EviRover 论文提出通过交互强化智能体视觉感知
论文提出 EviRover，据作者所知是首个显式训练通过交互解决感知查询的感知智能体，采用 SFT 加智能体强化学习训练。团队构建两条数据管线生成 EviRover-SFT-5K 和 EviRover-RL-12K，并发布含 688 个实例、覆盖五类感知任务的人工校验基准 EviLens。
#多模态
#多模态
今日 8 条HuggingFace Daily Papers（社区热门论文）AI 评分5151 HuggingFace Daily Papers（社区热门论文）AI 评分3434 CoEvoWhen：面向超长视频时序定位的策略-工具协同演化
研究者提出 CoEvoWhen 策略-工具协同演化框架，从 VLM 的智能体推理轨迹中联合演化高层策略与可执行媒体工具，形成可复用技能且无需更新模型参数。在五个 benchmark 和三个 VLM 上的实验显示，该方法持续提升超长视频时序定位精度，同时降低推理时的视觉 token 开销，演化出的技能在通用长视频 QA 上也取得显著性能提升。
HuggingFace Daily Papers（社区热门论文）AI 评分4242 Physis-Lang：以自演化语言作为视频世界模型的物理表征
Physis-Lang 提出用自演化语言作为视频世界模型的物理表征，统一数据筛选、模型训练与视频生成，并构建 PhysCapBench 以原子断言方式评估物理描述。在 Wan 与 Cosmos 骨干上的四项物理视频基准实验中，物理合理性均有提升；基于开源 Cosmos3-Nano 的增强模型超过了闭源 Veo 3.1。
HuggingFace Daily Papers（社区热门论文）AI 评分3939 Imagine3D-LLM：让多模态大模型先想象 3D 场景再作答
Imagine3D-LLM 让多模态大模型在图像 token 后附加一小组可学习的 summary tokens，将其解码为紧凑的 3D Gaussian Splatting 表示，并以光度重建损失监督、与标准下一 token 预测目标联合训练。
HuggingFace Daily Papers（社区热门论文）AI 评分4040 IDSpect：用 IDS 分解与细粒度奖励提升中文文本渲染精度
针对 OCR 奖励把汉字当作原子字符、忽略部件与空间结构的问题，研究者提出 IDSpect：用表意文字描述序列（IDS）将目标文本确定性分解为 IDS token，并训练专家 IDS 识别器对齐裁剪级视觉预测，配合整字语义奖励提供部件与空间关系的细粒度反馈。
HuggingFace Daily Papers（社区热门论文）AI 评分3939 ThinkV2V：释放 MLLM 推理能力，实现指令引导的视频编辑
ThinkV2V 是一个推理驱动的指令引导视频编辑框架，在视觉生成前显式激活 MLLM 思考，通过 MLLM-to-DiT 架构将思考转化为精炼的条件信号。它结合渐进式课程训练与推理时思考扩展，并构建了 ThinkV2V-150K 数据集和 ThinkV2V-Bench 基准。实验显示其 5B 规模 DiT 模型在复杂与标准编辑场景均达 SOTA，显著超越更大的 10B 规模基线。
HuggingFace Daily Papers（社区热门论文）AI 评分4949 WorldAuditBench：用多模态智能体审计交互式 3D 世界
研究者推出 WorldAuditBench，一个面向 3D 世界审计的基准，包含 13 个环境中的 213 个异常任务，覆盖五类异常。在固定探索预算下评测五个前沿模型，两种审计范式的成功率仅 6.6% 至 42.3%，远低于人类的 83.4%。该基准用于研究多模态智能体如何在交互式 3D 环境中耦合动作与视觉推理。
Nature：Machine Learning 主题（RSS）AI 评分4949 语音“衰老时钟”：AI 通过声音特征评估衰老速度
科学家开发出一款“语音时钟”，通过音高、语速等数百项声音特征预测人的年龄，并计算“语音年龄差”。研究基于阿根廷、智利、哥伦比亚、墨西哥和秘鲁 2928 名西班牙语使用者的录音，用机器学习提取 700 多项随衰老和痴呆变化的语音特征。较大的语音年龄差与痴呆等认知问题强烈相关，成果已发表于 Science Advances。
Epoch AI：研究、数据与评测AI 评分2828 Epoch AI 能力与基准测试中心：GPT-6 Astra 数学登顶，软件工程仍落后 Claude Fable 5.1
Epoch AI 更新其 AI 基准与能力中心，汇总内部测试与外部数据。GPT-6 Astra 以 166 分登顶 Epoch Capabilities Index，Math-ECI 达 170 创纪录，但 SWE-ECI 164 仍落后 Claude Fable 5.1 的 167。该中心还显示，自 2023 年以来同等 AI 性能的成本每季度下降约 47%，年降约 13 倍。
CMU：Machine Learning BlogAI 评分2828 CMU 在 NeurIPS 2025 展示 156 篇论文
卡内基梅隆大学（CMU）研究者在 12 月 2 日至 7 日于圣迭戈举行的第 39 届 NeurIPS 2025 上展示 156 篇论文。口头报告包括提出 Encoder–Attender–Decoder 框架研究触觉处理的 ConvRNN、缓解标签平滑表征坍缩的 MaxSup，以及单步生成模型 MeanFlow（ImageNet 256×256 单次函数评估 FID 3.43）。
Hugging Face：Blog（RSS）AI 评分5454 Hugging Face 推出 Open TTS Leaderboard：用客观指标评测多语言 TTS 与语音克隆
Hugging Face 推出 Open TTS Leaderboard，用客观指标评测开源 TTS 模型的可懂度、速度和说话人相似度，将评估周期从数周缩到数小时。
HuggingFace Daily Papers（社区热门论文）AI 评分3636 VoxPolyMem：面向多方语音对话的交互感知多模态记忆与自适应智能体检索
研究团队提出 VoxPolyMem，一个面向多方语音对话的交互感知多模态记忆框架，结合增量说话人识别与交互记忆、事实记忆、参与者画像三层记忆结构，并将检索建模为智能体顺序决策。
HuggingFace Daily Papers（社区热门论文）AI 评分4545 OmniTaskonomy：视觉生成何时能提升视觉理解？
研究团队提出 OmniTaskonomy 统一分类体系，覆盖 19 项图生图（I2I）生成任务与 25 项图生文（I2T）理解能力，系统探究视觉生成监督何时以及如何提升视觉理解。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 LLM 是通用异步智能体：Qwen 3.x 无需任务微调即可异步运行
研究者提出异步 LLM 框架，让用户或智能体自身定义具有重叠内存状态的推理协程，从而把 LLM 从"读取—思考—回复"的串行循环推广为可适应多种并发类型的通用异步智能体。实验显示 Qwen 3.x 模型无需任务特定训练，即可完成流式视频理解、电子游戏和监控等异步任务。
HuggingFace Daily Papers（社区热门论文）AI 评分3636 Grounded Entity Biographies：用实体传记增强长视频记忆
研究者提出 Grounded Entity Biographies（GEB）长视频记忆框架，将同一物理实例在不同片段中的视觉观察归组为可检索的"传记"，并在问答时与情节证据一同检索。
HuggingFace Daily Papers（社区热门论文）AI 评分4242 LEGO-Anything：用编码智能体实现 3D 场景重建
LEGO-Anything 是一个 Image-to-Code 框架，让编码智能体迭代编写并执行 Blender 代码、检查场景与渲染结果并修订程序，把单图重建的 3D 场景表示为可检查、可编辑、可查询的场景程序。
HuggingFace Daily Papers（社区热门论文）AI 评分3838 Thinking Reward Model（TRM）：先思考再打分的视觉生成奖励模型
研究者提出 Thinking Reward Model（TRM），先为每个样本定制评估标准再打分，输出细粒度的逐点奖励，在图像生成与编辑奖励建模基准上取得开源奖励模型中的 SOTA，并与闭源方案保持竞争力。团队同时提出 PD-GRPO，用成对监督缓解传统成对偏好优化导致的分数极化，在保留逐点打分的同时提升奖励区分度。将 TRM 用作强化学习奖励可持续改进多种视觉生成模型。
HuggingFace Daily Papers（社区热门论文）AI 评分3939 PanoVLN：面向全景视觉语言导航的有效方法
PanoVLN 用 4B 骨干网络和纯 RGB 输入做全景视觉语言导航，在 R2R-CE 和 RxR-CE Val-Unseen 上成功率分别超越此前 SOTA 11.9% 和 8.7%。
HuggingFace Daily Papers（社区热门论文）AI 评分4141 VoxMem：面向大型音频语言模型的多模态记忆基准
研究者发布 VoxMem 基准，用于评测大型音频语言模型（LALM）的多模态记忆能力，包含 3,196 个评测实例、34,743 段语音会话（177 小时），覆盖语音语义、说话人身份、副语言线索与环境声四类声学证据，以及信息抽取、多会话推理、时序追踪和拒答四类记忆操作，上下文预算从 8K 到 64K tokens。
HuggingFace Daily Papers（社区热门论文）AI 评分4242 Omni-IO Skills：让现有 Agent 原生支持全模态
论文提出 Omni-IO Skills，一个即插即用的 Agent Harness，通过分层 Skills、标准化多模态执行接口、依赖感知编排和持久化 Asset Registry，让现有 Agent 无需改动推理核心即可原生处理多模态任务。
arXiv：cs.AI（全量分类）AI 评分3838 MemEvo：自动发现流式视频记忆机制
MemEvo 是 LLM 驱动的自动研究框架，把流式视频记忆设计转化为可执行记忆程序的搜索问题，用预训练 LLM 迭代生成并优化候选记忆程序，底层视觉语言模型全程冻结。
arXiv：cs.AI（全量分类）AI 评分3939 视觉敏感不等于主张可撤回：多模态强化学习中的持久性感知信用分配
针对多模态强化学习中视觉敏感度与主张可撤回性的脱节问题，研究者提出持久性感知信用门控（PACG），通过衰减异常持久视觉主张的正向信用来修正信用分配。在 Qwen2.5-VL-7B 上，PACG 将 DAPO 的九基准三种子平均分从 58.1% 提升至 59.9%，VPPO 从 59.8% 提升至 60.9%，同时使无图像支持的主张更易撤回，且无需标注、不增加推理成本。
arXiv：cs.AI（全量分类）AI 评分2929 AVIO：在音视频场景中学习添加与移除发声物体
研究团队提出 AVIO，通过源条件特征调制改造预训练文本到音视频生成模型，让单一模型同时学会添加和移除发声物体，并支持仅凭指令编辑或可选视觉引导。配套数据集 AVIOBench 包含 37.9 小时配对音视频样本、覆盖 1,878 个目标物体名称，用共享身份与视觉掩码关联物体的视觉存在与声音贡献。参考帧课程训练逐步减少参考条件，使模型在添加物体时可通过可选参考控制外观与位置。
arXiv：cs.AI（全量分类）AI 评分3434 Protein-TetSphere：面向蛋白质表示学习的配准几何体积表征
研究者提出 Protein-TetSphere，一种按残基配准的蛋白质体积表征：将每条蛋白链四面体化，得到各残基的局部体积区域，再配准到共享固定拓扑的四面体参考并在统一 Laplacian 基下表示，从而建立跨残基一致的体积坐标。
arXiv：cs.AI（全量分类）AI 评分3131 MERID：用递归自我改进智能体做多模态抑郁症分析
研究者提出 MERID 框架，通过基于经验的递归自我改进（RSI）自动开发抑郁症预测流水线，包含 Grounded State Construction、Coupled Pipeline Exploration 和 Evidence-Guided Evolution 三个组件。在抑郁症基准上，MERID 在多项任务上优于多模态与智能体基线，分析还显示声学与语言线索对抑郁症检测有价值，代码已开源。
arXiv：cs.AI（全量分类）AI 评分3535 FigAct：把科学图表变成可交互讲解画布
研究者提出 FigAct 框架，将静态科学图表转化为按问题定制的可视化演示，直接在图表现有图形元素上施加视觉动作以引导读者注意力。其分层搜索策略将元素定位的 token 消耗降低约 40 倍，并基于 grounding 准确率、搜索效率和渲染质量三项奖励训练出 FigAct-8B。团队还构建了经人工核验的真实论文图表 benchmark，用于评估 MLLM 生成有据可依的视觉解释的能力。
arXiv：cs.AI（全量分类）AI 评分3434 GeoOutageBench：面向多模态停电与韧性分析的歧义感知、本体驱动地理时空 KGQA 基准
研究者推出 GeoOutageBench，一个评估 LLM 地理时空 KGQA 的基准，其时空知识图谱融合停电记录、遥感、气象观测、风暴与电力事件、地理实体及领域本体等多模态数据。
arXiv：cs.LG（机器学习，全量分类）AI 评分2828 EnergyEminence：物理电网数字孪生中的来源感知环境校准与评估
EnergyEminence 是一个早期测试平台，将 IEEE 118-bus 风格的图时序预测器、非线性 AC 级联仿真与类操作员仪表盘的时间回放耦合，并提出共享有界校准，把野火检测置信度与空间范围转换为来源可比的野火可解释证据。
arXiv：cs.LG（机器学习，全量分类）AI 评分3737 CM-MAE：面向地震-测井表示学习的物理跨模态掩码自编码
研究者提出物理驱动的跨模态掩码自编码器 CM-MAE，用于地震数据到测井的表示学习，将地震体与测井深度片段联合 token 化，并用四轴旋转位置嵌入映射到连续物理坐标。
arXiv：cs.LG（机器学习，全量分类）AI 评分2828 图神经网络实现组织化信号集的采样不变嵌入
该论文研究面向组织化信号集的神经网络编码器，可将异构采样的信号集投影到任意固定大小的向量空间，使信号集能作为向量处理而消除采样差异。研究以波形分离为重点，通过信号集判别能力评估表示相关性，编码与嵌入判别实验仅使用合成复值射频信号。
arXiv：cs.LG（机器学习，全量分类）AI 评分4646 感知计算的决定价值：DEEP 基准评估自适应感知分配
研究提出"感知计算的决定价值"概念，定义为输入从廉价感知模式升级到昂贵模式时下游损失的变化，并指出该价值可能为负。为此推出 DEEP 基准，在 KITTI 和 nuScenes 上以已部署的单目几何模型评估升级前分配器，发现 34–54% 改变下游损失的升级反而使其变差。按感知增益而非决定价值选择固定信号，会使实际测试决策增益平均下降全廉价损失的 7.4%。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3838 人类与视觉语言模型的跨模态关联：选择相似，注意力不同
研究用相同刺激（一个伪词加两张图片）对比了视觉语言模型与 53 名人类的选择和眼动，发现部分较大 VLM 的选择与人类一致，但其显著性图与人类注视的吻合度低于图像中心的固定高斯基线。用人类选择微调小 VLM 可让其在未见词和图像上的选择对齐达到人类多数投票参考水平，但注意力仍不及该基线；用人类注视训练模型注意力能提升注意力—注视相关性，却不改善选择对齐。
arXiv：cs.CL（计算语言学，全量分类）AI 评分2828 Gemma 4 31B 如何表征非洲语言：区域语义枢纽与文化引导
研究用探针、对比方向和表征相似度考察 Gemma 4 31B 对九种非洲语言及三种对照语言的表征，发现非洲语言间的"非洲 vs 西方"对比方向在多个层上比它们与对照语言更对齐，跨语系比较在十二层中的五层通过 Holm 阈值。
arXiv：cs.CL（计算语言学，全量分类）AI 评分2929 不同分词生育率语言间的概念方向可靠性研究
研究测量了英语、豪萨语和约鲁巴语在四个语言模型中的情感方向可复现性，使用最终 token 时 split-half 一致度分别为 0.737-0.870、0.589-0.762 和 0.101-0.399，该语言排序在全部 77 组完整模型对比中保持一致。基于相同层训练的分类器预测情感始终高于随机水平，表明预测准确率并不代表方向一致性。研究未证实分词生育率是跨语言差异的成因。
arXiv：cs.CL（计算语言学，全量分类）AI 评分3636 VisKG：面向高效视觉推理的问题特定知识图谱框架
研究者提出 VisKG，一个用强化学习让模型把视觉内容转译为问题特定知识图谱（KG）表示的框架，过滤感知噪声并保留链式推理所需的实体-关系结构，所需 token 少于基于 caption 的表示。VisKG 采用 GDPO 稳定 RL 后训练，并用负向推理样本加强监督阶段；在科学、数学和通用视觉理解基准上表现与基线相当或更优，GDPO 训练版本平均准确率比 GRPO 版本高 2%。
arXiv：cs.CL（计算语言学，全量分类）AI 评分4444 MLLM 能否生成并检测多模态社交媒体假新闻？
研究提出由 story agent、image agent 和 critic agent 协作的多智能体框架，在科学、健康、娱乐领域生成超 9,000 条配对多模态假新闻帖，并基准测试 16 个开源与闭源 MLLM 的自动检测能力。结果显示多数模型准确率远低于人类水平，在识别图像真实性上尤其失败。代码与数据已发布于 GitHub，论文被 EMNLP 2026 Findings 接收。
Meta AI：Blog（网页）AI 评分6161 Meta AI 发布 Brain2Qwerty v2：非侵入式脑信号实时解码句子，词准确率达 61%
Meta AI 推出 Brain2Qwerty v2，可从非侵入式脑记录（MEG）实时解码完整句子，词准确率 61%，远高于其他非侵入式方法的 8%，最佳参与者达 78%。
LlamaIndex：产品、工程与评测AI 评分5151 LlamaIndex 发布文档抽取基准 ExtractBench，并推出 LlamaExtract Agentic Plus
LlamaIndex 发布开源文档抽取基准 ExtractBench，覆盖 370 份企业文档（4,869 页）、8 个业务领域和 67 种文档类型，评测 14 个系统并联合评估长记录完整性、扫描与手写识别、字词级 grounding 和成本。
CMU：Machine Learning BlogAI 评分4444 CMU 研究：如何让 AI 智能体预判人类何时想介入
CMU 团队提出 CowCorpus 数据集，包含 400 段真实人机协作网页会话和 4200+ 交错动作，用于训练智能体预测人类介入时机。基于该数据将介入预测建模为逐步二分类任务，用大型多模态模型监督微调，并聚类出 Takeover、Hands-on、Hands-off、Collaborative 四类用户交互模式。
CMU：Machine Learning BlogAI 评分2828 CMU 在 ICLR 2026：194 篇论文概览
CMU 研究团队将在 ICLR 2026 展示 194 篇论文，会议于 4 月 23 日至 27 日在巴西里约热内卢 Riocentro 会议中心举行。论文涵盖应用、计算机视觉、深度学习、优化、强化学习、社会影响与理论等方向，其中 EditBench、UALM、Agent Data Protocol、MotionStream、OpenThoughts 等被列为 Oral 论文。