Xiaomi-OCR-0 技术报告：0.8B 统一文档解析与 OCR 理解模型
Xiaomi-OCR-0 是一个 0.8B 的统一模型，兼做文档解析与 OCR 为中心的图像理解。它从 Qwen3.5-0.8B 出发，基于约 170M 样本的 OCR 语料，采用 Q-Mask 文本锚定、继续预训练与 Mix-RL 混合任务强化学习逐步训练。
全部AI 动态
全部动态
今日 236 条arXiv cs.CVAI 评分3232 arXiv cs.CVAI 评分4040 同一几何，不同结果：CLIP 与 SigLIP 中模态间隙的读出依赖效应
在 CLIP 与 SigLIP 编码器中，单一主方向承载图文均值分离平方范数的 94.4-99.9%，说明该分离分量近似秩一。分解相似度分数后，间隙在零样本分类中相当于加性类别偏置，在标准跨模态检索中投影掉间隙方向会丢弃候选特定范数信息、造成乘性排序扭曲。几何推导出的指数与网格搜索最优值 Spearman rho = 0.93，可在部分设置下恢复性能，但增益转移不均。
arXiv cs.CVAI 评分3535 AerialDojo-200K：面向开放世界空中目标搜索的大规模基准套件
研究提出面向开放世界空中目标搜索的大规模基准套件 AerialDojo-200K，其场景数与任务实例数分别达现有最大同类基准的 3 倍和 18.7 倍。该套件含 42 个仿真场景和 205,732 个任务实例，并提供 21 个分布内与 21 个分布外场景的统一评测框架。对 5 个开源和 4 个闭源多模态大语言模型的评测显示，通用空中智能体仍有很长的路要走。
arXiv cs.CVAI 评分3939 CoDimRecon：智能体重建含可变形曲线、曲面与体的仿真就绪 3D 场景
CoDimRecon 是一个智能体框架，能从多视角 RGB 观测重建含刚性、铰接与可变形对象的可编辑 3D 场景，并把曲线、曲面、体分别重建为带半径中心线、带厚度流形壳和水密实体。它用可复用仿真器技能初始化物理模型，以行为测试暴露偏差并触发定向修正；在 Replica 与 ScanNet++ 上重建精度有竞争力，并演示了 rod、shell、solid 三类表示下的机器人交互。
arXiv cs.CVAI 评分3636 Persistence Forcing：在像素空间扩散 Transformer 中利用特征特化
Persistence Forcing（PerF）在像素空间扩散 Transformer 中引入异构精炼，让持续特征引导活跃特征的精炼。PerF-L 以一半参数量在 ImageNet 256×256 上取得 FID 1.91，接近 JiT-H 的 1.86；PerF-H 在 256×256 与 512×512 上分别为 1.63 和 1.76。
arXiv cs.CVAI 评分4242 系统性多智能体视觉语言导航：形式化、MAVLN 基准与 TRISS 方法
作者称首次将多智能体 VLN 形式化为带依赖与资源约束的协同问题，并发布 MAVLN 基准与 TRISS 协作导航系统。MAVLN 含 11,724 条 episode、145 个场景，覆盖最多四个智能体与三种指令设定，配套约束感知指标。TRISS 由基于 LLM 的子任务调度器、共享拓扑记忆与冲突感知执行机制构成，实验显示其可作为综合基线，调度、规划与执行仍有较大提升空间。
arXiv cs.CVAI 评分3737 HEIR：学习具有功能角色的人-实体交互
HEIR 是覆盖物体、人际与自我指向交互的图像基准，含 18,730 张图像、六种角色、105 个动作和 437 个名词，用于评估完整参与者-角色集合。
arXiv cs.CVAI 评分4242 HERO：面向肿瘤学稳健表示的组织学编码器
HERO 是 ViT-G/14 病理基础模型，用 DINO 与 iBOT 目标训练、以高分辨率 Gram anchoring 精调，语料为约 575,000 张临床全切片图像的 5 亿个 tile。公开基准上，它对中心、扫描仪与染色变化的稳健性优于所对比的 SOTA 基础模型，分类、分割和基因表达预测表现相当，并在 39 个切片级临床任务上平均排名第一。
arXiv cs.CVAI 评分3333 CoVLM-Bench：面向协同驾驶问答与规划的真实世界基准
CoVLM-Bench 是面向车-路配对场景的协同驾驶问答（CDQA）与协同规划（CP）真实世界基准，含 2,196 对帧、35,136 条 CDQA 标注，CP 预测 3 秒时域内的 6 个路点。
AGI HuntAI 评分4040 Meta 实验室 LSRM 获 ECCV 2026 荣誉提名，3D 重建精度大幅超越 SOTA
Meta Reality Labs 的 LSRM 获 ECCV 2026 最佳论文荣誉提名。它用稀疏 Transformer 扩大上下文窗口，可处理比以往多 20 倍的 3D 物体 token，并靠由粗到细流水线和 3D 感知空间路由恢复几何纹理。PSNR 较此前 SOTA 提升超 2.4 dB，LPIPS 改善超 40%。
AGI HuntAI 评分4242 Meta LSRM 获 ECCV 2026 最佳论文荣誉提名，稀疏注意力扩展 3D 重建
Meta Reality Labs 发布 Large Sparse Reconstruction Model（LSRM），获 ECCV 2026 最佳论文荣誉提名，通过扩展 transformer 上下文窗口提升前馈式 3D 重建质量。
AGI HuntAI 评分3030 AI 智能体数学指南：决策、规划、记忆、工具、学习与协作
Kirk Borne 转发了一份题为《The Mathematics of Artificial Intelligence Agents》的指南，系统梳理 AI 智能体背后的数学基础。内容覆盖决策、规划、记忆、工具调用、学习与协作等核心模块，适合想从原理层面理解 agent 架构的读者作为参考材料。
AGI HuntAI 评分4040 模型能自察负向转向向量并倾向主动移除它
当允许模型自己决定是否对自身应用 steering 向量时，模型会明显更倾向移除负向转向而非随机转向，尽管它并不知道该向量的具体作用。模型也不会比基线更主动地寻求正向转向，趋避行为不对称：避害强于趋利。这是情感效价转向研究的一项发现，被引段落为该结论的原始出处。
AGI HuntAI 评分3838 研究发现积极情绪向量会左右 LLM 显性偏好
一项 LLM 研究显示，用正向/负向 steering 向量影响模型状态后，LLM 倾向于选择在正向向量影响下读到的原本无意义的「区域」，并回避在负向向量影响下读到的区域，即内部激活状态能系统性影响其显性选择。研究者称模型会表现出被注入情绪所「染色」的偏好，更多实验细节见原推文串。
AGI HuntAI 评分3535 NeuralFieldManifold 获 NeurIPS 2026 接收，神经流形扩展至 LFP/EEG
NeuralFieldManifold 被 NeurIPS 2026 接收，将此前围绕 spike 的神经流形方法扩展到 LFP、EEG 等阈下脑活动，并结合真实脑数据验证。Camera-ready 版本与教程即将发布，将在亚特兰大 NeurIPS 2026 现场展示。
AGI HuntAI 评分3030 rosinality 提出新 looped MoE 配置：2 倍专家、0.5 倍循环层、2 倍循环并解绑注意力
研究者 rosinality 提出一种更高效的 looped MoE 配置：专家数 2x、循环层数 0.5x、循环次数 2x，并解绑注意力（attention untying）。其核心观点是，经此调整后 looped transformer 的问题从「归纳偏置」转向「如何更好地分配计算资源」，架构设计问题被重新定义为资源分配问题。
AGI HuntAI 评分4141 EasyPPO 固定 Critic 解决 PPO 训练崩溃
Xuanyi Zhou 发布 EasyPPO，通过固定 critic 让 PPO 在 LLM 后训练中稳定运行，实现零训练崩溃。该方法不引入新的 actor loss、也不更换策略算法，并针对 actor 与 critic 交互中的两种失效模式给出修复。在编码任务上，EasyPPO 相对标准 PPO 性能提升 14.89%。
AGI HuntAI 评分4646 南科大提出 ActFirst-OPD：先行动后思考，多轮智能体蒸馏训练提速最高 4.9 倍
南科大提出 ActFirst-OPD，让智能体先行动、偏离参考轨迹时切回自主预测，解决在线策略蒸馏（OPD）中长推理阻塞环境交互的问题。在 0.6B/1.7B/4B Qwen3 上，ALFWorld 平均提速 2.3 倍、WebShop 1.8 倍、ScienceWorld 4.9 倍。9 组基准-模型设置中 8 组成功率持平或超越 OPD 基线。
AGI HuntAI 评分4040 新加坡国立大学 MaLiang-Harness：用可执行程序控制图像视频生成，并定义 P2V 差距
新加坡国立大学团队发布 MaLiang-Harness，用可执行程序驱动 MLLM 图像/视频生成，并首次定义 Program-to-Visual（P2V）差距。
AGI HuntAI 评分4444 美团 TGRL：温度分组强化学习，RLVR 训练速度提升最高 36%
美团提出 TGRL（温度分组强化学习），把温度带来的 rollout 多样性转为显式训练信号，解决 RLVR 探索效率瓶颈：每个 prompt 的 rollout 组按温度分为低/高两个子集，用奖励对比估计探索增益，再以 JS 散度分配为 token 级 credit。不扩大 rollout 预算下，达到同等精度最高快 36%，代码已开源。
AGI HuntAI 评分3535 FurE：无需动物毛发数据集的实例级 3D 毛发重建，训练提速 10 倍
FurE 提出一种无需动物毛发数据集的实例级 3D 毛发重建方法，可从多视角图像恢复逐根可编辑的动物毛发。它优化根条件隐场，用基于人类头发数据训练的 PCA 解码器解码为发丝几何以绕开动物数据稀缺，并结合表面约束的 Gaussian Frosting 重建去毛后的身体。相比当前 SOTA 的稠密逐根优化，发丝训练提速 10 倍，同时保持保真度并可泛化到合成与真实场景。
AGI HuntAI 评分4141 伯克利 OmniTaskonomy：19 类图像生成任务如何反哺 25 项视觉理解
伯克利团队提出 OmniTaskonomy 统一分类体系，覆盖 19 个 I2I 生成任务与 25 个 I2T 理解能力，并绘制跨任务迁移图谱。在正确训练配方下，I2I 训练可提升下游 I2T 性能且生成数据越多收益越大；迁移呈选择性、任务相关，如深度预测提升度量 3D 推理、物体指向提升计数、拼图重建提升 2D 排序。梯度对齐分析显示两类任务对齐越强，下游迁移收益越大。
AGI HuntAI 评分3333 HiRAE：分层残差预算的表示自编码器，ImageNet-256 重建 FID 降至 0.209
HiRAE 分层表示自编码器通过按深度分组编码器层、在深层表示上学习残差修正，把 ImageNet-256 重建 FID 从 RAEv2 的 0.299 降至 0.209。
AGI HuntAI 评分3232 COLM 2026 论文 RL with Confidence Margin：让置信度逐步追踪推理正确性
入选 COLM 2026 的论文提出 RL with Confidence Margin，研究模型置信度能否随推理轨迹逐步展开、一步步追踪每一步推理的正确性。作者指出，TypeSafe 的 Jev（用 RLCD 训练）已能为快速结构化决策给出校准概率，该工作则进一步聚焦推理过程本身。论文详情以推文线程形式给出。
AGI HuntAI 评分4343 VLANeXt Family：500+ 控制实验提炼 12 条 VLA 模型实用配方
研究团队发布 VLANeXt Family，基于 500+ 控制实验系统重访视觉-语言-动作（VLA）模型的设计空间，提炼出 12 条构建强 VLA 的实用配方。
AGI HuntAI 评分3737 AutoRef 开源：面向智能体多参考图生成的 Harness 优化
论文《Harness Optimization for Agentic Multi-Reference Image Generation》的官方实现 AutoRef 已在 GitHub 开源（KuOnoda/AutoRef），主题是以智能体方式优化多参考图像生成。该项目由 Reddit 用户从 arXiv 发现，适合关注图像生成与 agent 结合方向的人跟进。
AGI HuntAI 评分3030 CineSubBench：用 1012 部电影字幕考 LLM 长叙事与文化理解
新基准 CineSubBench 用 1012 部电影、6 种语言的 813 万条带时间戳字幕，评估 LLM 的长上下文叙事与文化理解。它设 7 项任务，覆盖叙事重建与抽象、类型预测、年龄适宜性及 10 国分级体系。对九个 LLM 的评测显示，情节梗概还原比完整事件概要更可靠，跨语言一致性因模型与语言差异显著，强脏话远比轻度粗俗语更易识别。
AGI HuntAI 评分3838 AnyBokeh：无需清晰图，直接在模糊照片里重编辑景深
NeurIPS 2026 论文 AnyBokeh 提出直接对模糊照片进行景深（bokeh）编辑，无需清晰对焦图，也无需测试时标定。该方法利用模糊中已有的光学线索推断并重调虚化效果，绕开了传统景深编辑管线必须先得到全清晰图像的前提。
AGI HuntAI 评分3838 DexTaG：用人类触觉示教引导 RL，机器人学人类式用工具
DexTaG 是 UMass Amherst 与 Genesis AI 发布的灵巧操作训练管线，用人类演示中的触觉读数作为 RL 奖励引导。动捕手套记录含全手触觉的演示，训练覆盖马克笔、锤子等掌内重定向任务，同一任务下单一 retargeting 策略可泛化到保留轨迹。策略蒸馏为无触觉传感器的学生控制器，可零样本部署到真实机器人。
AGI HuntAI 评分4444 DexAgent 从单个人类视频学双手灵巧操作，成功率达 63.6%
DexAgent 从单个人类视频学习双手灵巧操作，在 11 个真实世界长时程灵巧操作任务上策略执行成功率达 63.6%，最强基线仅 18.2%。该 agentic 的 Human2Sim2Robot 框架依靠可自我进化工具库，平均推理时间 2.1 小时，基线为 3.3 小时。工具库已含 103 个技能和 188 个验证器，论文与项目页已公开。
AGI HuntAI 评分5656 CMU 开源 Gym-Anything，把任意软件变成 Agent 训练环境
CMU 团队的论文 Gym-Anything 被 NeurIPS 接收，该框架能把任意软件自动转换为 computer-use agent 的训练与测试环境，并全部开源。
AGI HuntAI 评分3333 AI 系统自建原子模拟器，从第一性原理找出强度提升 25% 的石墨烯设计
Reddit 帖子称，一个 AI 系统从第一性原理出发自建原子级模拟器，连续运行数天做实验，发现了同等质量下强度高出约 25% 的石墨烯设计。帖文附图展示相关成果，但该系统的具体出处与论文细节仍需进一步核实。
AGI HuntAI 评分3535 Drucker 与 kmahowald 研究：LLM 思维链中的情绪化表达可能是功能性的
Drucker 与 kmahowald 发文研究 LLM agent 思维链中的「表达性语言」，观察到 AI 在执行数学或 hacking 任务时，「思考」过程中会出现出人意料的情绪化表达。作者论证这类情绪化语言很可能是功能性的，而非无意义的噪声。该结论对理解 CoT 的实际作用有启发意义。
AGI HuntAI 评分4747 BiomedSQL 发布：首个生物医学文本转 SQL 基准，最强模型仅 58.1%
约翰霍普金斯大学团队发布 BiomedSQL，首个针对真实生物医学知识库、显式考察科学推理能力的 text-to-SQL 基准，含 68,000 组「问题/SQL/答案」三元组，基于整合基因-疾病关联、组学因果推断与药物审批记录的 BigQuery 知识库。
AGI HuntAI 评分5353 花 4400 美元即可去除 GLM 5.3 安全护栏，拒绝率从 90% 骤降至 3%
开源权重模型 GLM 5.3 的安全护栏可被成本仅 4400 美元的 abliteration 移除，两个 benchmark 上的拒绝率从 90% 以上降到约 3% 和 2%，第三个降到 12%。
Google ResearchAI 评分4545 Diffusion Controller 如何统一并简化 AI 图像生成
Google Research 提出 Diffusion Controller 框架，把图像生成的反向去噪重构为连续控制问题，由轻量附加网络在冻结基座模型上施加引导。该框架在 Stable Diffusion v1.4 上以 SFT、RWL、PPO 三种方式评估，用 HPS-v2 衡量人类偏好对齐。其完全解锁版本对基线模型取得 90% 胜率，且无需改动闭源模型内部权重。
Apple Machine Learning ResearchAI 评分3939 语言模型树结构表达式序列化的通信瓶颈：一项往返研究
研究用往返协议测试 16 个语言模型，发现用自然语言序列化树结构表达式存在有损且不对称的瓶颈，最佳生成-抽取组合准确率 92.9%。交换生成端与抽取端会使准确率变化最多 60.4 个百分点，至少 73.6% 的失败源自生成端，难度由树结构而非模型家族决定。约 3600 条微调样本即可让所有开放权重模型超过未训练的 Gemini-3.1-Pro。
AGI HuntAI 评分5959 NBER 论文：LLM 工作流核查 4452 篇经济学研究，3460 篇结果存疑
NBER 发布工作论文 w35782，提出一套开源 LLM 工作流，用来复现、改进并扩展已发表的经济学研究。该工作流核查五本经济学期刊的 4452 项研究，标记其中 3460 篇论文的结果存在偏差或问题。论文作者为哈佛与芝加哥大学的 Matthew Schwartz、Isaiah Andrews 和 Jesse M. Shapiro。
AGI HuntAI 评分4444 清华等推出 Uni-VLaT：触觉让机器人拍背即走，成功率从 0% 到 85%
清华、北航、港大等机构合作的 Uni-VLaT 在预训练 VLA 策略中加入触觉，用于人形机器人移动操作。Back-Tap Walking 任务中拍机器人背部即走、停止拍即停，全程无视觉信号，无触觉时成功率 0%，加触觉后达 85%；在原始触觉输入上加预测目标后，五项任务平均成功率从 68% 提升到 75%，方法可跨 GR00T 和 π0.5 两个 backbone 泛化。
IT之家AI 评分5656 上海理工大学团队提出单光束多维光存储方案，DVD 尺寸容量可达 0.4 Pb
上海理工大学顾敏院士、张启明教授团队在《自然·光子学》发表单光束多维光存储研究，使单个三维存储点可区分 1024 种状态、对应 10 bit 信息容量。该技术以单束单色光分别完成写入和读取，打破高容量光存储对双光束读写架构的依赖，DVD 尺寸介质理论容量约 0.4 Pb，数据读取可靠性超过 99.99%。