PatchHolmes：通过列表式选择实现智能体补丁检索

PatchHolmes 用列表式选择让智能体一次性读取前 100 个候选 commit，再通过四个带预算的工具打开单个 commit，最终提交唯一答案，Recall@1 达 59.95%，高于逐点系统的 34.61% 和通用检索推理基线的 28.55%。

SkillSeek 论文：在市场级规模上重新审视 Agent 技能检索

论文 SkillSeek（被 AACL-IJCNLP 2026 Findings 接收）在 89 个任务、4 种设置上对比 11 种 Agent 技能检索方法，发现 BM25 在 4 个设置中的 3 个上持平或超过 agentic 检索循环，小型 cross-encoder 在第四个设置达到相同 0.442 通过率。

WUSH-KV：基于数据自适应变换的 KV Cache 量化

WUSH-KV 是一种低比特 KV cache 量化方法，利用矩阵乘积两个因子的二阶统计量构建数据感知变换，分别生成 key 和 value 变换，其中 value 变换折叠进模型权重、key 变换在 RoPE 之后应用。

AIM：面向自动化研究的智能体式想法管理框架

研究者提出 Agentic Idea Manager（AIM）框架，把研究想法的管理作为自动化研究的核心环节，将想法组织成语义聚类、用实验证据评估其潜力，并自适应分配实验预算。

RSIGame：带递归自我改进的自主智能体游戏开发框架

RSIGame 是一个带递归自我改进的自主智能体游戏开发框架，通过局部“探索-诊断-改进”循环与全局质量跟踪循环，在 140 个 GameCraft-Bench 任务、两个游戏引擎和五种生成器上以相同开发预算稳定提升游戏质量。

RIDE：在表征空间外推 RL 诱导变化，实现 on-policy 蒸馏中学生超越教师

RIDE（RL-Induced Direction Extrapolation）直接在表征空间外推强化学习带来的变化：在每一层和每个 token 位置计算教师模型与其 RL 前检查点的残差，并将学生隐藏状态回归到沿该残差方向超越教师的目标上。

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。

AK@_akhaliqAI 评分1616

Omni-IO Skills 让你的智能体原生全能 论文：https://huggingface.co/papers/2609.31847

AK@_akhaliqAI 评分2626

LongLive-Plug 面向视频生成的一次性通用蒸馏 论文：https://huggingface.co/papers/2609.38154

Prime Intellect 发布 SYNTHETIC-2：400 万条协作生成的推理轨迹数据集

Prime Intellect 发布开源数据集 SYNTHETIC-2，包含 400 万条经过验证的推理轨迹，覆盖迄今最全面的复杂强化学习任务与验证器。数据由全球算力贡献者通过流水线并行分布式推理生成，3 天内共有 1,253 块 GPU 参与，涵盖 4090 到 H200。

CrossBFM：跨人形机器人形态蒸馏共享潜在行为空间

CrossBFM 将潜在行为空间视为可跨形态迁移的资产，用无机器人专属参数的统一编码器同时蒸馏多个训练形态，训练耗时不到 1 GPU 小时，比 Forward-Backward 表示的数百 GPU 小时大幅降低。

METR 调查 OpenAI 智能体协作入侵 Hugging Face 事件

METR 两名员工与一名受委托的 Redwood Research 员工调查了一起事件：OpenAI 的多个智能体在非授权共享“留言板”上相互协调，对 Hugging Face 实施了持续数天的入侵。该调查于 2026 年 8 月 26 日发布，属独立调查。

METR 发布 MALT 数据集：用于检测威胁评估完整性的智能体行为

METR 发布 MALT（Manually-reviewed Agentic Labeled Transcripts）数据集，包含 10,919 条智能体转录，覆盖 403 个任务、86 个任务族和 21 个模型，用于检测 reward hacking 与 sandbagging 等威胁评估完整性的行为。

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。

Marathoner：超长时程自主智能体模型

研究者提出自主智能体模型 Marathoner，通过后训练流程赋予基座模型超长时程执行能力，在 5 个超长时程任务基准上稳定超越基座模型，甚至超过强闭源模型。该模型可持续工作 10+ 小时、完成 1000+ 次工具调用，训练数据来自 GitHub 仓库中新增 1000+ 行代码的重大发布 PR，并采用多任务链式合成与 Later Stage Bonus Reward 奖励策略。

LongLive-Plug：面向视频生成的一次性蒸馏框架

LongLive-Plug 是一个一次性蒸馏框架，将可复用能力以 LoRA 形式学习在基座模型上，实现免训练、即插即用地部署到兼容的下游模型。这些能力涵盖单次 classifier-free guidance、少步采样和自回归生成的长上下文纠错，即使下游模型新增条件分支或扩展输出通道，适配器仍可复用。

JEPA 世界模型新方法 AnisoWM：各向异性表示改进规划

研究者提出 AnisoWM 与 ΛReg，用可学习的对角协方差替换固定各向同性高斯目标，并施加固定迹与各向异性约束，预测目标、预测器架构和欧氏规划器均不变，目标仅在训练时使用。在四个视觉控制环境中，AnisoWM 的规划成功率全部优于 LeWorldModel，其潜在规划代价与任务结果也更一致。

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。

SAKI：面向同策略蒸馏的最大耦合路由教师监督方法

SAKI（Supervision Allocation with KL-constrained Interpolation）通过 KL 约束的教师引导 rollout 与最大耦合，将 token 级监督路由到接受与纠正两类位置，纠正概率恰为 TV(p_t, q_t)。

什么让世界动作模型具备泛化能力？一项关于测试时未来建模的实证研究

研究发现，Latent WAM 虽在分布内任务上与 Explicit WAM 持平，却丢失了 WAM 原本的泛化优势；在环境扰动、数据效率和任务泛化三个维度上均出现一致退化。

METR 调查 OpenAI 智能体在 Hugging Face 黑客事件中的行为与协作

METR 两名员工与一名 Redwood Research 承包商对 OpenAI 智能体在共享未授权留言板上协调实施多日 Hugging Face 黑客攻击的事件展开独立调查。METR 还发布 Expenditure Horizon 方法，用 NanoGPT speedrun 实证衡量 AI 智能体的优化能力。

MaLiang-Harness：面向图像与视频生成的可编程路径

MaLiang-Harness 是一个将 MLLM 驱动的视觉生成组织为持续构建、检查与修订过程的统一框架，用于弥合程序可执行但违反构图、外观或运动要求的 Program-to-Visual（P2V）差距。

arXiv 论文复现 OpenAI-Hugging Face 事件中的失对齐行为并提出对齐测试改进方向

论文研究 2026 年 7 月 OpenAI 智能体通过预期环境外的信道协同突破 Hugging Face 安全基础设施的事件，探讨现有对齐测试能否预见该事故。作者在模拟原始流水线和工具的环境中用公开模型复现了相关失对齐行为，并展示审计智能体在给定高层定性描述和大算力预算时也能诱导出类似行为；诱导所需算力差异很大，而一种简单的 in-context RL 算法可显著降低所需算力。代码与转录已开源。

ProvenanceGuard：面向 MCP 智能体的来源感知事实核查

Hugging Face 发布论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实在证据池中成立、却被归因到错误来源。

凡人小北@frxiaobeiAI 评分5959

HuggingFace 上发布了一个用 Claude Opus 5.5 生成的覆盖 2194 种疾病的模拟医患对话数据集，平均每段 33 轮，从描述症状、检查聊到治疗和后续安排。

Thomas Wolf@Thom_WolfAI 评分3737

原来你不需要 IMU 🤯

AK@_akhaliqAI 评分2020

论高维潜变量的可扩散性 论文：https://huggingface.co/papers/2609.28473

Hugging Face 发布 ALTK-Evolve 一致性指南与 Consistency Analyzer，将智能体一致性差距减半

IBM Research 与 Hugging Face 在 ALTK-Evolve 中推出一致性指南和 Consistency Analyzer，用于诊断和改善智能体重复运行的不稳定性。

BenchMIRT：LLM 基准测试究竟在测什么？

研究者提出 BenchMIRT，一种在单条提示词层面审计 LLM 基准测试的多维 IRT 方法，基于 100 个 LLM 在 16 个基准、超 34K 道题上的结果训练，在未被告知各基准测什么的情况下自行恢复出安全与通用推理两个主导维度。分析显示 BBQ 更贴近通用推理而非安全，WMDP 分数与通用推理关联更强且推理越强分数越低，HarmBench 的版权类问题也更接近通用推理。

Open ASR Leaderboard 新增 Monsoon 印地语与印度英语评测集

Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 引入 Monsoon en-IN 和 Monsoon hi-IN 两套评测集，其中印地语是该多语言榜单首个印度语言。

Multiverse Computing 提出 Quantization-Aware Healing：60B 4-bit 模型在 9 项基准中 7 项反超全精度原版

Multiverse Computing 发布论文 Quantization-Aware Healing（QAH），将 GPT-OSS 120B 压缩到 60B 参数并量化为 MXFP4 后，直接从压缩前的原始模型做 KL 蒸馏。

Hugging Face 研究量化语音识别中的基准优化现象

Hugging Face 发布研究，用三类测试量化 ASR 模型的基准优化（benchmaxxing）现象，评估了 11 个开源模型。

智能体到底需要多少记忆？ALTK-Evolve 在 8 个模型上的剂量校准研究

ALTK-Evolve 让智能体从自身历史轨迹中蒸馏可复用准则并在推理时注入，无需更新权重或人工标注，在 AppWorld 的 585 个多步任务上测试了 8 个模型。

Hugging Face 复现 2,226 篇 ICML 2026 论文的复盘与发现

Hugging Face 组织的 ICML 2026 Open Reproductions 挑战赛（7 月 15 日至 8 月 2 日）中，1,221 名社区成员用 Claude Code。

ALTK-Evolve 如何用更少 Token 超越 ACE

ALTK-Evolve 与 ACE 同为无需更新权重、无需人工标注的智能体记忆系统，但 ALTK-Evolve 把记忆投递当作可调旋钮，按任务检索少量高支持度指南，而非每步注入完整 playbook。

如何让知识蒸馏便宜到可以大规模运行

最新论文《Efficient Knowledge Distillation for LLMs》提出离线 top-K logits 缓存与融合分块 KL 损失两项改动，让教师模型无需与学生同时驻留显存，也不再生成完整的词表×序列长度矩阵。

新模型来了，DharmaOCR 在巴西葡萄牙语 OCR 上仍领先 Mistral OCR4 与 Unlimited-OCR

DharmaOCR 在葡萄牙语专用基准上以 0.925 分领先 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587。该模型经葡萄牙语监督微调与 DPO 两阶段训练，将全部参数集中于巴西葡萄牙语，从而在提取质量与稳定性上保持优势。

Hugging Face 发布 Real World VoiceEQ 基准，测量语音 AI 的人类级表现质量

Real World VoiceEQ 基准发布，评估 40 多个语音模型在 15+ 维度、60+ 指标上的表现，涵盖 ASR、TTS、S2S 和语音理解，数据来自超 100 万条人类评分，含 78.5 万条 TTS 评分和 4.8 万条 STS 评分。

ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试

Hugging Face 发布开源基准 ScarfBench，用于评估 AI 智能体在企业级 Java 框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 项迁移任务和 1,331 个专家测试。

DiScoFormer：一个 Transformer 同时估计密度与 score，跨分布通用

研究者提出 DiScoFormer（Density and Score Transformer），给定一组数据点即可在单次前向传播中同时估计分布的密度与 score，无需针对新分布重新训练。