自适应奖励路由：基于前向过程强化学习的音视频联合扩散动态多奖励优化

提出自适应奖励路由，以前向过程强化学习动态优化音视频联合扩散的多重奖励。

EgoTools：迈向真实世界第一人称视频中以工具为中心的推理

EgoTools研究真实第一人称视频中以工具为中心的推理。

LongLive-Plug：面向视频生成的一次性通用蒸馏

提出LongLive-Plug，实现视频生成的一次性通用蒸馏，提升生成效率。

@_akhaliq：Omni-IO 技能

提出 Omni-IO 技能，使智能体原生支持全模态输入输出。

LEGO-Anything：面向3D场景重建的编码智能体

提出LEGO-Anything，利用编码智能体进行3D场景重建。

@_akhaliq：我将出席10月16日在旧金山Midway举办的Hugging Face Open Together活动

@_akhaliq将出席10月16日旧金山Midway的Hugging Face活动，附报名链接。

重新思考智能体空间推理的动作接口

重新思考智能体空间推理的动作接口，探索更优交互方式。

@_akhaliq：Audio8 ASR Infinite

流式语音识别模型，原生架构每秒解码12.5次，滚动KV缓存使内存与延迟恒定，支持7×24运行。

正则化层融合缓解表征自编码器中的重建-生成鸿沟

提出FuseReg，通过正则化层融合，缩小表征自编码器重建与生成间的差距。

@_akhaliq: ProgramDistill

@_akhaliq：Qwen-Image-2.1-viggle-turbo v0.2 已在 Hugging Face 发布

Qwen-Image-2.1-viggle-turbo v0.2 发布，文生图与图像编辑仅需6步，速度约为40步版的5倍。

在世界模型中训练客体永久性

提出在世界模型中训练客体永久性的方法，使模型能理解物体被遮挡后依然持续存在。

@_akhaliq：Pruna-Qwen-Image-2.1

少步LoRA适配器，让Qwen-Image-2.1生成与编辑提速最高6.3倍，5或8步替代40步。

论高维潜变量的可扩散性

原文未提供摘要；主题聚焦高维潜变量的可扩散性。

@_akhaliq：对比语言模型

提出对比语言模型，探索对比学习在语言建模中的应用。

@_akhaliq：将视觉语言模型的智能迁移到机器人控制

将视觉语言模型的智能迁移至机器人控制，提升机器人操作与泛化能力。

通过词元级校正高效标注大语言模型与智能体的同策略对齐数据

词元级校正实现LLM与智能体同策略对齐数据的高效标注。

@_akhaliq：RRSI——智能体框架的正则化递归自我改进

论文提出RRSI，为智能体框架提供正则化递归自我改进方法。

@_akhaliq：WorldCrafter

WorldCrafter：具有隐式3D感知记忆的一致视频世界模型，提升视频生成时空连贯性。

CodeMidas：从代码本身扩展智能体编码强化学习环境

提出CodeMidas，利用代码本身规模化扩展智能体编码强化学习环境。

@_akhaliq：Qwen-Image-2.1 已在 Hugging Face 发布

Qwen-Image-2.1 已在 Hugging Face 上线，并附带应用链接。

@_akhaliq：JEPA-万物

在不同世界间学习预测模型。

编码智能体的框架（Harness）设计实证研究

对编程智能体的框架设计开展实证研究，比较不同设计选择对其性能的影响。

Agora：将 Git 作为集体自动化科研的共享记忆

Agora 以 Git 为共享记忆，支持集体自动化科研。

LimiX-2：面向通用结构化数据智能的上下文机制网络

LimiX-2提出一种面向通用结构化数据智能的上下文机制网络。

@_akhaliq：StepAudio 3 实时技术报告

推文发布StepAudio 3实时技术报告及论文链接。

持续学习机制组合实现长时程记忆

持续学习机制可组合，以支持长时程记忆。

@_akhaliq：Vidu S2

Vidu S2 支持实时交互、可编辑与空间视频生成。

基于上下文排序端到端优化的简单注意力稀疏化

提出SAS，通过端到端优化上下文排序实现注意力稀疏化，简化并加速注意力计算。

AuK 技术报告

开源语音生成与编辑基础模型。

Marigold V2：重新审视单目深度估计中的扩散Transformer

利用扩散Transformer的强大先验，显著提升单目深度估计的精度与泛化性，达到先进水平。

NeoHorse-1：基于路由框架的智能体后训练，迈向递归自我改进

提出NeoHorse-1，用路由框架进行智能体后训练，实现递归自我改进，提升模型能力。

通过离散扩散解锁LLM无损加速

提出离散扩散方法，在不损失质量的前提下加速LLM推理，论文展示显著提速效果。

匹配需双方：强化学习协同进化生成式检索器

研究利用强化学习实现生成式检索器的协同进化，通过匹配双方互动优化，提升检索精度与效果。

HarnessDev：大语言模型能否创建并演化自己的智能体框架？

探究大语言模型能否自主创建并迭代优化智能体工作框架。

仓库到技能

将GitHub仓库蒸馏为AI4AI技能。

在线策略蒸馏真的能蒸馏吗？

从嘈杂教师到自我改进，探讨在线策略蒸馏的实际效果。

@_akhaliq: LoopArena

LoopArena基准测试模型作为循环工程运行时控制器的性能。

代码即世界：智能体发现用于物理推理的可执行世界表征

本文提出用代码表示世界，让智能体自动发现可执行表征以进行物理推理。

VGI-Bench：探测视频生成模型中的视觉智能

VGI-Bench基准评测视频生成模型的视觉智能，探测其对物理规律与视觉世界的理解。

开放世界多智能体环境中的自主数学发现

提出开放世界多智能体环境中自主数学发现方法，通过智能体协作探索，实现数学定理自动生成与验证。

Apodex 1.1：扩展复杂工作的智能体智能

提出Apodex 1.1，聚焦扩展智能体处理复杂工作的能力，并附论文链接。

基于潜在动力学推理的外推视频世界模型

提出潜在动力学推理方法训练视频世界模型，使其能外推未来状态演化，提升视频预测的长期准确性。

@_akhaliq：无限编辑

通过轻量级编辑点火适配器，实现无限长度的视频编辑。

@_akhaliq：MiniMax-Music3 的 Gradio 工作流已发布

MiniMax-Music3 的 Gradio 工作流发布，附相关链接。

SCoPE：视频扩散Transformer的视线坐标位置编码

提出SCoPE位置编码，利用视线坐标增强视频扩散Transformer对时空位置的理解。

基于循环潜在推理的上下文学习

提出在上下文学习中引入循环潜在推理，通过迭代精炼潜在表示增强模型推理能力。

@_akhaliq：SWE-Bench ProMax

提出SWE-Bench ProMax，用于大规模多语言代码重构的智能体基准测试。

MatrAIx：用83亿人格代理模拟世界

用83亿人格代理模拟整个世界。

迈向技能原生的LLM

提出技能熵，用于长程推理的基准测试与训练。