

Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation

ATAS 用场景记忆和事件记忆把剧本编译成镜头，让长视频在时空上前后一致。

Zhejiang University · Weijie Wang, Haomin Zhang, Ye Li +7

视觉生成智能体 arXiv 代码 HF

#19 ▲330 ★396 ❝0 2026-10-15

OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use

OpenGCUA 计划开源通用电脑操作 Agent 的完整技术栈，首版同时支持视觉界面和代码执行。

Tongyi-MAI · Hanzhang Zhou, Long Li, Quyu Kong +12

智能体代码与软件工程 arXiv 代码 HF

#20 ▲293 ★201 ❝1 2026-10-08

AgentGarten: Code Worlds for Evolving Agents

AgentGarten 把模拟器、游戏引擎和神经渲染器结合起来，为 Agent 搭建逼真且规则一致的代码世界。

MirroS · Jiawei Chi, Shangchen Miao, Zhiyuan Shi +12

智能体视觉生成 arXiv 代码 HF

#21 ▲240 ★227 ❝0 2026-09-19

OmniEdu: Open Foundation Models for Learning and Teaching

OmniEdu 是面向中小学教与学的开源基础模型家族，覆盖解题、课程对齐、学情诊断和教学引导。

Peking University · Hao Liang, Qihan Lin, Meiyi Qiang +5

大语言模型 arXiv 代码 HF

#22 ▲511 ★7 ❝2 2026-09-29

The Teacher Is a Direction, Not a Destination: Extrapolating RL-Induced Representation Residuals in On-Policy Distillation

在线策略蒸馏中，沿 RL 引起的隐藏表征变化方向外推，让学生模型更稳定地超越教师。

机构待核实 · Hao Li, MeiJia Chen, Weijie Ren +4

高效训练与推理强化学习 arXiv 代码 HF

#23 ▲272 ★107 ❝0 2026-10-15

FDE-Gym: The Last Mile of AI Delivery

FDE-Gym 收录 95 个真实交付任务，考察 Agent 能否像驻场工程师一样澄清需求并交付可用方案。

DeepLethe · Dongxu Yang, Hongda Yan, Renxin Wang +23

智能体评测与数据 arXiv 代码 HF

#24 ▲325 ★154 ❝0 2026-10-08

DiffusionART: Efficient, Stable and Scalable Reinforcement of Diffusion Models

DiffusionART 先聚合奖励再微调扩散模型，在线强化学习更高效也更稳定。

KlingAI Research · Zhenglin Wan, Jiayu Chen, Zhengfeiyang Zhang +6

视觉生成强化学习 arXiv 代码 HF

#25 ▲490 ★30 ❝0 2026-10-14

BizAgentBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business

BizBench 基于真实支付业务流程，检验长任务 Agent 在执行中途是否违反政策与约束。

ant-international · Enhan Zhao, Yongqi Tong, Xuejun Yu +6

智能体评测与数据 arXiv 代码 HF

#26 ▲727 ★5 ❝0 2026-10-15

PremiseCheck: Efficient Fact-Checking of Human and AI Peer Reviews

ReviewFact 标注审稿意见中的事实错误，PremiseCheck 结合大模型和轻量判别模型低成本核查。

机构待核实 · Dingjie Song, Zhiling Yan, Ziqian Zhang +2

评测与数据高效训练与推理 arXiv 代码 HF

#27 ▲560 ★17 ❝0 2026-10-15

MJev-Spatial: System One Spatial Intelligence via Native Attention Matching

MJev-Spatial 把空间理解任务改成分类式打分，比自由生成文本更快地回答方位、距离和落点问题。

Mind Lab · Luozheng Qin, Yuhan Zhu, Changhai Zhou +9

多模态高效训练与推理 arXiv 代码 HF

#28 ▲367 ★36 ❝1 2026-09-28

MaLiang-Harness: A Programmable Path to Image and Video Generation

MaLiang-Harness 让多模态模型写程序生成图像和视频，并在“构建-检查-修改”循环中缩小程序与画面的差距。

National University of Singapore · Haoyu Zhao, Zihao Zhang, Xudong Wang +4

视觉生成代码与软件工程 arXiv 代码 HF

#29 ▲642 ❝2 2026-09-30

False Frontiers: Diagnosing and Mitigating Co-Cheating in Self-Evolving Search Agents

揭示自进化搜索 Agent 的“共谋作弊”：出题者和解题者一起犯同样的错，并提出多样本验证来缓解。

Rutgers University · Meijia Chen, Hao Li, Zheng Lu +12

智能体强化学习 arXiv HF

#30 ▲602 ★7 ❝0 2026-10-14

LEV: Thinking Fast and Deep with Looped Decision Models

LEV 让决策模型通过循环重跑网络层来“想得更深”，不必生成推理文字。

机构待核实 · Dingjie Song, Zhiling Yan, Yuxuan Zhang +1

推理高效训练与推理 arXiv 代码 HF

#31 ▲217 ★297 ❝0 2026-10-13

Self-Evolving Agent Harness

给 Agent 框架的自我演化建立形式化理论，并给出泛化和保持性的理论界。

ZGCAGI · Chuyang Wei, Haoxiang Guan, Minghang Zhu +5

智能体 arXiv 代码 HF

#32 ▲313 ★84 ❝0 2026-10-16

HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents

HexaShell 只用一层很薄的框架，让编程 Agent 通过命令行直接控制双臂机器人，并在失败后自己写工具改进。

HexaFuture · Hongcheng Gao, Alex Zhou, Jay Zhu +13

机器人与具身智能体代码与软件工程 arXiv 代码 HF

#33 ▲270 ★175 ❝0 2026-10-09

S-Space: Exploring Spatial Workspace in Multimodal Language Models

发现多模态模型内部存在线性“空间工作区”S-Space，用连续坐标编码物体位置。

MirroS · Zhiyuan Shi, Xiang Li, Xingzhuo Guo +8

多模态安全与可解释 arXiv 代码 HF

#34 ▲163 ★36 ❝1 2026-09-22

The Tasteful Agent: Measuring and Improving Taste in Long-Horizon Tasks

Taste-Bench 衡量 Agent 在长任务里选方向的“品味”，并探索如何提升这种决策能力。

Microsoft · Wenbo Pan, Zhichao Liu, Shujie Liu +6

智能体评测与数据 arXiv 代码 HF

#35 ▲273 ★18 ❝0 2026-09-24

Post-Training Leaves Behavioral Shadows on Unrelated Decisions

发现后训练会在无关输出上留下“行为影子”，每个提示只需教师一个词就能把能力迁移给学生。

Peking University · Ziyang Zhang, Yubin Jing, Yuanhao Zeng +3

大语言模型安全与可解释 arXiv 代码 HF

#36 ▲224 ★47 ❝0 2026-09-28

Rethinking Latent Visual Reasoning: Grounding Latent Reasoning in Visual Evidence

指出潜空间视觉推理的 token 对图像证据不敏感，并提出把潜推理锚定到视觉证据上的训练方法。

Amazon · Xi Xiao, Tianchen Zhao, Youngeun Kim +10

推理多模态 arXiv 代码 HF

#37 ▲214 ★234 ❝0 2026-10-13

Agent-Reflex: Teaching Language Agents to Act Reflectively

Agent-Reflex 分三阶段训练，让 Agent 在工具反馈有噪声或用户纠错时主动反思并恢复。

NLPIR Lab @ RUC · Guanting Dong, Xinyu Yang, Jiajie Jin +9

智能体强化学习 arXiv 代码 HF

#38 ▲21 ★2.8k ❝22 2026-09-29

TabFM: A Zero-Shot Foundation Model for Tabular Data

TabFM 是 4 亿参数的表格基础模型，全靠合成数据训练，单次前向即可零样本预测。

Google · Weihao Kong, Erez Louidor Ilan, Shuxin Nie +6

大语言模型评测与数据 arXiv 代码 HF

#39 ▲174 ★364 ❝0 2026-10-04

Kandinsky 6.0 Video: Foundation Models for Synchronized Video and Audio Generation

Kandinsky 6.0 Video 能同步生成 5 秒视频和 44kHz 音频（含口型），分 3B 和 29B 两个版本。

Kandinsky Lab · Team Kandinsky, Julia Agafonova, Bulat Akhmatov +85

视觉生成多模态 arXiv 代码 HF

#40 ▲167 ★97 ❝0 2026-09-23

Training Object Permanence in World Models

构建 150 个认知科学启发任务，检验并训练视频世界模型的“物体恒存”常识。

Carnegie Mellon University · Haotian Zhang, Fengyuan Yu, Dezhi Luo +28

视觉生成推理 arXiv 代码 HF

#41 ▲167 ★303 ❝0 2026-10-08

REMORY: Learning Residual Memory for Context Compaction

REMORY 在文字摘要后补一串“软记忆 token”，帮长任务 Agent 压缩上下文时少丢信息。

Fusion Lab: Generative Vision Lab of Fudan University and SII · Hanchen Xia, Baoyou Chen, Yutang Ge +5

智能体高效训练与推理 arXiv 代码 HF

#42 ▲116 ★1.6k ❝0 2026-10-06

nanoMuse: An Open-Source Personal Agent for Every Device You Own

nanoMuse 是开源的个人 Agent，可跨设备记住用户、代办账户事务，定位为 Meta Muse 的开源对照。

Zhejiang University · Guangyi Liu, Yong Liu, Jiangning Zhang

智能体 arXiv 代码 HF

#43 ▲241 ★9 ❝0 2026-10-08

Thinking Inertia: LLMs Keep Thinking When Told Not To

发现大模型即使被要求“不思考”仍会偷偷推理，并提出衡量“无思考”行为的三级指标。

Stanford University · Dianqiao Lei, Kevin Qinghong Lin, Pan Lu +2

推理大语言模型 arXiv 代码 HF

#44 ▲197 ★123 ❝0 2026-10-07

UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image Generation

UltraText Bench 用 432 条中英双语提示，评测图像生成模型渲染密集文字的能力。

Westlake University · Deyuan Liu, Yihao Hu, Jingxuan Zhang +13

视觉生成评测与数据 arXiv 代码 HF

#45 ▲140 ★82 ❝0 2026-09-28

What Makes World Action Models Generalize? An Empirical Study of Test-Time Future Modeling

实证发现：只在潜空间预测未来的世界-动作模型会丢掉泛化优势，显式生成未来画面仍有价值。

Tsinghua-LeapLab · Renping Zhou, Zanlin Ni, Zihao Fan +8

机器人与具身 arXiv 代码 HF

#46 ▲137 ★114 ❝0 2026-10-13

AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards

AesCode 以同提示生成的图片做审美参考，用解耦的跨模态奖励训练模型写出更好看的幻灯片和海报代码。

Microsoft · Xin Gao, Yifan Yang, Xin Li +13

代码与软件工程视觉生成强化学习 arXiv 代码 HF

#47 ▲181 ★57 ❝1 2026-09-28

Beyond Teacher Assignment: Domain-Normalized Multi-Teacher On-Policy Distillation

多教师在线蒸馏中按领域归一化各教师的反馈强度，让学生同时学好数学、代码和指令遵循。

Nanyang Technological University · Xin Li, Hao Jiang, Xin Gao +6

高效训练与推理强化学习 arXiv 代码 HF

#48 ▲47 ★742 ❝2 2026-09-29

Context Language Models

上下文语言模型把上下文当成可自由编辑的文件，自己决定保留什么，以更少算力取得更高准确率。

Meta · Rulin Shao, Shannon Zejiang Shen, Junjie Oscar Yin +10

大语言模型智能体 arXiv 代码 HF

#49 ▲131 ★523 ❝0 2026-10-14

InfiniSplat v2: Analyzing and Improving Feed-Forward 3DGS from Any Views

InfiniSplat v2 分析并改进前馈式 3D 高斯重建，在大视角变化下渲染质量更高。

zju3dv · Yongzhen Hu, Hao Yu, Jiawei Wang +7

视觉生成视觉理解与 3D arXiv 代码 HF

#50 ▲78 ★526 ❝0 2026-09-21

GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation

GAE 把几何基础模型的特征重参数化成紧凑潜空间，让生成的世界在 3D 上保持一致。

ARC Lab, Tencent · Jiahao Lu, Minghao Yin, Wenbo Hu +5

视觉生成视觉理解与 3D arXiv 代码 HF

#51 ▲143 ★63 ❝0 2026-10-08

TokenRouter: Efficient Serving System for Token-Level LLM Routing

TokenRouter 是支持 token 级多模型路由的推理服务系统，解决步调不同步和批处理延迟问题。

Tsinghua-NICS-EFC · Tianyu Fu, Tengxuan Liu, Ruoxi Wang +4

高效训练与推理 arXiv 代码 HF

#52 ▲133 ★105 ❝0 2026-10-13

Urbex: Agentic Spatial Grounding for City-Scale 3D Scenes

Urbex 让视觉语言 Agent 在城市级 3D 场景中主动搜索、缩放、换视角来定位目标，并用强化学习优化。

alibaba · Yu Wang, Rui Dai, Wei Chen +5

智能体视觉理解与 3D 强化学习 arXiv 代码 HF

#53 ▲233 ★42 ❝0 2026-10-09

AgentSWE: Can Coding Agents Build the Agent You Actually Want?

AgentSWE 评测编程 Agent 能否按需求从零搭建、修改和优化真正好用的 Agent。

机构待核实 · Jiahao Wang, Hongjin Qian, Yuyang Hu +2

智能体代码与软件工程评测与数据 arXiv 代码 HF

#54 ▲112 ★54 ❝4 2026-09-28

Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence

主张把机器人任务写成可检查、可修改的代码，让自进化的编程 Agent 从数字世界走向物理世界。

HexaFuture · Hongcheng Gao, Jingjing Zhou, Zelin Zheng +10

机器人与具身代码与软件工程智能体 arXiv 代码 HF

#55 ▲73 ★572 ❝0 2026-09-21

GameHorizon Suite: Multi-Horizon Data and Evaluation in Gameplay

GameHorizon 提供多时间尺度的游戏数据标注和评测，衡量模型的规划和操作能力。

Tencent · Yiran Wang, Xingyilang Yin, Junfu Pu +12

评测与数据智能体 arXiv 代码 HF

#56 ▲89 ★1.2k ❝0 2026-10-16

MOSS-Image Technical Report

MOSS-Image 是开源 5B 文生图系统，擅长中英长文本渲染和复杂版式，并配有意图感知的提示增强。

OpenMOSS · MOSI. AI

视觉生成 arXiv 代码 HF

#57 ▲101 ★56 ❝1 2026-10-02

DuoMatching: Joint-Marginal Distribution Matching for Few-Step Video Generation

DuoMatching 同时匹配联合分布和逐帧边缘分布，提升少步视频生成的画质和语义对齐。

ByteDance · Jiahao Zhan, Yan Wang, Yongrui Ma +5

视觉生成高效训练与推理 arXiv 代码 HF

#58 ▲94 ★78 ❝4 2026-09-30

GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed

GroundAnything 用双向扩散并行解码目标位置，在保持精准的同时大幅加快视觉定位。

XPENG AI · Qize Yu, Lianrui Fan, Bowen Ping +19

视觉理解与 3D 高效训练与推理 arXiv 代码 HF

#59 ▲83 ★131 ❝3 2026-10-01

UniWAM: Unified World-Action Model

UniWAM 把物理推理、世界生成和动作预测统一到一个模型里，用于机器人控制。

HKUSTGZ · Wenxuan Song, Jiayi Chen, Jingbo Wang +13

机器人与具身多模态 arXiv 代码 HF

#60 ▲119 ★272 ❝0 2026-10-19

MemT-1.0: Towards Memory-Native Evolution

MemT-1.0 把记忆做成模型计算的一部分，基于 Gated DeltaNet-2 和混合存储扩展原生记忆容量。

MemTensor · Zhiyu Li, Zeyu Zhang, Linyun Liu +71

大语言模型高效训练与推理 arXiv 代码 HF

#61 ▲102 ★152 2026-10-19

OpenVLHarness: Real World Visual Agentic Tool-Use with Multimodal Memory

OpenVLHarness 为多模态模型提供工具能力层和持久多模态记忆，处理需要外部证据的视觉任务。

Apple · Yu Zhou, Cheng-Fu Yang, Rui Sun +8

多模态智能体 arXiv 代码 HF

#62 ▲143 ★30 ❝0 2026-10-10

Learning Where to Split: Dynamic Band Splitting for Audio Source Separation

动态频带切分方法按每段混音自适应划分频带，提升音频源分离的效果和效率。

Tsinghua Machine Learning Group · Bingzhe Zhang, Kai Li, Xiaolin Hu

多模态 arXiv 代码 HF

#63 ▲155 ★19 ❝0 2026-10-13

Into the Unknown: Benchmarking AI agents on open scientific research problems

Into the Unknown 让 Agent 针对美国国家实验室科学家提供的未发表方向写续作论文，评测开放科研能力。

Carnegie Mellon University · Seungone Kim, Jiayi Geng, Young-Jun Lee +25

智能体 AI for Science 评测与数据 arXiv 代码 HF

#64 ▲291 ★5 ❝0 2026-10-16

OR-License: Evaluating LLM Agents as Real-World Operations Research Practitioners

OR-License 用 31 个真实付费运筹咨询项目的原始材料，测试大模型智能体能否直接交付专家级运筹方案。

ALLE AI · Peisong Wang, Feixue Liu, Yize Meng +16

评测与数据智能体 arXiv 代码 HF

#65 ▲34 ★637 ❝9 2026-09-29

Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies

在六类具身任务上系统测试 GPT-6 Astra 直接输出机器人动作的能力，以及与专用策略的配合。

Galbot · Galbot Team, Xuchuan Chen, Xiaoqian Cheng +31

机器人与具身评测与数据 arXiv 代码 HF

#66 ▲92 ★32 ❝1 2026-10-01

Beyond Memory: Harnessing Long-Horizon Agents with Explicit Belief States

PoS 让 Agent 显式维护“信念状态”，记录对世界的估计和未完成的需求，避免长任务中陷入错误信念。

alibaba · Yu Luo, Jiamin Jiang, Yimin Zuo +9

智能体 arXiv 代码 HF

#67 ▲116 ★59 ❝0 2026-09-29

Beyond the Timeline: Augmenting Long-Video Memory with Grounded Entity Biographies

GEB 把长视频中同一物体的观察串成“实体传记”，帮助回答跨时间的问题。

Amazon Science · Hui Ren, Lei Fan, Henry Pao +5

多模态 arXiv 代码 HF

#68 ▲189 ★10 ❝1 2026-10-06

Self-Retrospection Distillation: Turning Post-hoc Experiences into Prior Foresight

自我回顾蒸馏把事后经验转成事前预判，弥补 RLVR 在奖励全相同时信号消失的问题。

Salesforce AI Research · Haoxiang Zhang, Qinglin Chen, Hiroaki Hayashi +9

强化学习智能体 arXiv 代码 HF

#69 ▲54 ★809 ❝2 2026-10-09

RSI-Anything: Unlocking Recursive Self-Improvement with World Models

RSI-Anything 借助预测式世界模型选择行动和训练数据，实现跨领域的递归自我改进。

PhAI Labs · Taoyong Cui, Pinxian Zeng, Wanghan Xu +8

智能体 AI for Science arXiv 代码 HF

#70 ▲218 ★10 ❝0 2026-10-15

Waypoint-OPD: Transferring RL-Induced Policy Shifts via Gated On-Policy Distillation

Waypoint-OPD 借助教师 RL 训练中途的检查点，只迁移前后一致的策略变化。

机构待核实 · Bingxi Hou, Guochao Jiang, Guofeng Quan +4

强化学习高效训练与推理 arXiv 代码 HF

#71 ▲225 ★12 ❝0 2026-10-19

Focused Omni-Modal GUI Agents

FocusGUI 用轻量适配器按步骤挑出最相关的屏幕、音频等信号注入冻结模型，缓解 GUI 智能体被无关上下文带偏。

Nanyang Technological University · Fuyao Zhang, Wenwen He, Jiaming Zhang +6

智能体多模态 arXiv 代码 HF

#72 ▲179 ★36 ❝0 2026-10-19

Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

Ropedia W0 是跨人类与多种机器人的第一视角移动操作世界基础模型，用 1 万小时人类、3 千小时机器人数据训练。

Ropedia · Tianqi Liu, Hanfei Zhao, Qifeng Liang +12

机器人与具身视觉生成 arXiv 代码 HF

#73 ▲131 ★101 ❝0 2026-09-29

STEPQuant: When and Where Errors Matter in Delta-Rule Recurrent State Quantization

STEPQuant 分析线性注意力循环状态量化误差在时间和空间上的影响，实现低精度状态存储。

Zhejiang University · Bingchen Yao, Haobo Xu, Haokun Lin +6

高效训练与推理 arXiv 代码 HF

#74 ▲117 ★185 ❝0 2026-10-15

3DCodeVerse: Exploring 3D Worlds as Code

3DCodeVerse 提供 200 万条可执行 3D 代码数据和编码框架，让 Agent 生成可编辑可验证的 3D 内容。

University of Southern California · Yipeng Gao, Ziyao Zeng, Jinfa Huang +16

代码与软件工程视觉生成 arXiv 代码 HF

#75 ▲38 ★115 ❝6 2026-09-21

Harness-Zero: Harness Distillation via Agent-as-Harness

Harness-Zero 把专用 Agent 框架带来的能力蒸馏进模型权重，换成通用框架也不掉点。

Peking University · Haoran Ye, Yuxing Lu, Haonan Dong +2

智能体高效训练与推理 arXiv 代码 HF

#76 ▲63 ★210 ❝3 2026-09-30

Video Generation Models: A Survey of Post-Training and Alignment

视频生成模型后训练与对齐的综述，梳理时序一致性、物理和安全约束等难点。

Arizona State University · Chaoyu Li, Xiaoyi Gu, Yogesh Kulkarni +10

视觉生成对齐 arXiv 代码 HF

#77 ▲205 ❝1 2026-09-28

On-Policy or Off-Policy Learning? A Systematic Study of Distillation Dynamics

在受控实验中分离 on-policy 与 off-policy 蒸馏的作用，发现结论比“on-policy 总更好”复杂。

University of Cambridge · Julianna Piskorz, Antonin Berthon, Mihaela van der Schaar

高效训练与推理推理 arXiv HF

#78 ▲266 ❝0 2026-09-30

UniEvo-VL: An On-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement

UniEvo-VL 让同一个多模态模型分别扮演教师和学生，用自我批评做在线自蒸馏实现自我提升。

Stanford NLP · Fang Wu, Da Xing, Yanjie Huang +16

多模态 arXiv HF

#79 ▲151 ★70 ❝0 2026-09-28

PanoVLN: Towards Effective Panoramic Vision-and-Language Navigation

PanoVLN 研究如何让视觉语言导航真正用好全景图像，而不是简单替换透视图。

Zhejiang University · Zhen Wang, Changpeng Wang, Zhe Liu +5

机器人与具身多模态 arXiv 代码 HF

#80 ▲153 ★13 ❝1 2026-10-06

Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?

Learn2Play Bench 用规则新奇甚至反直觉的文字游戏，检验 Agent 能否从经验中学习。

National University of Singapore · Yibo Li, Jinhang Qiu, Zhi Zheng +4

智能体评测与数据 arXiv 代码 HF

#81 ▲75 ★763 ❝0 2026-09-26

MassAlloc Attention: Let Attention Allocate Its Own Compute

MALA 注意力按每个位置的贡献自适应分配计算，跳过贡献极小的部分以提速。

Beijing Academy of Artificial Intelligence · Jingze Shi, Zhangyang Peng, Xianduo Li +6

高效训练与推理 arXiv 代码 HF

#82 ▲30 ★224 ❝19 2026-09-21

Jev-Mem: System-One-Controlled Agentic Memory for Efficient AI Agents

Jev-Mem 用快速的 System 1 控制面管理 Agent 记忆，把昂贵的生成移出记忆操作的关键路径。

机构待核实 · Dongming Jiang, Yi Li, Bingzhe Li

智能体高效训练与推理 arXiv 代码 HF

#83 ▲97 ★74 ❝1 2026-10-06

Recursive Game Creator: An Agentic Product-Level Experience-Oriented Game Harness

Recursive Game Creator 用设计、构建、试玩、评审四个角色递归迭代，让 Agent 做出好玩的游戏。

The University of Hong Kong · Jiajun Chen, Haoyu Wu, Mingda Jia +1

智能体代码与软件工程 arXiv 代码 HF

#84 ▲62 ★102 ❝1 2026-09-28

Improving Test-Time Scaling with Adaptive Looped Transformers

研究循环 Transformer 在测试时扩展中的表现，并提出自适应循环以在同等算力下胜过基线。

Tsinghua-NICS-EFC · Yichen You, Tianyu Fu, Aosong Feng +4

推理高效训练与推理 arXiv 代码 HF

#85 ▲138 ★17 ❝1 2026-09-25

FuseReg: Regularizing Layer Fusion Mitigates the Reconstruction-Generation Gap in Representation Autoencoders

FuseReg 用可训练的层融合加正则，缓解表征自编码器在重建和生成之间的取舍。

USC Physical Superintelligence (PSI) Lab · Hongyang Du, Yunfei Xie, Junjie Ye +13

视觉生成 arXiv 代码 HF

#86 ▲111 ★30 ❝0 2026-10-01

Sharpening Tax in Post-Training

发现 RL 后训练在 Agent 任务上有“锐化税”：预训练模型配轻量框架，多次尝试的覆盖率反而更高。

Meta · Changdae Oh, Qi Zeng, Qi Qi +7

强化学习智能体 arXiv 代码 HF

#87 ▲103 ★114 ❝0 2026-09-22

SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue

SpeakerMem-R1 以说话人为中心构建双轨记忆，解决多人对话中“谁说了什么”的记忆难题。

Zhejiang University · Haobo Zheng, Tan Tang, Yan Chen +2

智能体强化学习 arXiv 代码 HF

#88 ▲154 ★34 ❝0 2026-10-08

Reflex: Visually Grounded Reactive Humanoid Control

Reflex 让人形机器人凭第一视角视觉在一秒内全身反应，例如接住抛来的箱子。

University of Washington · Taoyang Jia, Weikai Huang, Linxin Song +6

机器人与具身强化学习 arXiv 代码 HF

#89 ▲149 ★38 ❝0 2026-10-14

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

MAI-Gym 是开源 GUI Agent 一体化平台，统一评测、数据采集和在线 RL，最多可并行 2 万个环境。

Tongyi-MAI · Panrong Tong, Quyu Kong, Pengxiang Li +12

智能体强化学习评测与数据 arXiv 代码 HF

#90 ▲327 ❝0 2026-09-26

Scaling Properties of Same-Family On-Policy Distillation

研究同族模型间在线策略蒸馏的扩展规律：训练早期准确率随 KL 距离近似线性上升。

Zhejiang University · Yuntai Bao, Qinfeng Li, Guoqing Jiang +5

高效训练与推理强化学习 arXiv HF

#91 ▲110 ★113 ❝0 2026-10-14

Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents

Doc2Harness 直接评测大模型能否按开发文档从零搭建长任务编程 Agent 的执行框架。

Institute of Computing Technology · Yuyao Ge, Shenghua Liu, Peizhong Gao +8

智能体评测与数据代码与软件工程 arXiv 代码 HF

#92 ▲67 ★763 ❝0 2026-09-26

CoWindow Attention: Full Causal Coverage Is a Collective Property

CoWA 注意力让不同 KV 头分摊远程历史，各头稀疏但合起来仍完整覆盖因果上下文。

Beijing Academy of Artificial Intelligence · Jingze Shi, Zhangyang Peng, Xianduo Li +6

高效训练与推理 arXiv 代码 HF

#93 ▲170 ★18 2026-10-19

EgoXperience: Learning World-Grounded Egocentric Representations from Human Experience

EgoXperience 用自动标注引擎联合重建第一视角视频中的人体运动、场景几何与手物交互，并配套基准。

Ropedia · Xinhao Ji, Hui En Pang, Hao Li +12

视觉理解与 3D 机器人与具身评测与数据 arXiv 代码 HF

#94 ▲74 ★100 ❝0 2026-10-12

Multics: Generative Multi-Player World Model with Hierarchical Communication

Multics 用玩家-小组-全局的分层通信生成多人互动世界视频，玩家变多时开销可控。

ARC Lab, Tencent · Kaiyi Huang, Wangbo Yu, Yukun Huang +6

视觉生成 arXiv 代码 HF

#95 ▲134 ★39 ❝0 2026-09-29

AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks

AREX-2 用机器学习和算法编程中的长程改进轨迹训练，让 Agent 在测试时反复反思、不断改进答案。

Beijing Academy of Artificial Intelligence · Hongjin Qian, Chaofan Li, Kun Luo +11

智能体强化学习 arXiv 代码 HF

#96 ▲119 ★75 ❝0 2026-10-05

From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation

Trace2Env 不重建真实系统，而是用历史交互轨迹让一个“世界模型 Agent”扮演环境供其他 Agent 训练评测。

Nanyang Technological University Singapore · Quanyu Long, Xiao Chen, Jianda Chen +4

智能体 arXiv 代码 HF

#97 ▲74 ★49 ❝3 2026-10-01

PROWBench: Do Video Models Render What the Program Specifies?

PROWBench 检验视频模型是否按程序指定的世界事件准确渲染，面向下一代游戏引擎。

Alaya Lab · Zheng-Hui Huang, Guixu Lin, Yu-Ju Tsai +6

视觉生成评测与数据 arXiv 代码 HF

#98 ▲97 ★146 ❝0 2026-09-30

RSIGame: Autonomous Agentic Game Development with Recursive Self-improvement

RSIGame 用局部和全局两层循环递归改进 Agent 生成的游戏，减少只对少数测试过拟合的问题。

RSIGame · Wenyi Wu, Minghao Fu, Jieyu You +10

智能体代码与软件工程 arXiv 代码 HF

#99 ▲206 ★6 ❝0 2026-10-13

RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection Alignment

RoTA-Bench 通过交互式旋转物体对齐剪影，评测视觉语言模型的 3D 空间推理。

MAC-AutoML · Qingchuan Ma, Yuexiao Ma, Xiang Meng +7

多模态评测与数据推理 arXiv 代码 HF

#100 ▲64 ★574 ❝0 2026-10-20

Sage-A1.5: From Long-Horizon Execution to Scientific Exploration with Capability Composition

Sage-A1.5 是 35B MoE 智能体模型，新增子智能体并行协作、过程自检和开放式科学探索能力。

Intern Science · Wenjie Lou, Tianshuo Peng, Shiyang Feng +96

智能体 AI for Science arXiv 代码 HF

#101 ▲76 ★56 ❝0 2026-10-10

Last Secure Code Benchmark: Is the Code You Vibe Secure?

基于 150 个真实漏洞构建 450 个任务，检验编程 Agent“氛围编程”写出的代码是否安全。

Qwen · Tianyi Wu, Chao Ge, Peng Chen +12

代码与软件工程安全与可解释评测与数据 arXiv 代码 HF

#102 ▲70 ★91 ❝0 2026-10-06

VisionWeave: Weaving Elastic Visual Representations as a Native Capability of MLLMs

VisionWeave 让多模态模型端到端学会按内容分配视觉 token 粒度，细节处多给、简单处少给。

Qwen · Yuan Feng, Qize Yang, Ruizhe Chen +9

多模态高效训练与推理 arXiv 代码 HF

#103 ▲86 ★198 ❝0 2026-10-08

SuperNav: An Agentic Navigation System for Any Task in Any Scene

SuperNav 让多模态大模型负责理解请求和决策、把运动交给导航工具，实现任意场景任意任务的导航。

zju3dv · Jinkai Zhang, Jingyi Xu, Yuanhong Yu +5

机器人与具身智能体 arXiv 代码 HF

#104 ▲80 ★49 ❝0 2026-10-03

ALoDLM: Adaptively Looped Diffusion Language Models

ALoDLM 在扩散语言模型中按 token 难度自适应循环计算，缩小与自回归模型的质量差距。

Amazon · Liancheng Fang, Zhuowei Li, Youngeun Kim +10

大语言模型高效训练与推理 arXiv 代码 HF

#105 ▲44 ❝40 2026-09-22

JEV-as-a-Judge: Accept When Confident, Escalate When Unsure

用只做决策的轻量评审模型做第一轮打分，没把握时再升级给大模型，成本仅为后者的零头。

Carnegie Mellon University · Yubo Li, Yidi Miao, Ramayya Krishnan +1

评测与数据高效训练与推理 arXiv HF

#106 ▲124 ★30 ❝0 2026-09-30

FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation

FrameMorrow 用“前瞻 token”按未来需要挑选历史帧，提升长视频生成的效率和一致性。

National University of Singapore · Bo Yin, Xiaobin Hu, Jiaqi Zhao +1

视觉生成高效训练与推理 arXiv 代码 HF

#107 ▲156 ★13 ❝0 2026-10-19

Holi-World: Building Holistic World Intelligence from Human-Ego Experience

Holi-World 是从人类第一视角经验构建世界智能的完整生态，覆盖采集、表征、数据构建、训练和评测。

Ropedia · Hao Li, Xiyuan Zheng, Yuanyuan Gao +7

视觉理解与 3D 评测与数据 arXiv 代码 HF

#108 ▲75 ★287 ❝0 2026-10-08

LeWAM: End-to-End World and Action Modeling with JEPAs

LeWAM 是端到端的 JEPA 世界-动作模型，同一模型既能直接执行策略也能高效规划。

LeWAM · Minghao Fu, Tavis Siebert, Eryk Halicki +1

机器人与具身视觉理解与 3D arXiv 代码 HF

#109 ▲30 ★2.1k ❝0 2026-10-06

NeMo-DCR: Bit-Exact Delta-Compressed Refit for Scalable Agentic RL at Trillion-Parameter Scale

NeMo-DCR 只传输每步变化的约 1% 权重并保证比特级一致，加速万亿参数 Agent RL 的权重同步。

NVIDIA · Songlin Jiang, Zhiyu Li, Terry Kong +5

高效训练与推理强化学习 arXiv 代码 HF

#110 ▲78 ★38 ❝2 2026-09-29

Imagine3D-LLM: Teaching MLLMs to Imagine 3D Scenes Before Answering

Imagine3D-LLM 教多模态模型先在脑中“想象”3D 场景再回答多视角空间问题。

KAIST AI · Jaewoo Jung, Hyeonseo Yu, Honggyu An +10

多模态推理 arXiv 代码 HF

#111 ▲92 ❝6 2026-10-08

MiMo-V2.6: Scaling Reinforcement Learning Towards Self-Improvement

小米 MiMo-V2.6 全模态模型技术报告，重点是从多个维度扩大强化学习算力以实现自我提升。

Xiaomi MiMo · Xiaomi LLM-Core Team, :, Zongming Qiao +147

大语言模型强化学习多模态 arXiv HF

#112 ▲63 ★75 ❝0 2026-10-01

VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks

VeriHarness 把基础模型变成验证 Agent，利用多次采样间的分歧找出可信结论，无需参考答案。

Google · Caiqi Zhang, Rujun Han, Zifeng Wang +4

智能体推理 arXiv 代码 HF

#113 ▲92 ★83 ❝0 2026-10-14

More Methods, Better Agents? A Reality Check on Self-Distillation in Agentic Reinforcement Learning

在统一条件下对比十种 Agent 强化学习自蒸馏方法与 GRPO，检查它们的真实收益和成本。

Zhejiang University · Linhao Zhong, Bozhen Fang, Xuehao Wang +7

智能体强化学习评测与数据 arXiv 代码 HF

#114 ▲102 ★12 ❝0 2026-10-07

VIS-Ground: Video Interactive Storytelling with Contextual Grounding

VIS-Ground 让观众在交互式视频故事中随时干预，同时保持与素材和已生成内容的一致。

Google · Bingxuan Li, Yiwen Song, Xueqing Wu +10

视觉生成 arXiv 代码 HF

#115 ▲52 ★51 ❝5 2026-10-01

Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens

让机器人 Agent 把动作原语组合成可本地重试的 Python 代码块，成功率更高、token 用量更少。

DAGroup-PKU · Ruiyang Si, Jianxin Bi, Shunyu Yang +12

机器人与具身智能体高效训练与推理 arXiv 代码 HF

#116 ▲287 ❝0 2026-10-01

RealCompanion: Benchmarking Human Understanding from Reasoning over Longitudinal Real-World Conversations

RealCompanion 公开 10 段长达 120 天、共 27218 条的真实 AI 陪伴对话，检验模型对人的长期理解。

Quis Lab · Arman Behnam, Sunglyoung Kim, Jiayi Yu +2

评测与数据智能体 arXiv HF

#117 ▲105 ❝3 2026-10-02

Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite

递归自我重写：在各种专用框架下找到成功解，再改写成通用框架下可用的训练轨迹。

Tencent Hunyuan · Zongxia Li, Yucheng Shi, Zhongzhi Li +7

智能体强化学习 arXiv HF

#118 ▲32 ★945 ❝0 2026-10-06

Recurrent Looped Transformer

循环 Transformer 新结构 RLT 让计算深度随序列增长，奇偶校验等任务可泛化到远超训练长度。

Princeton University · Yifan Zhang, Jichen Feng, Shihan Qin +2

大语言模型推理 arXiv 代码 HF

#119 ▲120 ❝1 2026-09-30

Mid-Harness: Scaling Actions Between Model and Harness for Terminal Agents

Mid-Harness 在模型与执行框架之间先采样并验证候选命令再执行，提高终端 Agent 的可靠性。

NVIDIA · Minki Kang, Ryo Hachiuma, Shaokun Zhang +8

智能体高效训练与推理 arXiv HF

#120 ▲251 ❝0 2026-10-09

Beyond Domain-Routed Supervision: Cross-Teacher Guarding for Multi-Teacher On-Policy Distillation

在多教师在线蒸馏中加入跨教师“护栏”，减少不同领域教师之间的梯度冲突。

jingdong · Shi-Yu Tian, Yong Liu, Ximan Liu +10

高效训练与推理 arXiv HF

#121 ▲89 ❝11 2026-09-19

Transferring the Intelligence of VLMs to Robotic Control

RoboDawn 用一组简单的离散平移、旋转和夹爪命令，让视觉语言 Agent 直接控制机器人，检验数字智能能否迁移到物理世界。

机构待核实 · Meng-Hao Guo, Zhe-Han Mo, Jia-Jun Wang +6

机器人与具身多模态 arXiv HF

#122 ▲92 ★62 ❝0 2026-10-01

Hierarchical Continuous Diffusion Language Models

分层连续扩散语言模型在连续状态去噪的同时约束到合法 token，改善并行解码的一致性。

University of Illinois at Urbana-Champaign · Hui Ren, Zihan Li, Chang Liu +2

大语言模型 arXiv 代码 HF

#123 ▲38 ★386 ❝0 2026-10-13

Hybrid Reasoning Agents

混合推理 Agent 在潜空间推理和文本交互之间动态切换，兼顾效率与工具调用。

Stanford University · Jiaru Zou, Yunzhe Qi, Sirui Chen +5

推理智能体 arXiv 代码 HF

#124 ▲104 ★35 ❝0 2026-09-29

Think Before You Score: Thinking Reward Model for Visual Generation

思考型奖励模型先为每个示例制定评分要点再打分，给视觉生成提供更细的奖励信号。

机构待核实 · Xuehai Bai, Zhenchen Tang, Yang Shi +9

视觉生成对齐 arXiv 代码 HF

#125 ▲55 ★63 ❝0 2026-09-21

onPanda: Efficient Annotation of On-Policy Alignment Data for LLMs and Agents via Token-Level Correction

onPanda 是对齐数据标注工具：找到第一个错 token 改掉后让模型续写，低成本标注 Agent 轨迹。

StepFun · Lei Yang, Mengyin Liu, Jia Wang +9

对齐智能体 arXiv 代码 HF

#126 ▲52 ★103 ❝0 2026-10-13

LensErase: A Foundation Model for Erase Anything

LensErase 是通用“擦除一切”模型，基于 1 亿对数据训练，可移除物体、文字、水印及其影子等效果。

Microsoft · Yunuo Chen, Xiuyu Wu, Qinhong Yang +11

视觉生成 arXiv 代码 HF

#127 ▲34 ★227 ❝1 2026-09-29

PixelUMM: Encoder-Free Unified Image and Video Understanding and Generation

PixelUMM 不用视觉编码器，直接在像素空间统一图像和视频的理解与生成。

NVIDIA · Cong Wei, Xuanchi Ren, Bryan Chu +8

多模态视觉生成 arXiv 代码 HF

#128 ▲88 ★51 ❝0 2026-09-20

Grounded Action Model: 3D Grounding as a Foundation for Robotics

提出以 3D 定位为基础的机器人基础模型 GAM，可用语言、点或框指定要操作的物体。

National University of Singapore · Gehao Zhang, Weikai Huang, Shailesh Shailesh +3

机器人与具身 arXiv 代码 HF

#129 ▲237 ❝0 2026-10-19

Scaling Parameter-Efficient Fine-Tuning for Brain Encoding

用参数高效微调把最大 104B 的多模态模型适配到脑编码任务，更准确地预测大脑对刺激的反应。

Mind Lab · Zhuofan Josh Ying, Guanglong Sun, Nolan Ho +6

AI for Science 高效训练与推理 arXiv HF

#130 ▲165 ❝0 2026-10-09

Scaling Agentic Data for Long-Horizon Terminal Intelligence

研究如何规模化合成高质量长程终端任务轨迹，训练能完成专业任务的终端 Agent。

alibaba · Shun Zou, Ziyu Ma, Yi Zou +6

智能体评测与数据 arXiv HF

#131 ▲76 ★34 ❝1 2026-10-04

SearchJev: A Fast and Calibrated System-1 Model for Search Agents

SearchJev 是快速且校准良好的 System 1 模型，专门替搜索 Agent 做相关性和下一步动作的判断。

机构待核实 · Congfeng Cao, Lipeng Zuo, Konstantinos Papakostas +6

智能体高效训练与推理 arXiv 代码 HF

#132 ▲132 ★9 ❝0 2026-10-07

LiveMACE: Process-Aware Evaluation of LLM Agent Capabilities in Evolving Markets

LiveMACE 用实时金融市场做测试场，从结果和过程两方面评估持续运行的大模型 Agent。

Fudan University · Jun Zhao, Leiming Fu, Yanbo Wen +9

智能体评测与数据 arXiv 代码 HF

#133 ▲110 ★23 ❝0 2026-10-15

Behavioral Compositionality of Sparse Autoencoder Representations

提出 SAR 指标，衡量稀疏自编码器特征在下游行为上能否“相加组合”，服务可解释性研究。

OpenSAE · Haotian Ma, Ziye Mei, Frederic Sala

安全与可解释 arXiv 代码 HF

#134 ▲34 ★178 ❝4 2026-10-02

4DCodeBench: Benchmarking Agents on Inverse Graphics of Dynamic Scenes

4DCodeBench 要求 Agent 把动态视频重建为可执行的图形程序，考察 4D 逆向图形能力。

4DCodeBench · Ruihong Shen, Žiga Kovačič, Peter Kulits +6

评测与数据代码与软件工程视觉理解与 3D arXiv 代码 HF

#135 ▲47 ★215 ❝1 2026-10-20

SolarRenderer: Few-Step Generative Reference Rendering

SolarRenderer 给冻结的视频大模型加两个 LoRA，把游戏引擎粗结构视频四步渲染成真实画面，并支持实时流式。

Show Lab · Guian Fang, Shengju Qian, Dongyue Lu +6

视觉生成高效训练与推理 arXiv 代码 HF

#136 ▲60 ★207 ❝0 2026-10-07

SGF+: Decoupling Gradient Flows for Autoregressive Video Generation

SGF+ 把自回归视频生成中“写上下文”和“去噪”分到不同参数，缓解两者梯度冲突。

机构待核实 · Zihan Su, Junhao Zhuang, Yaowei Li +10

视觉生成 arXiv 代码 HF

#137 ▲111 ★20 ❝0 2026-10-08

SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments

SoftwareGym 自动合成多样、可运行且可验证的 GUI 软件环境，用来扩大电脑操作 Agent 的训练。

Shanghai Jiao Tong University · Tian Jin, Wenhao Wang, Jing Kang +4

智能体评测与数据 arXiv 代码 HF

#138 ▲88 ★30 ❝0 2026-10-10

Vela: User Behavior as Supervision Sparks LLM Intelligence

Vela 把真实用户长期行为记录当作监督信号，提升大模型推断偏好、意图和未来行为的能力。

AllSpark Research · Yang Xiao, Yusong Sun, Haoyi Wu +17

大语言模型 arXiv 代码 HF

#139 ▲152 ❝0 2026-10-05

LoGRA: Scaling LLM Reinforcement Learning with Low-Rank Gradient Sketches

LoGRA 用低秩梯度草图压缩 RL 后训练的显存，并按预测 KL 控制步长保持稳定。

NVIDIA · Shaokun Zhang, Yifan Zhang, Jian Hu +5

强化学习高效训练与推理 arXiv HF

#140 ▲89 ★34 ❝0 2026-10-01

World Observer: Joint Actor-Observer Generation for Persistent World Modeling

World Observer 在行动者视角之外同时生成全景“观察者”画面，让离开视野的物体也持续演化。

KAIST AI · Hyunwook Choi, Dahyun Chung, Hyunsung Kim +4

视觉生成 arXiv 代码 HF

#141 ▲112 ★7 ❝1 2026-09-30

EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery

EvoDuet 让解法和搜索查询双层协同进化，帮助大模型进化搜索在需要外部知识时不再停滞。

Minnesota NLP · Young-Jun Lee, Jinheon Baek, Soyeong Jeong +5

AI for Science 智能体 arXiv 代码 HF

#142 ▲72 ★104 ❝0 2026-10-01

Rethinking World-Action Model for Compositional and In-Context Robotic Manipulation

ViGAR 把长程操作拆成“视觉子目标规划 + 子目标执行”，提升组合式和上下文学习式机器人操作。

DAGroup-PKU · Shukai Gong, Xuanran Zhai, Yintianrun Zhang +16

机器人与具身推理 arXiv 代码 HF

#143 ▲51 ★81 ❝0 2026-10-14

Intern Lumina U2: A Multi-Codebook Diffusion Large Language Model for Omni-Visual Understanding and Image Generation

Intern Lumina U2 用多码本扩散大模型在同一空间里统一视觉理解和图像生成。

Shanghai AI Laboratory · Qian Yu, Zongyang Qiu, Juncheng Yan +40

多模态视觉生成 arXiv 代码 HF

#144 ▲33 ★141 ❝4 2026-09-21

From Pattern Recognizers to Personalized Companions: A Survey of Large Language Models in Mental Health

大模型在心理健康领域应用的综述，梳理从模式识别到个性化陪伴的演进脉络。

机构待核实 · He Hu, Yucheng Zhou, Qianning Wang +8

大语言模型 AI for Science arXiv 代码 HF

#145 ▲43 ★48 ❝1 2026-10-14

Orbia: Do Generated Videos Form a Consistent 3D World?

Orbia 是首个系统评测交互式世界模型 3D 一致性的基准，检查回访时场景是否保持不变。

Tencent · Dongyue Lu, Guian Fang, Hur Lim +20

视觉生成评测与数据 arXiv 代码 HF

#146 ▲134 ★7 ❝0 2026-09-26

VoxMem: Benchmarking Multimodal Memory in Large Audio Language Models

VoxMem 评测音频大模型能否记住语音里“谁说的、怎么说的、听到了什么”等转写之外的信息。

The University of Melbourne · Yang Xiao, Vidhyasaharan Sethu, Eun-Jung Holden +1

多模态评测与数据 arXiv 代码 HF

#147 ▲92 ★28 ❝0 2026-09-22

Disaggregated Quantization: Specializing LLM Prefill and Decode

分离式量化：为预填充和解码两个阶段分别定制计算格式与权重，兼顾速度和精度。

IST Austria Distributed Algorithms and Systems Lab · Andrei Panferov, Maximilian Kleinegger, Sweta Priyadarshi +2

高效训练与推理 arXiv 代码 HF

#148 ▲60 ★135 ❝0 2026-10-13

OmniCompass: A Holistic Benchmark for Omni-Modal Video Grounding and Understanding

OmniCompass 分视觉和音视频两条赛道，全面评测模型的视频定位与理解能力。

VCLab · Xuyang Liu, Shihao Wang, Xinyu Wei +5

多模态评测与数据 arXiv 代码 HF

#149 ▲64 ★44 ❝1 2026-10-08

OuroWorld: Bringing Any 3D World Alive as Diverse, Endlessly Looping 3D Cinemagraphs

OuroWorld 把任意静态 3D 高斯场景变成可从任意视角无缝循环的“3D 动态照片”。

Alaya Lab · You-Zhe Xie, Ting-Wei Chou, Yu-Hsuan Li +3

视觉生成 arXiv 代码 HF

#150 ▲140 ❝0 2026-09-29

Adaptive Reward Routing: Dynamic Multi-Reward Optimization for Joint Audio-Video Diffusion via Forward-Process RL

自适应奖励路由在训练中动态调整更新位置和多个奖励的权重，改进音视频联合生成。

Tencent · Songlin Yang, Xiaotong Zhao, Jiacheng Zhang +5

视觉生成强化学习 arXiv HF

#151 ▲96 ★21 ❝0 2026-10-12

TPPO: Tracking-Value PPO For Language Model Reasoning

TPPO 用累加式价值参数化追踪推理过程中的价值变化，改进 PPO 的逐 token 信用分配。

机构待核实 · Futing Wang, Chenxi Li, Jianhao Yan +6

强化学习推理 arXiv 代码 HF

#152 ▲64 ★90 ❝0 2026-09-19

Spatial-Interactor: Learning Spatial Reasoning through Interaction with the Observable Physical World

Spatial-Interactor 用“观察-动作-新观察”的交互轨迹训练视觉语言模型的动态空间推理。

ZJU-OmniAI · Kaixiang Yao, Xu Wang, Miao Pan +10

多模态推理 arXiv 代码 HF

#153 ▲90 ★26 ❝0 2026-10-07

GRACE: Generation-aware latent compression for efficient video generation

GRACE 在保持与预训练 DiT 兼容的前提下进一步压缩视频潜空间，加速视频生成。

KAIST AI · Jiyoung Kim, Paul Hyunbin Cho, Jisu Nam +5

视觉生成高效训练与推理 arXiv 代码 HF

#154 ▲64 ★20 ❝0 2026-10-14

ActionOPD: Distilling Decisions, Not Tokens

ActionOPD 以“动作”而不是 token 为单位做在线蒸馏，把大模型 Agent 的决策能力迁移给小模型。

Tsinghua-NICS-EFC · Huining Yuan, Xiangmin Yi, Zelai Xu +5

智能体高效训练与推理 arXiv 代码 HF

#155 ▲77 ★58 ❝0 2026-09-21

Ovis-Embedding: Pushing the Frontiers of Universal Omni-Modal Embeddings

Ovis-Embedding 基于全模态底座，把文本、图像、视频和音频编码到同一个向量空间。

ATH-MaaS · Ovis-Embedding Team

多模态 arXiv 代码 HF

#156 ▲84 ★40 2026-10-19

ScaleNav: Scalable Internet Video Pretraining for Language-Conditioned Local Navigation

ScaleNav 从互联网第一视角视频中学习目标导向的视觉动态，用于语言指令下的机器人局部导航。

机构待核实 · Yihui Yang, Yuanhong Yu, Jiawei Wang +7

机器人与具身 arXiv 代码 HF

#157 ▲50 ★45 ❝0 2026-09-20

One to More, More to One: Category-Aware Iterative Expert Training for Software Engineering Agents

按任务类别分别训练软件工程专家再合并，缓解统一 RL 训练中各类任务此消彼长的问题。

alibaba · Jie Zhao, Ziyu Jiang, Suhang Zheng +3

代码与软件工程强化学习智能体 arXiv 代码 HF

#158 ▲86 ★11 ❝1 2026-09-29

Learning Meta-Skills for Agent Harness Design in Test-Time AI4AI

让“构建者”模型学习元技能，为固定的目标模型自动搭建更好的执行环境（测试时 AI4AI）。

Apodex · Cheng Qian, Kunlun Zhu, Beibin Li +2

智能体 arXiv 代码 HF

#159 ▲93 ★21 ❝0 2026-10-15

Speculative Forcing for Efficient Autoregressive Video Generation

推测式强制把中间去噪结果当草稿，提前接受已收敛的 token，加速自回归视频生成。

NAVER AI Lab · Hyunwook Choi, Seungryong Kim, Dongyoon Han +1

视觉生成高效训练与推理 arXiv 代码 HF

#160 ▲68 ★22 ❝0 2026-09-30

Scoring Higher, Answering Worse: Mitigating Reward Hacking in Rubric-Based RL via Protocol-Level Rubrics

指出基于评分细则的 RL 用加权求和会被“刷分”（以临床问诊为例），并提出协议级细则加以缓解。

ByteDance · Maoqi Liu, Junwei He, Bowen Zhang +5

强化学习对齐 AI for Science arXiv 代码 HF

#161 ▲72 ★13 ❝0 2026-09-27

TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces

TraceDance 从真实部署轨迹中自动构建针对特定不良行为的 Agent 测试集。

ByteDance · Dehai Min, Daoan Zhang, Yiming Zeng +13

智能体评测与数据安全与可解释 arXiv 代码 HF

#162 ▲72 ★21 ❝1 2026-10-08

Multi-Agent Egocentric World Model with Fine-Grained Embodied Interaction

多智能体第一视角世界模型，同步生成多个 Agent 在同一环境中的细粒度交互画面。

KAIST AI · Dahyun Chung, Siyoon Jin, Hyunwook Choi +5

视觉生成机器人与具身 arXiv 代码 HF

#163 ▲93 ★29 ❝0 2026-09-29

SAKI: Maximal-Coupling-Routed Teacher Supervision for On-Policy Distillation

SAKI 用 KL 约束的教师引导采样和最大耦合来分配蒸馏监督，帮助弱学生模型学习。

meituan · Miteto Wei, Xiaohan Wang, Zehao Chen +7

高效训练与推理 arXiv 代码 HF

#164 ▲66 ★89 ❝0 2026-09-23

The Past Frames the Future: Memory for Autoregressive Video Generation

系统讨论自回归视频生成的记忆问题：如何在有限上下文中保住身份、状态和因果变化。

机构待核实 · Harold Haodong Chen, Rongjin Guo, Disen Lan +22

视觉生成 arXiv 代码 HF

#165 ▲98 ❝1 2026-10-01

World Action Modeling with Progressive Visual Planning

ProWAM 预测动作和一串稀疏的视觉子目标，比生成整段视频更高效地引导长程操作。

Meta · Fei Zhang, Zhaochong An, Duncan Frost +5

机器人与具身高效训练与推理 arXiv HF

#166 ▲21 ★619 ❝1 2026-10-04

Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training

Prism 动态稀疏注意力聚焦发声区域，用于原生 2K 音视频联合生成模型的训练。

Tencent Hunyuan · Shuyuan Tu, Qi Tian, Yinming Huang +8

视觉生成高效训练与推理 arXiv 代码 HF

#167 ▲75 ★46 ❝0 2026-09-29

EngiWorld: What Can Frontier Agents Deliver in Professional Engineering Environments?

EngiWorld 收录 1301 个专家任务，覆盖 CAD、CAE、EDA 等 6 个工程领域和 26 款专业软件。

Zhiman AI · Hongcheng Gao, Hailong Qu, Yu Lei +19

智能体评测与数据 arXiv 代码 HF

#168 ▲38 ★625 ❝0 2026-09-29

HelixWorld: A Real-time Interactive Audio-Visual World Model

HelixWorld 是实时可交互的音视频世界模型，画面和立体声随用户操作同步变化。

NoizAI · Lei Ke, Jiahao Pan, Zeyue Tian +13

视觉生成多模态 arXiv 代码 HF

#169 ▲118 ★5 ❝0 2026-10-13

Pack Light, CarryOn: Building Object-Oriented Context for Long-Horizon Agents

CarryOn 以可复用的“任务对象”组织长程 Agent 的上下文，而不是反复读历史记录。

McAuley-Lab · Yuchen Lu, Julian McAuley, Lei Zhang

智能体高效训练与推理 arXiv 代码 HF

#170 ▲29 ★28 ❝12 2026-09-24

Just Ask Jev: Reinforcement Learning for Calibrated Decisions as a Zero-Shot Detector of AI Alignment Failures

测试经 RL 校准的决策模型 Jev 能否零样本检测谄媚、越狱、欺骗等十类对齐失败。

机构待核实 · Ruoqi Guo, Yi Liu, Gelei Deng +6

安全与可解释对齐 arXiv 代码 HF

#171 ▲129 ❝0 2026-09-28

LEGO-Anything: Coding Agents for 3D Scene Reconstruction

LEGO-Anything 让编程 Agent 反复编写和执行 Blender 代码，从单张图片重建可编辑的 3D 场景。

Amazon Web Services · Xirui Li, Peng Shi, Mingwen Dong +7

代码与软件工程视觉理解与 3D 智能体 arXiv HF

#172 ▲55 ★33 ❝1 2026-10-09

OpenMobile-2: Building Versatile Mobile Agents with Scalable Environments and App-Native Tools

OpenMobile-2 开放 110 多个应用的训练环境和约 1.2 万条交互轨迹，训练接近前沿水平的手机智能体。

Nanjing University · Chenyang Yan, Yingying Zhang, Kanzhi Cheng +21

智能体强化学习 arXiv 代码 HF

#173 ▲57 ★19 ❝0 2026-09-16

RayOrch: Programming and Executing Lineage-Controlled Multi-Grain Dataflows for Foundation-Model Data Preparation

RayOrch 是为基础模型数据准备设计的分布式数据流引擎，保留父子数据关系并高效批处理。

Peking University · Xiaochen Ma, Zimo Meng, Junzhu Liang +13

高效训练与推理 arXiv 代码 HF

#174 ▲95 ❝1 2026-09-26

Groupwise Agentic Grading and Advantage Redistribution for Code Agent RL

GAGAR 在编程 Agent RL 中按实现质量重新分配优势值，奖励更干净、更聚焦的代码修改。

Xiaomi MiMo · Jinhao Dong, Liang Zhao, Zihao Yue +7

代码与软件工程强化学习 arXiv HF

#175 ▲110 ★6 ❝0 2026-10-13

GreenWAM: A World Foundation Model for Robotics

GreenWAM 是机器人世界基础模型，用统一关节动作空间覆盖 20 类机器人，同时充当世界模型和策略。

Sber Robotics Center · Gennady Sidorov, Valerii Kornilov, Denis Grankin +2

机器人与具身 arXiv 代码 HF

#176 ▲65 ★5 ❝3 2026-09-30

More Choices, Fewer Decisions: Ordinal-Scale Bias in JEV-like Direct-Decision Models

发现 JEV 类直接决策模型在有序打分时偏向中间档，没有充分利用整个评分尺度。

Jilin University · Tianxiang Gao, Jinzhe Li, Zhiyuan Li +2

评测与数据 arXiv 代码 HF

#177 ▲49 ★54 ❝1 2026-09-29

EVO-WAM: Evolving World Action Models through Video-Action Verification

EVO-WAM 让世界-动作模型从自己生成并通过校验的视频-动作轨迹中学习新任务，无需新示范。

Harbin Institute of Techonology, Shenzhen · Shiyang Zhou, Xionghao Wu, Wenbo Li +11

机器人与具身 arXiv 代码 HF

#178 ▲37 ★86 ❝0 2026-10-14

DeltaStreamer: Towards Human-Like Agentic Streaming Video Understanding

DeltaStreamer 模仿人类观察方式，结合变化感知记忆和按需回放，理解流式视频。

ByteDance · Boyuan Sun, Deshui Miao, Wenzhao Gao +8

多模态智能体 arXiv 代码 HF

#179 ▲46 ★46 ❝0 2026-10-05

MC-Sparse: Deconstructing and Closing the Dense-Sparse Attention Gap in Diffusion Transformers

MC-Sparse 免训练地逐个挑选 KV token 并缓存补偿，缩小扩散 Transformer 稀疏与稠密注意力的质量差。

Tencent Hunyuan · Jiarui Chen, Zeqiang Lai, Jiangshan Wang +5

视觉生成高效训练与推理 arXiv 代码 HF

#180 ▲51 ★112 ❝0 2026-09-30

Does Learning Protein Folding Generalize to Broader Reasoning?

研究让大模型学习蛋白质折叠能否迁移成通用的空间与结构推理能力。

Shanghai JiaoTong University · Yong Liu, Zhanpeng Shi, Yizhou Dang +4

AI for Science 推理 arXiv 代码 HF

#181 ▲182 ❝0 2026-10-20

Matrix-Game 4.0: Harnessing Video Models for Real-Time Playable Game Worlds

Matrix-Game 4.0 让轻量引擎和编程智能体管游戏逻辑、视频模型管画面，单张 RTX 5090 跑出 60 帧。

机构待核实 · Jihai Zhang, Runjia Qian, Kaiqin Kong +15

视觉生成智能体 arXiv HF

#182 ▲103 ★7 ❝0 2026-09-26

Prefill-Free Cross-Family KV Cache Transfer for Heterogeneous Multi-Agent LLMs

HeteroFold 让不同家族的大模型之间直接传递 KV 缓存，多智能体协作时免去重复预填充。

University of Southern California · Vincent-Daniel Yun, Woosang Lim, Haneul Yoo +3

高效训练与推理智能体 arXiv 代码 HF

#183 ▲75 ★27 ❝0 2026-09-29

EVOKE: Eliciting World Knowledge in Agents for Transferable Decision-Making

EVOKE 通过训练激发大模型预训练中已有的世界知识，让 Agent 更好地迁移到新环境。

Shanghai Jiao Tong University · Yuhan Guo, Jinming Liu, Liang Xu +8

智能体 arXiv 代码 HF

#184 ▲81 ★30 ❝0 2026-09-26

DoSA: Dots Sparse Attention

DoSA 用上下界证明提前排除不可能入选的 key，在不改变 Top-K 结果的前提下加速稀疏注意力。

dots studio · Fanxu Meng, Taosong Fang

高效训练与推理 arXiv 代码 HF

#185 ▲87 ★5 ❝1 2026-09-28

Agent Priors-guided Policy Learning

把每个技能策略的结构先验纳入 Agent 的技能接口，让少样本机器人同时做到组合泛化和技能泛化。

National University of Singapore · Puming Jiang, Tianrun Hu, Haozhe Du +4

机器人与具身智能体 arXiv 代码 HF

#186 ▲94 ★12 ❝0 2026-10-20

S-Agent 2.0: Spatial Reasoning with a General Coding Agent

S-Agent 2.0 给通用编程智能体配上命令行 3D 感知工具和场景记忆，显著提升空间推理基准成绩。

Ropedia · Rui Gong, Ruoyu Wang, Yalun Dai +9

智能体推理 arXiv 代码 HF

#187 ▲90 ❝1 2026-09-25

Duplex-MPE: Benchmarking Multi-Party Interaction in Full-Duplex Dialogue

Duplex-MPE 用 2000 个多人对话场景，评测全双工语音助手何时该接话、沉默或停下。

Peking University · Chengqian Ma, Wenhao Feng, Weixuan Jin +7

多模态评测与数据 arXiv HF

#188 ▲63 ★11 ❝0 2026-10-01

AutoGUIWorld: Image Generators as Visual World Models for GUI Agent

AutoGUIWorld 用图像生成模型充当 GUI 的视觉世界模型，合成多样的界面交互轨迹。

Tencent Hunyuan · Cheng Yang, Yifan Wu, Yutao Huang +18

智能体视觉生成 arXiv 代码 HF

#189 ▲23 ★2.9k ❝0 2026-10-05

RealtimeWAM: One-Step Asynchronous World Action Models

RealtimeWAM 一步生成动作并异步推理，让世界-动作模型满足实时控制需求。

Nanyang Technological University · Chengtao Lv, Jinyang Du, Shuyi Feng +7

机器人与具身高效训练与推理 arXiv 代码 HF

#190 ▲175 ❝0 2026-10-15

Learning to Think and Explore in 3D World

让视觉语言模型像人一样一次看一张图，在 3D 环境中边推理边移动视角再作答，用 RL 训练。

University of California at San Diego · Yijiang Li, Bingyang Wang, Nuno Vasconcelos

多模态强化学习推理 arXiv HF

#191 ▲56 ★12 ❝2 2026-09-21

All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts

用按文字体系分路的混合专家，做一个比逐语言模型简单、比大视觉语言模型轻的多语种场景文字识别器。

Fudan University · Xingsong Ye, Yongkun Du, Jiaxin Zhang +6

视觉理解与 3D 高效训练与推理 arXiv 代码 HF

#192 ▲86 ★20 ❝0 2026-09-28

LLMs are General Asynchronous Agents

提出通用异步 Agent：大模型在思考或执行时也能接收新输入，适配语音、具身、监控等并发场景。

Yandex Research · George Yakushev, Denis Mazur, Vladimir Bartenev +4

智能体 arXiv 代码 HF

#193 ▲47 ★164 ❝0 2026-10-01

Science Utopia? Closed-Loop LLM Simulation of Academic Research Ecosystems

SciUtopia 用大模型 Agent 闭环模拟学术生态：选题、合作、投稿、评审、引用和资助。

Georgia Institute of Technology · Yiqiao Jin, Yiyang Wang, Lucheng Fu +8

智能体 AI for Science arXiv 代码 HF

#194 ▲45 ★28 ❝0 2026-10-16

Self-Evolving Coding Agents via Harness-Policy Optimization

微软 Self-HPO 交替优化编程智能体的“外壳”（harness）和策略模型，实现递归自我改进。

Microsoft Research · Zhepei Wei, Wenlin Yao, Baolin Peng +5

代码与软件工程智能体强化学习 arXiv 代码 HF

#195 ▲41 ★233 ❝0 2026-10-06

WorldSonus: Bringing Sound to Worlds

WorldSonus 为世界模型实时生成与画面和相机运动对齐的立体声，并支持中途指令控制。

NoizAI · Pengjun Fang, Jingyi Fa, Kam Man Wu +9

视觉生成多模态 arXiv 代码 HF

#196 ▲108 ❝0 2026-09-28

Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression

发现分块 KV 缓存压缩带来“相位敏感”：信息在压缩窗口中的位置不同，检索准确率差异明显。

ByteDance Seed · Xingyu Zhu, Pu, Yi +6

高效训练与推理 arXiv HF

#197 ▲82 ★13 ❝0 2026-10-14

LatentLoop: Scaling Looped MoE Models with Asymmetric Compute Allocation

LatentLoop 发现循环 MoE 中两次循环作用不对称，据此非对称分配算力以提升效果。

机构待核实 · Zefeng He, Yunkai Chai, Xiaoyang Chen +5

高效训练与推理 arXiv 代码 HF

#198 ▲57 ★17 ❝0 2026-09-29

OmniTaskonomy: When Does Visual Generation Improve Visual Understanding?

研究视觉生成训练何时能提升视觉理解：配方对时，图生图训练能带来理解任务的增益。

UC Berkeley · Jiaxin Ge, Yiming Qin, Ji Xie +13

多模态视觉理解与 3D arXiv 代码 HF

#199 ▲84 ★10 ❝0 2026-10-14

Speculative Sampling in Interactive Video Generation

交互式视频生成中的“推测采样”：用大窗口预测并缓存结果，兼顾画质与低延迟。

university of science and technology of china · Yubo Huang, Yuxuan Zhang, Jiaming Liu +2

视觉生成高效训练与推理 arXiv 代码 HF

#200 ▲106 ★4 ❝0 2026-09-30

WorldAuditBench: Interactive 3D World Auditing with Multimodal Agents

WorldAuditBench 让多模态 Agent 在 3D 世界中移动搜寻漂浮物体、穿墙等异常。

University of California, Santa Barbara · Ziyan Jiang, Jingbo Yang, Jiabao Ji +5

多模态智能体评测与数据 arXiv 代码 HF

#201 ▲35 ★49 ❝3 2026-10-05

Towards Looped Models Done Right, Part II: Rethinking at Fixed Points

循环语言模型的状态越接近不动点，训练、解码和强化学习都能走捷径，从而大幅省算力。

Institute of Foundation Models · Benhao Huang, Chufan Shi, Junlin Chen +4

高效训练与推理大语言模型 arXiv 代码 HF

#202 ▲63 ★14 ❝1 2026-09-30

Science or Slop?: Benchmarking and Mitigating Scientific Slop in AI-Generated Papers

SciSlopBench 收录 390 篇 AI 生成论文，检测看似合理但推理断裂的“科研垃圾”，并探索缓解办法。

Seoul National University · Yerim Oh, Young-Jun Lee, Jaewoo Ahn +2

评测与数据 AI for Science arXiv 代码 HF

#203 ▲37 ★67 ❝0 2026-10-09

Correction Training for Diffusion Models

为缓解扩散模型的曝光偏差，额外训练一个“校正器”在每个去噪步修正预测，在 DiT、SiT、JiT 上明显提升质量。

University of California, Berkeley · Donghoon Ahn, Runqian Wang, Alexei A. Efros +2

视觉生成 arXiv 代码 HF

#204 ▲74 ★17 ❝0 2026-10-09

EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents

EmbodiedCLBench 是首个具身仿真中的持续学习基准，考察 Agent 能否组合旧技能完成新任务。

PKU-VaLuE-Lab · Jie Huang, Yanan Chen, Ruixun Liu +6

机器人与具身智能体评测与数据 arXiv 代码 HF

#205 ▲64 ★18 ❝0 2026-09-29

In-context Robot Learning Made Simple: A Democratized Recipe for Manipulation Tasks

先明确定义机器人上下文学习要学什么，再给出一套简单易复现的操作任务方案。

机构待核实 · Minxing Li, Minghao Han, Weizhi Zhao +10

机器人与具身 arXiv 代码 HF

#206 ▲74 ★23 ❝0 2026-09-28

LongCat-DeepResearch Technical Report

美团 LongCat 深度研究系统技术报告：多 Agent 分工规划、并行调研和分节修订，生成有证据的长报告。

LongCat · Meituan LongCat Team, He Zhu, Yue Xu +28

智能体 arXiv 代码 HF

#207 ▲62 ★36 ❝0 2026-10-15

Mosaic: Multi-Session Agentic Reinforcement Learning

Mosaic 把智能体强化学习扩展到多会话轨迹，匹配上下文压缩和子智能体分叉等真实推理方式。

LARK Lab@HKUST (GZ) · Yilong Xu, Minrui Xu, Xinyu Zhou +3

强化学习智能体 arXiv 代码 HF

#208 ▲103 ❝0 2026-09-29

Predictive Credit: Measuring What Scientific Explanations Add to Experimental Forecasts

提出“预测贡献”指标，衡量科研 Agent 对实验的解释是否真能改善结果预测；预注册检验结论为不确定。

Carnegie Mellon University · Jingjie Ning, Xueqi Li, Yibo Kong +1

AI for Science 评测与数据 arXiv HF

#209 ▲145 ❝0 2026-10-05

VepAgent: Bridging Causal-Transition via Tool-Augmented Reinforcement Learning for Video Event Prediction

VepAgent 把因果转移推理与工具增强强化学习结合，用于预测视频中接下来会发生的事件。

UCSC-VLAA · Qiutong Chen, Yuchan Guo, Zhenlong Yuan +10

多模态强化学习推理 arXiv HF

#210 ▲62 ★27 ❝0 2026-10-16

Scene-Designer: Learning Design Intelligence for Agentic 3D Scene Generation

Scene-Designer 从设计与评审两类经验中学习“设计智能”，用文字生成完整可用的 3D 室内场景。

ZJU-OmniAI · Xuanyu Liu, Hongyan Feng, Miao Pan +5

智能体视觉理解与 3D arXiv 代码 HF

#211 ▲24 ★1.1k ❝0 2026-10-12

StartLux-Decision: AutoThink Decision Models with Reinforcement Learning for Calibrated Deliberative Decisions

StartLux-Decision 决策模型（0.8B–27B）对有把握的情况直接作答、不确定时才推理，并用强化学习校准决策概率。

StartLux · Xialie Zhuang, Zunhai Su, Jia Pan +3

推理强化学习 arXiv 代码 HF

#212 ▲34 ★111 ❝1 2026-09-24

Qwen-Planner-Agent: A Closed-Loop AI-for-AI Framework for Real-World Mobile Planner Agents

通义 Qwen-Planner-Agent 用“AI 开发 AI”的闭环框架迭代训练真实手机上的规划智能体。

Tongyi-MAI · Tingyu Qu, Weigao Sun, Yuecheng Liu +23

智能体强化学习 arXiv 代码 HF

#213 ▲104 ❝1 2026-09-21

RULER: Instance-aware Rubric Rewards for SVG Generation

RULER 用针对每条指令的多维评分细则当奖励，训练模型生成 SVG 矢量图，缓解奖励作弊。

inclusionAI · Hangyu Ran, Yuhao Zheng, Yingying Zhang +2

强化学习视觉生成 arXiv HF

#214 ▲148 ❝0 2026-10-20

PAR: Progress-Aligned Recurrence for Length Generalization in State Tracking

PAR 让循环语言模型每轮迭代对齐“已完成的步数”并锚定状态范数，状态追踪任务可外推到训练长度的 16 倍。

ant-international · Pan Wang, Yihao Hu, Guangyuan Dong +8

大语言模型推理 arXiv HF

#215 ▲72 ★2 ❝2 2026-10-06

CheckerBench: Can Long-Horizon Agents Synthesize Static-Analysis Checkers?

CheckerBench 用源自 297 个 CVE 的 300 个任务，测智能体能否在真实仓库写出静态分析检查器。

Humanlaya Data Lab · Hang He, Li Wang, Hao Chen +9

代码与软件工程智能体评测与数据 arXiv 代码 HF

#216 ▲62 ★30 ❝0 2026-10-04

Memadapter: Counterfactual Adaptation Against Memory-induced Sycophancy

Memadapter 用反事实适配缓解长期记忆引发的谄媚，即使记忆本身正确也会让 Agent 迎合用户。

DEEP Group at Jilin University · Ruqing Ning, Haibo Meng, Zhishang Xiang +4

对齐智能体 arXiv 代码 HF

#217 ▲58 ★38 ❝0 2026-10-12

AReA: Adaptive Receptive-Field Attention for Efficient High-Resolution Diffusion Transformers

AReA 让扩散 Transformer 的注意力感受野随去噪步骤自适应收窄，更省算力地生成超高分辨率图像。

University of Toronto Computer Science · Javad Rajabi, Koorosh Roohi, David B. Lindell +1

视觉生成高效训练与推理 arXiv 代码 HF

#218 ▲55 ★37 ❝0 2026-10-14

Seeing, Maintaining, and Learning: The Evolution of Multimodal Agent Memory

综述多模态智能体记忆机制的演进：从感知、维护到可学习的记忆管理。

Fudan University · Minghao Guo, Qingyue Jiao, Xiujin Liu +77

多模态智能体 arXiv 代码 HF

#219 ▲40 ★153 ❝0 2026-09-29

TERRA: Terrain-Aware Reconstruction, Retargeting and Control for Musculoskeletal Locomotion

TERRA 把运动数据连同地形一起重定向到肌肉骨骼模型，让肌肉驱动的智能体在复杂地形上行走。

Mathis Group @ EPFL · Merkourios Simos, Chengkun Li, Bianca Ziliotto +1

机器人与具身强化学习 arXiv 代码 HF

#220 ▲91 ★4 ❝0 2026-10-14

Recovering Reliable Supervision via Critique-Guided On-Policy Distillation

CriticOPD 在在线蒸馏中先让教师点评学生的错误再改写，解决教师跟着学生错下去的问题。

机构待核实 · Kaixiang Zhao, Tianrun Yu, Shangzhe Li +4

高效训练与推理推理 arXiv 代码 HF

#221 ▲46 ★72 ❝0 2026-09-27

Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents

研究个人 GUI 智能体：检索到的历史经验主要只帮第一步，提出按需“激活”经验的方法。

Nanyang Technological University · Fuyao Zhang, Xuan Wang, Zherui Li +3

智能体 arXiv 代码 HF

#222 ▲101 ❝0 2026-09-29

Follow the Entities: A Corpus Map for Agentic Search

微软为大型文档库构建以实体为线索的“语料地图”，帮助智能体搜索跨文档的证据。

Microsoft · Soyeong Jeong, Sujay Kumar Jauhar, Sung Ju Hwang +1

智能体大语言模型 arXiv HF

#223 ▲43 ★111 ❝0 2026-10-14

Towards Agentic Robots: Model, Data, Environment, and Harness

“Agent 化机器人”综述，从模型、数据、环境和执行框架四方面梳理这一新范式。

机构待核实 · Chonghan Qin, Dongming Wu, Kaituo Feng +13

机器人与具身智能体 arXiv 代码 HF

#224 ▲25 ★185 ❝0 2026-10-14

BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References

Qwen 的 BlenderWorld 基准测视觉智能体能否照真实参考图在 Blender 中创建和编辑 3D 内容。

Qwen · Xinyu Fang, Yuchi Wang, Weihao Yu +12

评测与数据智能体多模态 arXiv 代码 HF

#225 ▲107 ❝1 2026-10-01

SALD: Self-Referenced Advantage Learning for Diffusion Models

SALD 让扩散模型在两个噪声等级下自我对照打分，不需要教师模型就能获得训练信号。

Indian Institute of Technology, Kanpur · Aryan Das, Surjo Dey, Koushik Biswas +4

视觉生成 arXiv HF

#226 ▲64 ★22 ❝0 2026-10-15

VLA-$Δ$: Learning Physical State Transition for Vision-Language-Action Models

VLA-Δ 显式监督物理状态的变化，减少视觉-语言-动作模型对“观察→动作”对应关系的过拟合。

ZJU-OmniAI · Qi Lu, Jiarun Li, Ce Zhang +5

机器人与具身 arXiv 代码 HF

#227 ▲68 ★14 ❝0 2026-09-30

Hear the World in Stereo: Learning Dynamic Spatial Correspondence for Immersive Joint Video-Audio Generation

StereoBind 让生成视频中的立体声声源位置随画面物体运动而变化，用于沉浸式音视频生成。

机构待核实 · Hanmo Chen, Chengcheng Liu, Tianxiao Chen +7

多模态视觉生成 arXiv 代码 HF

#228 ▲75 ★11 ❝0 2026-09-30

EgoTools: Towards Tool-Centric Reasoning in Real-World Egocentric Videos

EgoTools 关注真实第一视角视频中的工具使用推理，评测并提升模型对手-工具-物体关系的理解。

Ropedia · Shulin Tian, Junsu Kim, Shuai Liu +17

多模态推理评测与数据 arXiv 代码 HF

#229 ▲80 ★2 ❝1 2026-09-26

X-Tree: Tokenizing Reusable Experience for Efficient Agent Generalization

X-Tree 像分词器一样从轨迹中提取可复用的子流程，把分层经验直接训练进智能体权重。

University of Waterloo · Sitao Cheng, Xunjian Yin, Zhiyuan Sun +4

智能体高效训练与推理 arXiv 代码 HF

#230 ▲50 ★37 ❝0 2026-10-09

Multi-Stream Attention Residuals

多流注意力残差把“沿网络深度的注意力”扩展为多头形式，以很小开销带来明显提升。

Shanghai Jiao Tong University · Xiaohan Qin, Xiangdong Zhang, Tuo Dai +7

大语言模型高效训练与推理 arXiv 代码 HF

#231 ▲41 ★123 ❝0 2026-10-13

FlashVSR+: Efficient Video Super-Resolution via Hybrid Attention and Reward-Yield Distribution Matching

FlashVSR+ 用混合注意力和偏好对齐的分布匹配，让一步式视频超分辨率更快、更符合人眼偏好。

MMLab-CUHK · Ruchang Yao, Shi Guo, Junhao Zhuang +7

视觉生成高效训练与推理 arXiv 代码 HF

#232 ▲25 ★826 ❝0 2026-10-15

Intern-Decision: Efficient Multimodal Decision Making with Autoregressive Masked Language Modeling

Intern-Decision 系列小模型直接输出结构化选项及其概率，替代逐字生成，让智能体决策更快。

Intern Large Models · Tong Zhu, Zhe Xu, Zefeng He +7

多模态智能体高效训练与推理 arXiv 代码 HF

#233 ▲66 ★5 ❝1 2026-09-25

Decentralized Master-Mind: Joint Action Refinement through Iterative Intent Denoising in Multi-Agent Pathfinding

DMM 用迭代去噪联合细化多智能体路径规划中的动作，避免各自采样拼出相互冲突的方案。

机构待核实 · Valeriy Vyaltsev, Anton Andreychuk, Taisia Zlotnikova +3

机器人与具身强化学习 arXiv 代码 HF

#234 ▲40 ★41 ❝1 2026-10-07

RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments

RobotWorld 用 84 个仿真任务（操作、移动、驾驶、飞行）检验通用多模态 Agent 能否操控机器人。

机构待核实 · Zhiqin Yang, Chenxin Li, Xiaomeng Hu +30

机器人与具身智能体评测与数据 arXiv 代码 HF

#235 ▲91 ❝0 2026-10-06

TRACE: Rollout-Guided Quantization-Aware Training for FP4 Reinforcement Learning of MoE Language Models

Qwen 团队的 TRACE 对齐训练与 rollout 两条 FP4 量化路径，用于 MoE 大模型的低精度强化学习。

Qwen · Xin Wang, Hao Yu, Zhengyang Zhuge +9

高效训练与推理强化学习大语言模型 arXiv HF

#236 ▲27 ★187 ❝1 2026-10-06

On KL-Regularized Policy Optimization

KLPO 把 KL 正则锚定在采样策略上，处理异步强化学习中策略过期和推理/训练概率不一致的问题。

math-ai · Yifan Zhang

强化学习大语言模型 arXiv 代码 HF

#237 ▲31 ★26 ❝1 2026-09-24

ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds

腾讯混元 ExplorationBench 在可验证的虚构世界中测 AI 的科学探索能力，排除预训练知识的干扰。

Tencent Hunyuan · Ming Zhang, Zhenghao Xiang, Peizhong Gao +17

AI for Science 评测与数据智能体 arXiv 代码 HF

#238 ▲85 ★5 ❝0 2026-10-06

DecepEval: A Benchmark for Evaluating Deception in LLM Agents

DecepEval 用 1532 个实例和“欺骗钻石”框架，评测 LLM Agent 在什么条件下更容易撒谎。

Xi'an Jiaotong University · Yiming Xu, Hongyue Yu, Beihua Yang +8

安全与可解释评测与数据智能体 arXiv 代码 HF

#239 ▲85 ★4 ❝0 2026-10-13

WorkRover: Scaling Long-Horizon Cowork Agent Training Via Recursive Environment Evolution

WorkRover 通过递归演化训练环境与验证器，扩展长程“协作办公”智能体的强化学习训练。

Nex AGI · Hang He, Linting Wang, Guanming Liu +14

智能体强化学习 arXiv 代码 HF

#240 ▲41 ★14 ❝0 2026-10-15

AutoSFT: An Agentic System for Automated Data Research in Supervised Fine-Tuning

清华 AutoSFT 给智能体一整套数据操作（配比、剪枝、修复、合成），自动做监督微调的数据研究。

Tsinghua NLP Group · Bingxiang He, Pengqi Sun, Shihao Peng +18

智能体大语言模型 arXiv 代码 HF

#241 ▲88 ❝0 2026-10-02

Native Action-Prior Learning from Videos for World Action Models

NAVA-WAM 直接用无动作标注的视频预训练动作策略，降低世界-动作模型对机器人标注数据的依赖。

Meta · Zhaochong An, Fei Zhang, Menglin Jia +10

机器人与具身 arXiv HF

#242 ▲80 ★6 2026-10-19

SpecMRL: Redesign Matryoshka Representation Learning within Parametric Spectrum

SpecMRL 用参数导出的谱基重排特征，让俄罗斯套娃式表示的前缀维度更好地承载关键信息。

机构待核实 · Zhongxin Chen, Songhao Wu, Heng Cui +3

高效训练与推理 arXiv 代码 HF

#243 ▲53 ❝2 2026-09-29

AIM: Agentic Idea Management for Automated Research

谷歌 AIM 借鉴贝叶斯优化，自动管理、筛选和推进自动化科研中的研究想法。

Google · Hyeong Kyu Choi, Bhavana Dalvi Mishra, Jiefeng Chen +7

智能体 AI for Science arXiv HF

#244 ▲86 ★4 ❝0 2026-10-15

SCOPE: Semantic Bounded Credit Optimization for Prompt Engineering in Text-to-image Generation

SCOPE 基于 GRPO，按语义片段而非单个子词分配奖励，训练文生图提示词改写模型。

University of Rochester · Yufei Jiao, Jinfa Huang, Zeyue Xue +5

强化学习视觉生成 arXiv 代码 HF

#245 ▲55 ★28 ❝0 2026-10-04

EVISKILL: Grounding Skill Evolution in Replayable Evidence

EVISKILL 把智能体技能演化建立在可回放的行为证据上，判断每次修改是否该保留。

DEEP Group at Jilin University · Yan Zhou, Yili Wang, Yiwei Dai +2

智能体 arXiv 代码 HF

#246 ▲86 ❝0 2026-10-01

ActiveSaddler: Automated Curriculum Learning for Agent Harness Optimization

微软 ActiveSaddler 让训练场景随智能体外壳一起自适应调整，实现自动课程式的外壳优化。

Microsoft · Sungho Park, Wonjoong Kim, Jue Zhang +8

智能体 arXiv HF

#247 ▲123 ❝0 2026-09-30

GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis

GraphForge 以真实文件构建证据图，合成带可验证结果的办公任务来训练“干活型”智能体。

University of Science and Technology of China · Qisheng Su, Hanchen Wang, Guanru Zhu +10

智能体评测与数据 arXiv HF

#248 ▲45 ★45 ❝0 2026-10-16

Xiaomi-Lens-0 Technical Report

Xiaomi-Lens-0 是基于 Qwen3.5 的 4B 多模态模型，能直接从自身视觉表征预测分割掩码。

SeerRay-Lab · Pei Fu, Yike Liu, Yue Sun +13

视觉理解与 3D 多模态 arXiv 代码 HF

#249 ▲56 ★21 ❝0 2026-10-01

SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model Generation

SimuVerity 用 101 个任务检验智能体生成的 Simulink 模型是否满足工程需求，而不只是能运行。

Xi'an Jiaotong University · Ruiqi Zhang, Jiahao Wang, Mingxuan Li +9

智能体评测与数据代码与软件工程 arXiv 代码 HF

#250 ▲52 ★34 ❝0 2026-10-09

Work2Skill: Capturing Human GUI Experience for Reusable Agent Skill Induction

Work2Skill 记录人类在图形界面上的操作经验，归纳成可复用的电脑使用智能体技能。

Nex AGI · Yuqi Huang, Hui Li, Yifei Cao +9

智能体多模态 arXiv 代码 HF

#251 ▲60 ★24 ❝0 2026-10-01

Spatial Memory Intelligence: Endowing World Models with Understanding-Driven Long-Term Memory

用多模态大模型的空间理解来管理长期记忆，让世界模型在长视频生成中保持空间一致。

机构待核实 · Ying Yang, Guiyu Zhang, Lianghua Huang +5

视觉生成多模态 arXiv 代码 HF

#252 ▲49 ★41 ❝0 2026-10-07

Tetris3D: 3D Scene Generation With Objects That Fit Together

Tetris3D 在单图 3D 场景重建中按邻近物体的几何和物理关系生成每个物体，让物体彼此契合。

KAIST AI · Jaeyeong Kim, Jinhyuk Jang, Jongmin Lee +2

视觉理解与 3D arXiv 代码 HF

#253 ▲50 ★31 ❝0 2026-09-28

Learning Native Reflection in Unified Models with Interleaved Reinforcement Learning

用交错强化学习联合训练统一多模态模型的“反思文本”和图像生成，让它能自查并修图。

MMLab@NTU · Yijia Fan, Ziqi Huang, Zhongang Cai +5

多模态强化学习视觉生成 arXiv 代码 HF

#254 ▲53 ★4 ❝0 2026-10-15

From Research Goals to Scientific Closure: Evaluating Agents Through Evidence-Supported Physics Research

PhysClosureBench 用 50 个专家验证的物理研究任务，评估 Agent 能否组织研究并得出有证据支撑的结论。

Shanghai AI Laboratory · Yijia Mao, Song Dai, Tao Chen +14

AI for Science 智能体评测与数据 arXiv 代码 HF

#255 ▲68 ★10 ❝0 2026-09-29

E-MoE: Enhanced Mixture-of-Experts for Non-Factorized Diffusion Language Models

E-MoE 用增强的混合专家改进非分解式扩散语言模型，提升少步解码质量并避免后验坍塌。

机构待核实 · Arseny Ivanov, Alexander Kolesov, Alexander Korotin +2

大语言模型高效训练与推理 arXiv 代码 HF

#256 ▲35 ★37 ❝0 2026-09-27

Diffusion Reward Models

清华 DRM 把奖励建模改成条件密度估计，用扩散模型刻画人类偏好的多峰分布。

Tsinghua NLP Group · Xiangyang Wang, Bingxiang He, Zeyuan Liu +13

对齐强化学习 arXiv 代码 HF

#257 ▲65 ★12 ❝0 2026-09-28

PDE-JEPA: Predictive Representation Learning of Latent Dynamics Modeling for Parametric PDEs

PDE-JEPA 用预测式表示预训练学习参数化偏微分方程的潜在动力学，替代重建式目标。

Zhejiang University · Zhentao Tan, Jianrong Zhang, Ruijie Quan +1

AI for Science 高效训练与推理 arXiv 代码 HF

#258 ▲39 ★28 ❝1 2026-10-01

4Director: Controlling Video World Models with Rigid 3D Geometry

Stability AI 的 4Director 用刚体网格加逐帧变换的 4D 场景，精确控制视频世界模型的镜头与物体运动。

Stability AI · Wei Cao, Hao Zhang, Vikram Voleti +5

视觉生成 arXiv 代码 HF

#259 ▲79 ★3 ❝0 2026-10-13

Many Right Answers, One Training Example: Removing Responder Noise from GRPO for LLM Recommenders

ReMaRk 让大模型推荐器的 GRPO 训练对所有回复的并集打分，消除随机抽一个回复带来的噪声。

Nanyang Technological University · Xin Li, Hao Jiang, Jinghao Guo +2

强化学习大语言模型 arXiv 代码 HF

#260 ▲45 ★19 ❝1 2026-10-07

RLHND: Video Foundation Models as Physically Grounded Hand Trackers for Robot Learning

RLHND 基于视频基础模型从第一视角视频估计手部姿态和触觉信息，让人类视频更好地用于机器人学习。

RLWRLD · Seungjun Moon, Subin Jeon, Sangwoo Kim +2

机器人与具身视觉理解与 3D arXiv 代码 HF

#261 ▲31 ★194 ❝0 2026-10-07

Iris-3B: Going Beyond the Latent with Pixel-Space Diffusion Training, Conversion and Fine-Tuning

Iris-3B 从头预训练并转换得到像素空间扩散模型，检验去掉 VAE 是否有利于细节敏感任务。

speridlabs · Hanqiu Li Cai, Chema Garabito

视觉生成 arXiv 代码 HF

#262 ▲79 ❝0 2026-10-12

X-Ragent: Tool-Augmented Reinforcement Learning for Evidence-Grounded Chest X-Ray Reasoning

X-Ragent 用工具增强强化学习训练胸片推理，学会何时调用辅助证据、过滤不适用的量化证据。

Carnegie Mellon University · Yi Wang, Zhenlong Yuan, Yuchan Guo +9

强化学习推理 AI for Science arXiv HF

#263 ▲30 ★11 ❝1 2026-10-06

Stateless Language Agents: Scaling Long-Horizon Automated Research

斯坦福“无状态语言智能体”把研究状态放到外部，解决长程自动化科研中重复劳动和停滞的问题。

Stanford University · Qizheng Zhang, Changxiu Ji, Isaac Sun +15

智能体 AI for Science arXiv 代码 HF

#264 ▲60 ★26 ❝0 2026-10-01

EditHero: A Benchmark for Long-Horizon Part-Level 3D Editing and Vibe Modeling

EditHero 是首个长程、部件级 3D 编辑基准，检验连续多次修改时能否只改指定部分。

机构待核实 · Ruihan Yu, Yu-Ju Tsai, Muyao Niu +9

视觉理解与 3D 评测与数据 arXiv 代码 HF

#265 ▲33 ★16 ❝0 2026-10-09

Learning Representations to Guide Pixel Diffusion Transformers

研究什么样的视觉表示真正有助于像素扩散 Transformer 生成，发现理解能力强不等于生成有用。

alibaba · Zihao Pan, Mengting Chen, Cheng Shi +6

视觉生成 arXiv 代码 HF

#266 ▲54 ★11 ❝0 2026-10-06

U-Space: Uncovering When and Why Uncertainty Arises in Language Models

U-Space 分析语言模型的不确定性在何时、为何产生，帮助判断单个回答是否可信。

Multimodal AI Lab - Technical University of Darmstadt · Tobias Braun, Nils Loose, Alexander Herzog +4

安全与可解释大语言模型 arXiv 代码 HF

#267 ▲115 ❝0 2026-09-29

MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation

MotorMind 为通用视觉语言模型搭建脚手架，让它不经专门训练就能零样本操控机器人。

University of Illinois at Urbana-Champaign · Bingxuan Li, Siqi Song, Yizhuo Wu +3

机器人与具身多模态 arXiv HF

#268 ▲73 ❝0 2026-09-21

VideoGen-Agent: Reinforcing Video Generation Agents

VideoGen-Agent 用多任务智能体强化学习训练视频生成智能体调用外部工具，满足需要专门知识的提示。

Princeton University · Binxu Li, Haoyi Duan, Yuhui Zhang +9

视觉生成智能体强化学习 arXiv HF

#269 ▲73 ❝0 2026-10-14

Cortex: Consolidating Context into Parametric Memory

Cortex 借鉴生物记忆巩固，把上下文带来的能力提升内化进模型参数，移除上下文后仍保留。

ByteDance Seed · Jintian Zhang, Feng He, Xinnian Liang +5

大语言模型高效训练与推理 arXiv HF

#270 ▲112 2026-10-19

Learning from Fleet Experience: Collective Experience Learning Across 96 Robots

提出“集体经验学习”：96 台机器人共享执行经验，按失败情境检索成功片段来微调共同策略，无需额外人工示范。

机构待核实 · Chao Yu, Shu'ang Yu, Hao Lin +41

机器人与具身 arXiv HF

#271 ▲68 ★5 ❝0 2026-10-18

CoEvo-RSI: When Harnesses Evolve, Which Models Should Follow?

CoEvo-RSI 研究模型与执行框架（harness）共同进化时的“脑体不匹配”，由元智能体协调框架演化和模型选择。

机构待核实 · Jiaqi Su, Guibin Zhang, Jie-Jing Shao +5

智能体大语言模型 arXiv 代码 HF

#272 ▲38 ★10 ❝0 2026-10-01

Selection-Based Structured Reasoning: Toward Efficient Multimodal Search Agents

SSR 让小模型从预设推理候选中“选择”而不是自由生成，降低多模态搜索 Agent 的推理成本。

Carnegie Mellon University · Feiyu Gavin Zhu, Xiaoyu Zhu, Jiqi Yang +9

推理高效训练与推理智能体 arXiv 代码 HF

#273 ▲60 ★9 ❝0 2026-10-18

VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse

VLA-Rolling 复用上一段未执行的动作尾巴作为去噪起点，用更少步数生成动作，冻结模型即可提速并提高成功率。

ZJU-OmniAI · Sicheng He, Yi Pan, Qiuting Yu +10

机器人与具身高效训练与推理 arXiv 代码 HF

#274 ▲46 ★22 ❝0 2026-10-10

BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queries

BridgeWAM 用 32 个潜在桥接查询连接视频专家与动作专家，替代逐层稠密耦合，动作头只需两层。

Fudan University · Jiaxin Fang, Ruitong Liu, Zeyu Lai +6

机器人与具身多模态 arXiv 代码 HF

#275 ▲34 ★14 ❝0 2026-10-15

Can Visual Generation Expand What Unified Multimodal Models Know?

用受控实验检验统一多模态模型能否通过学画图获得新知识并用文字答出，发现存在迁移但不均衡。

Z.ai · Wenkai Li, Wenyi Hong, Zhuoyi Yang +1

多模态 arXiv 代码 HF

#276 ▲69 ❝1 2026-09-30

PhysVista: Benchmarking Physical Intelligence in VLMs via a Perception-Reasoning-Assessment Loop

PhysVista 通过“感知-推理-判断”闭环评测视觉语言模型的物理常识与判断能力。

university of science and technology of china · Xinge Peng, Yiting Lu, Tianwu Zhi +4

多模态评测与数据推理 arXiv HF

#277 ▲29 ★19 ❝0 2026-10-13

Open-o3-Video-v2: Seek, Ground, and Reason with Verifiable Spatio-Temporal Evidence

Open-o3-Video-v2 让模型在视频推理中主动补看画面，并把时间点和物体框写入推理过程作为可验证证据。

Peking University · Jiahao Meng, Zhongyuan Bao, Yue Tan +7

多模态推理智能体 arXiv 代码 HF

#278 ▲55 ★6 ❝0 2026-10-15

Lexical Reference Frames: Interpreting LM Residual Streams in Native Semantics

提出“词汇参照系”，借模型自身后续层读出中间隐藏状态的含义，比 logit lens 等方法更忠实。

机构待核实 · Jian Gu, Hongyu Zhang, Chunyang Chen +1

安全与可解释大语言模型 arXiv 代码 HF

#279 ▲85 ❝0 2026-10-03

Questioning the Questions: Sustaining Self-Evolution in Reasoning Models

分析自进化推理模型为何会崩溃（无效题和重复题变多），并提出维持自进化的出题质量控制。

Huang's INTelligence lab · Jinyuan Li, Chengsong Huang, Langlin Huang +4

推理强化学习 arXiv HF

#280 ▲42 ★17 ❝0 2026-10-20

Learning the 4D World through Point Trajectory Forecasting

VPM 世界模型同时预测多视角未来视频和场景点的三维轨迹，并扩展到机器人控制。

机构待核实 · Byungwoo Jeon, Sunghwan Hong, Dohyeon Kim +10

视觉生成机器人与具身 arXiv 代码 HF

#281 ▲42 ★12 ❝0 2026-10-18

CoworkEnv: Synthesizing Training Environments for Long-Horizon Cowork Agents

CoworkEnv 自动合成可执行的“AI 同事”训练环境（任务、工具、评分），用于监督微调和强化学习小模型。

机构待核实 · Zhongwei Xie, Yiming Du, Jiaxin Bai +10

智能体强化学习 arXiv 代码 HF

#282 ▲32 ★43 ❝0 2026-10-16

DLite: History-free Speculative Decoding for Agentic AI

DLite 是不保留历史上下文的推测解码：直接复用目标模型隐藏状态做局部草稿，适合上下文不断增长的智能体任务。

Shanghai Jiao Tong University · Jiaming Xu, Hanzhen Wang, Tianlang Zhao +7

高效训练与推理智能体 arXiv 代码 HF

#283 ▲35 ★29 ❝0 2026-10-16

RAP: A Dataset for Paper-to-Poster Generation via Declarative Markup from Human-Crafted Exemplars

RAP 数据集收录 2.5 万多对论文与海报，把海报还原成可渲染比对的 HTML/CSS，用于论文转海报生成。

meituan · Haonan Han, Yukang Lin, Minliang Lin +7

评测与数据代码与软件工程 arXiv 代码 HF

#284 ▲52 ❝0 2026-10-16

Tree-Aware Posterior Distillation for Long-Horizon Agentic Reinforcement Learning

TreeOPSD 把多轮交互建成树，回传终局奖励得到每轮的隐式信用，再做无评论家的自蒸馏，用于长程智能体强化学习。

Tencent Hunyuan · Heming Zou, Qi Wang, Yixiu Mao +7

强化学习智能体 arXiv HF

#285 ▲37 ★22 2026-10-18

MT Forcing: Towards Stable and Consistent Multi-Turn Image Editing with Autoregressive Diffusion

MT Forcing 用单轮蒸馏教师和教师强制引导训练自回归扩散模型，减少多轮图像编辑中的画质漂移和内容走样。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +10

视觉生成 arXiv 代码 HF

#286 ▲27 ★8 2026-10-19

RoAR-VAE: Improving Latent Diffusability through Robust Prediction

RoAR-VAE 提出“稳健预测”原则：让被破坏的潜变量仍能恢复语义和图像，从而让潜空间更容易被扩散模型学习。

Tsinghua-LeapLab · Yang Yue, Fangyun Wei, Yitong Wang +4

视觉生成 arXiv 代码 HF

#287 ▲26 ★47 ❝0 2026-10-19

Manga2Animate: An Agentic Framework for Faithful Manga Animation with Script and Storyboard Planning

Manga2Animate 用“创作+审核”配对的多智能体先写动画剧本和分镜，再生成忠于原作的漫画动画。

National Yang Ming Chiao Tung University · Sheng-Wei Zhang, Hsi-An Chen, Yan-Ting Liou +3

智能体视觉生成 arXiv 代码 HF

#288 ▲33 ★12 ❝0 2026-10-16

Execution Before Memory: Diagnosing Memory Failures in Video World Models

MIST 评测把“是否执行了指令”与“是否记住”分开，发现视频世界模型的瓶颈多在执行而非记忆。

The University of Hong Kong · Weiyang Jin, Jiwen Yu, Sihan Xu +2

评测与数据视觉生成 arXiv 代码 HF

#289 ▲26 ★31 ❝0 2026-10-19

InfiniDream: Open-Ended Photorealistic 3D Worlds Through Procedural Generation

InfiniDream 让视觉语言模型调用程序化生成算法，开放式地生成可编辑、照片级的 3D 资产和大场景。

Alaya Lab · Yi-Chuan Huang, Hao-Jen Chien, Zheng-Hui Huang +3

视觉理解与 3D 代码与软件工程 arXiv 代码 HF

#290 ▲37 ★7 2026-10-19

AnyGoal: On World Model Generalization Beyond Expert Rollouts

AnyGoal 基准测试世界模型能否组合已见过的状态和动作因素，发现现有模型在这类重组上普遍失败。

galilai-group · Heejeong Nam, Divyat Mahajan, Quentin Le Lidec +2

评测与数据智能体 arXiv 代码 HF

#291 ▲24 ★11 ❝0 2026-10-20

MMEnterprise-Bench: Evaluating Enterprise Agents over Evolving Multimodal Records

MMEnterprise-Bench 含 1613 道题，基于不断修订的企业多模态记录，考察证据推理、冲突消解和拒答。

机构待核实 · Seohyun Lee, Jongha Kim, Dohwan Ko +4

评测与数据智能体 arXiv 代码 HF

#292 ▲47 ❝0 2026-10-02

Source Preference in the Wild: How LLM Agents Favor Items by Source, and How to Reduce It

发现 12 个 Agent 模型在购物、订酒店、引文献时都会偏好某些来源，并提出缓解方法。

Seoul National University · Jonghyun Song, Haewon Park, Jeonghoon Shim +2

对齐智能体 arXiv HF

#293 ▲28 ★6 ❝0 2026-10-05

MemPilot: Orchestrating On-Demand Multimodal Memory Curation for LLM Agents

MemPilot 用强化学习训练策略，按性能、成本和延迟偏好按需整理多模态记忆，决定检索还是交给不同模型处理。

Nanyang Technological University · Haozhen Zhang, Haodong Yue, Quanyu Long +6

智能体多模态 arXiv 代码 HF

#294 ▲27 ★4 ❝0 2026-10-19

HarnessPro: Recursive Harness Self-Improvement with Pareto Optimization for Performance-Cost Trade-offs

HarnessPro 在无标准答案的情况下迭代改进智能体执行框架，同时给出省钱、均衡、高性能三档方案。

机构待核实 · Zhuoshi Pan, ZhiYuan Feng, Yukuo Cen +6

智能体代码与软件工程 arXiv 代码 HF

#295 ▲27 ❝0 2026-10-19

SWIFT: Self-guided Weak-to-strong dIFfusion models via Target extrapolation

SWIFT 用冻结的早期弱模型给训练目标做外推，放大强模型欠拟合的部分，提升扩散模型质量且不增加推理开销。

alibaba · Yanjin He, Cuifeng Shen, Wanzhou Lei +5

视觉生成 arXiv HF

#296 ▲28 ★3 ❝0 2026-10-19

AdaExploreBench: Benchmarking LLM Agents for Proactive Exploration and Test-time Adaptation in Evolving Environments

AdaExploreBench 用隐藏且会悄悄变化的规则，测试智能体能否主动探索并在测试时自我调整。

HKUST · Rui Wang, Zishen Lai, Jiayu Liu +15

评测与数据智能体 arXiv 代码 HF

#297 ▲22 ★9 ❝0 2026-10-06

Consistent Distribution Matching for Data-Free Diffusion Distillation

提出无需数据和教师采样的扩散蒸馏方法，单个学生网络同时生成样本和估计分数，一步生成即达很低 FID。

Vector Institute · Yuxiang Fu, Qi Yan, Zike Wu +4

视觉生成高效训练与推理 arXiv 代码 HF

#298 ▲26 ★4 ❝0 2026-10-09

APEX-Harm: Evaluating Agent Safety in Shared Professional Workspaces

APEX-Harm 在含上百个文件的共享工作区里，测试金融、咨询、法律 Agent 抵御提示和脚本注入的能力。

King Abdullah University of Science and Technology · Ziyi Yang, Adel Bibi, Guohao Li +2

安全与可解释智能体评测与数据 arXiv 代码 HF

#299 ▲24 ★4 ❝0 2026-10-05

Optimizing the Optimizer: Language Models Discover Faster Molecular Relaxation Algorithms

让语言模型 Agent 改写分子几何优化器，找到比现有最快开源方法更省力的算法。

机构待核实 · Artem Tsypin, Vladimir Deshchenya, Kuzma Khrabrov +4

AI for Science 智能体 arXiv 代码 HF

#300 ▲21 ★9 ❝0 2026-09-24

IndicBankBench: Evaluating Safety and Reliability of Language Model Assistants in Indian Retail Banking

IndicBankBench 用 799 个印度零售银行案例，分阶段评估银行助手的安全、工具调用和回答质量。

National Payments Corporation of India · Suvradip Paul, Chandra Bhushan, Harsh Sharma +4

安全与可解释评测与数据 arXiv 代码 HF

#301 ▲34 ❝0 2026-10-14

Interlock: From Local Correctness to Task Completion in Long-Horizon Agents

Interlock 把任务表示为“完成图”，合成能检查各环节是否真正闭环的长程智能体任务和评分规则。

LongCat · Linji Hao, Yanji He, Zihan Wang +6

智能体评测与数据 arXiv HF

#302 ▲22 ❝0 2026-10-20

Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs

NVIDIA 提出给任意骨骼同时生成视频和可回放的 3D 动作及相机，把视频里的动作直接用于 3D 资产。

NVIDIA · Noam Rotstein, Yoad Tewel, Chen Tessler +5

视觉生成视觉理解与 3D arXiv HF

#303 ▲33 ❝0 2026-10-16

MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing

MTEdit 用“打包轨迹画布”一次生成多个编辑状态，构建 50 万条多轮图像编辑数据和配套评测。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +8

视觉生成评测与数据 arXiv HF

#304 ▲28 2026-10-19

Kronecker Delta Rule for Long Context Linear Attention

KronLSTM 提出克罗内克 Delta 规则，只沿单一方向修正记忆矩阵，让长上下文线性注意力更稳定。

NX-AI · Anamaria-Roberta Hartl, Levente Zólyomi, Michael List +3

高效训练与推理大语言模型 arXiv HF

#305 ▲26 ❝0 2026-10-03

Super-Resolution in The Right Latent Space: A Frozen Vision-Foundation Substrate

主张在冻结的视觉基础模型特征空间里做超分辨率，比在重建型潜空间或像素空间更合适。

RTP-LLM · Wanzhou Lei, Cuifeng Shen, Yanjin He +6

视觉理解与 3D 视觉生成 arXiv HF

#306 ▲23 ❝0 2026-09-24

Where Does Retrieval-Based Open-Ended Evaluation Fail? Automatic Taxonomy Induction from Long-Form Medical Answer Factuality Verification

为医疗长答案的事实核查建立错误分类体系，找出基于检索的评测在哪里失效。

Center for Language and Speech Processing @ JHU · Heyuan Huang, Jirui Dai, Alexandra DeLucia +5

AI for Science 评测与数据 arXiv HF

#307 ▲22 2026-10-19

SpecKCast: Spectral Kalman Forecasting for Diffusion Acceleration

SpecKCast 在频域用卡尔曼滤波预测扩散 Transformer 输出，不确定性高时才真算一次，无需训练即可加速。

Samsung Research · Javad Rajabi, Hakki Can Karaimer, David B. Lindell +2

视觉生成高效训练与推理 arXiv HF

查看全部 311 篇归档 →

本周热门 2026-W43 · 进行中

完整周榜 →

实验室动态

How Claude designed protein binders against scorpion neurotoxins Anthropic · 2026-10-20 · Anthropic 内部研究版 Claude 设计出针对蝎子神经毒素的小型结合蛋白。
Advancing coding in low‑resource programming languages OpenAI · 2026-10-19 · OpenAI 介绍如何提升 ChatGPT 在小众编程语言上的表现，并发布 SQLite、COBOL 迁移等新评测。
Grounding AI agents in biological reality: Building blocks for autonomous wet labs Google Research · 2026-10-16 · Google Research 介绍让 AI Agent 扎根真实生物实验、迈向自主湿实验室的基础组件。
Welcome Beam: a 501B open model you can own, customize, and scale Hugging Face · 2026-10-16 · Hugging Face 上线 5010 亿参数开源模型 Beam。
The AI expectations gap Anthropic · 2026-10-16 · Anthropic 用新调查数据分析各方对 AI 经济影响预期分歧的根源。
Designing more efficient quantum circuits with Claude Anthropic · 2026-10-16 · Claude 基本自主地设计量子电路，部分结果比已发表最优版本好一个数量级以上（厂商自述）。
Working at the frontier shapes expectations for the future Anthropic · 2026-10-16 · Anthropic 发布两份报告：AI 如何改变公司内部就业，以及公众与员工对 AI 影响工作的预期差异。
Claude reveals ECDSA curve origins Anthropic · 2026-10-16 · Anthropic 称 Claude 解开了一个流行密码学标准中 ECDSA 曲线来源的多年谜题（厂商自述）。

实验室官方博客与技术报告，结论属厂商自述，未经同行评审。

点赞来自 Hugging Face，引用来自 Semantic Scholar，抓取于 2026-10-21。

要点由本站根据摘要自写；标题保留英文原题，不机翻。

/api/papers.json

数据更新于：最新 AI 论文2026-10-22 10:04（北京时间）