duan

HuggingFace 每日AI论文速递

Technology ZH ↓ 647 episodes

每天10分钟，带您快速了解当日HuggingFace热门AI论文内容。每个工作日更新，欢迎订阅。📢播客节目在小宇宙、Apple Podcast平台搜索【HuggingFace 每日AI论文速递】🖼另外还有图文版，可在小红书搜索并关注【AI速递】

Author

duan

Episodes

2025.11.25 | 即时编译让记忆无损；AutoEnv自动挑环境提两成 25.11.2025 10:01

本期的 15 篇论文如下： [00:25] 🧠 General Agentic Memory Via Deep Research（通过深度研究的通用代理记忆） [00:52] 🧪 AutoEnv: Automated Environments for Measuring Cross-Environment Agent Learning（AutoEnv：用于跨环境智能体学习的自动化环境测量） [01:24] 🤖 Computer-Use Agents as Judges for Generative User Interface（以计算机使用代理作为生成式用户界面的评判者） [01:55] 🎨 DeCo: Frequency-Decoupled Pi...

2025.11.24 | 开源7B模型刷新多模态推理；GeoVista小模型精准地理定位 24.11.2025 10:42

本期的 15 篇论文如下： [00:21] 🧠 OpenMMReasoner: Pushing the Frontiers for Multimodal Reasoning with an Open and General Recipe（OpenMMReasoner：以开放通用方案推动多模态推理前沿） [01:04] 🌍 GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization（GeoVista：用于地理定位的Web增强智能视觉推理） [01:41] 🎯 SAM 3: Segment Anything with Concepts（SAM 3：基于概念的通用分割模型） [02:31] 📊...

【周末特辑】11月第4周最火AI论文 | Kandinsky 5.0开源全家桶；MiroThinker开源智能体 22.11.2025 10:19

本期的 5 篇论文如下： [00:41] TOP1(🔥171) | 🎨 Kandinsky 5.0: A Family of Foundation Models for Image and Video Generation（Kandinsky 5.0：用于图像和视频生成的基础模型家族） [02:02] TOP2(🔥150) | 🚀 MiroThinker: Pushing the Performance Boundaries of Open-Source Research Agents via Model, Context, and Interactive Scaling（MiroThinker：通过模型、上下文与交互扩展，将开源研究智能体性能推向新边界） [04...

2025.11.21 | V-ReasonBench考视频模型推理；Step-Audio-R1让语音越“想”越强 21.11.2025 9:54

本期的 15 篇论文如下： [00:22] 📊 V-ReasonBench: Toward Unified Reasoning Benchmark Suite for Video Generation Models（V-ReasonBench：面向视频生成模型的统一推理基准套件） [01:06] 🧠 Step-Audio-R1 Technical Report（Step-Audio-R1技术报告） [01:48] 🧭 Scaling Spatial Intelligence with Multimodal Foundation Models（通过多模态基础模型扩展空间智能） [02:18] 🎬 First Frame Is the Place to Go for Video Co...

2025.11.20 | 视频模型拍推理链，迷宫百发百中；无标注左右互搏，视觉模型自学跃升 20.11.2025 3:36

本期的 4 篇论文如下： [00:23] 🎬 Reasoning via Video: The First Evaluation of Video Models' Reasoning Abilities through Maze-Solving Tasks（通过视频进行推理：基于走迷宫任务对视频模型推理能力的首次评测） [01:17] 🔄 VisPlay: Self-Evolving Vision-Language Models from Images（VisPlay：基于无标注图像自我进化的视觉-语言模型） [01:54] 📚 ARC-Chapter: Structuring Hour-Long Videos into Navigable Chapters a...

2025.11.19 | 像素演员难推理；视觉误导测真章 19.11.2025 8:19

本期的 11 篇论文如下： [00:23] 🧠 Can World Simulators Reason? Gen-ViRe: A Generative Visual Reasoning Benchmark（世界模拟器会推理吗？Gen-ViRe生成式视觉推理基准） [01:03] 🕵 MVI-Bench: A Comprehensive Benchmark for Evaluating Robustness to Misleading Visual Inputs in LVLMs（MVI-Bench：评估大型视觉语言模型对误导性视觉输入鲁棒性的综合基准） [01:49] 🎞 REVISOR: Beyond Textual Reflection, Towards Multim...

2025.11.18 | RL奥赛夺金；Uni-MoE 2.0全能跃升 18.11.2025 10:08

本期的 14 篇论文如下： [00:17] 🏅 P1: Mastering Physics Olympiads with Reinforcement Learning（用强化学习攻克物理奥赛） [00:56] 🌐 Uni-MoE-2.0-Omni: Scaling Language-Centric Omnimodal Large Model with Advanced MoE, Training and Data（Uni-MoE 2.0 Omni：以语言为中心的万模态大模型，通过先进MoE、训练与数据实现规模跃升） [01:42] 🧩 Part-X-MLLM: Part-aware 3D Multimodal Large Language Model（Part-X-MLLM...

2025.11.17 | RoPE去噪救长文本；AI速筛离子液体 17.11.2025 10:06

本期的 13 篇论文如下： [00:24] 🧹 DoPE: Denoising Rotary Position Embedding（DoPE：面向旋转位置嵌入的去噪处理） [00:58] 🧪 AIonopedia: an LLM agent orchestrating multimodal learning for ionic liquid discovery（AIonopedia：面向离子液体发现的LLM智能体多模态学习编排） [01:44] 🖼 UI2Code^N: A Visual Language Model for Test-Time Scalable Interactive UI-to-Code Generation（UI2Code^N：面向测试时可扩展交互...

【周末特辑】11月第3周最火AI论文 | 3D游戏智能体开源方案；桌面AI少样本精准操控 15.11.2025 11:34

本期的 5 篇论文如下： [00:38] TOP1(🔥135) | 🌍 Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds（Lumine：在3D开放世界中打造通才智能体的开源方案） [02:47] TOP2(🔥97) | 🖥 Grounding Computer Use Agents on Human Demonstrations（基于人类演示的计算机使用智能体定位研究） [04:44] TOP3(🔥89) | 🧠 Tiny Model, Big Logic: Diversity-Driven Optimization Elicits Large-Model Reasoning Abili...

2025.11.14 | UniVA四合一开源视频通才；Depth Anything 3单ViT通吃3D 14.11.2025 3:25

本期的 4 篇论文如下： [00:24] 🎬 UniVA: Universal Video Agent towards Open-Source Next-Generation Video Generalist（UniVA：面向开源下一代视频通才的通用视频智能体） [00:59] 🌐 Depth Anything 3: Recovering the Visual Space from Any Views（Depth Anything 3：从任意视角恢复视觉空间） [01:50] 🔍 AlphaResearch: Accelerating New Algorithm Discovery with Language Models（AlphaResearch：用语言模型加速全新算...

2025.11.13 | 原神数据炼成7B通用AI；零训练轨迹秒变视频遥控器 13.11.2025 6:28

本期的 9 篇论文如下： [00:19] 🌍 Lumine: An Open Recipe for Building Generalist Agents in 3D Open Worlds（Lumine：在3D开放世界中打造通才智能体的开源方案） [00:54] 🎬 Time-to-Move: Training-Free Motion Controlled Video Generation via Dual-Clock Denoising（Time-to-Move：无需训练的双时钟去噪运动控制视频生成） [01:31] ⚡ TiDAR: Think in Diffusion, Talk in Autoregression（TiDAR：扩散式思考，自回归式表...

2025.11.12 | 1.5B小模型反超671B大模型；多智能体质检聊天机器人 12.11.2025 6:56

本期的 9 篇论文如下： [00:24] 🧠 Tiny Model, Big Logic: Diversity-Driven Optimization Elicits Large-Model Reasoning Ability in VibeThinker-1.5B（小模型大逻辑：多样性驱动优化唤醒VibeThinker-1.5B的大模型推理力） [00:59] 🤝 Adaptive Multi-Agent Response Refinement in Conversational Systems（对话系统中自适应多智能体响应精炼机制） [01:30] 🧩 Wasm: A Pipeline for Constructing Structured Arabic Interleav...

2025.11.11 | 小窗口勤总结刷新深度研究；先广撒网再啃难题激活代码竞赛 11.11.2025 9:58

本期的 13 篇论文如下： [00:25] 🧩 IterResearch: Rethinking Long-Horizon Agents via Markovian State Reconstruction（IterResearch：基于马尔可夫状态重构的长程智能体再思考） [01:16] 🏆 DRIVE: Data Curation Best Practices for Reinforcement Learning with Verifiable Reward in Competitive Code Generation（DRIVE：面向可验证奖励强化学习的竞赛级代码生成数据精选最佳实践） [02:03] 🔬 The Station: An Open-World...

2025.11.10 | DeepEyesV2小模型边看图边写代码；纯数据让AI长出立体眼 10.11.2025 5:30

本期的 7 篇论文如下： [00:21] 🧠 DeepEyesV2: Toward Agentic Multimodal Model（DeepEyesV2：迈向智能体多模态模型） [01:13] 🧭 Visual Spatial Tuning（视觉空间调优） [01:54] 🦹 Too Good to be Bad: On the Failure of LLMs to Role-Play Villains（过于完美以致无法邪恶：大语言模型反派角色扮演的失败） [02:27] 🧠 Towards Mitigating Hallucinations in Large Vision-Language Models by Refining Textual Embeddings...

【周末特辑】11月第2周最火AI论文 | 视频生成即推理；SVG草图变代码 08.11.2025 12:07

本期的 5 篇论文如下： [00:31] TOP1(🔥137) | 🎬 Thinking with Video: Video Generation as a Promising Multimodal Reasoning Paradigm（用视频思考：视频生成作为统一多模态推理新范式） [02:43] TOP2(🔥95) | 🖼 VCode: a Multimodal Coding Benchmark with SVG as Symbolic Visual Representation（VCode：以SVG为符号视觉表征的多模态代码评测基准） [05:12] TOP3(🔥90) | 🚀 Diffusion Language Models are Super Data Lear...

2025.11.07 | 视频推理新范式；图像互动促思维 07.11.2025 8:29

本期的 12 篇论文如下： [00:21] 🎬 Thinking with Video: Video Generation as a Promising Multimodal Reasoning Paradigm（用视频思考：视频生成作为统一多模态推理新范式） [00:58] 🧠 V-Thinker: Interactive Thinking with Images（V-Thinker：与图像互动的思维推理） [01:39] 🧠 Scaling Agent Learning via Experience Synthesis（基于经验合成的智能体规模化强化学习） [02:23] 🧠 Cambrian-S: Towards Spatial Supersens...

2025.11.06 | 扩散模型省数据；音视频对口型 06.11.2025 7:01

本期的 9 篇论文如下： [00:17] 🚀 Diffusion Language Models are Super Data Learners（扩散语言模型是超级数据学习者） [01:06] 🎬 UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions（统一音视频生成的不对称跨模态交互方法） [01:42] 🧩 LEGO-Eval: Towards Fine-Grained Evaluation on Synthesizing 3D Embodied Environments with Tool Augmentation（LEGO-Eval：面向具身3D环境合成...

2025.11.05 | 向量草图测代码；先画后想补视觉 05.11.2025 11:31

本期的 15 篇论文如下： [00:21] 🖼 VCode: a Multimodal Coding Benchmark with SVG as Symbolic Visual Representation（VCode：以SVG为符号视觉表征的多模态代码评测基准） [01:12] 🧠 When Visualizing is the First Step to Reasoning: MIRA, a Benchmark for Visual Chain-of-Thought（当可视化成为推理第一步：MIRA视觉思维链基准测试） [01:48] ⚖ When Modalities Conflict: How Unimodal Reasoning Uncertainty Governs Pr...

2025.11.04 | 超稀疏MoE激活万亿参数；视觉模型看图胜GNN 04.11.2025 11:06

本期的 15 篇论文如下： [00:23] 🧠 Every Activation Boosted: Scaling General Reasoner to 1 Trillion Open Language Foundation（全激活赋能：将通用推理模型扩展到万亿参数的开放语言基座） [01:03] 👁 The Underappreciated Power of Vision Models for Graph Structural Understanding（被低估的视觉模型在图结构理解中的强大潜能） [01:38] 💡 UniLumos: Fast and Unified Image and Video Relighting with Physics-Plausib...

2025.11.03 | OS-Sentinel实时守护手机操作安全；ThinkMorph让小模型边想边画 03.11.2025 11:02

本期的 15 篇论文如下： [00:21] 🛡 OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows（OS-Sentinel：在真实工作流中通过混合验证提升移动GUI代理安全性） [01:13] 🧠 ThinkMorph: Emergent Properties in Multimodal Interleaved Chain-of-Thought Reasoning（ThinkMorph：多模态交错思维链中的涌现特性） [01:49] ⚔ INT v.s. FP: A Comprehensive Study of Fine-Grained Lo...

【月末特辑】10月最火AI论文 | 幼龙BDH稀疏可解释；迷你递归7兆碾压大模型 02.11.2025 22:46

本期的 10 篇论文如下： [00:30] TOP1(🔥522) | 🐣 The Dragon Hatchling: The Missing Link between the Transformer and Models of the Brain（幼龙破壳： Transformer 与大脑模型之间缺失的环节） [02:31] TOP2(🔥462) | 🧠 Less is More: Recursive Reasoning with Tiny Networks（小而精：用微型网络递归推理） [04:48] TOP3(🔥255) | 🌱 Agent Learning via Early Experience（基于早期经验的主体学习） [07:04] TOP4(🔥182)...

【周末特辑】11月第1周最火AI论文 | 循环模型省参强推理；Concerto 2D-3D自监督涨点 01.11.2025 11:53

本期的 5 篇论文如下： [00:35] TOP1(🔥174) | 🔄 Scaling Latent Reasoning via Looped Language Models（通过循环语言模型扩展潜在推理能力） [02:30] TOP2(🔥166) | 🎼 Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations（Concerto：2D-3D联合自监督学习涌现空间表征） [05:17] TOP3(🔥115) | 🧩 ReCode: Unify Plan and Action for Universal Granularity Control（ReCode：用递归代码统一规划...

2025.10.31 | Emu3.5统一预测时空；扩散提示驱动机器人 31.10.2025 10:09

本期的 15 篇论文如下： [00:26] 🌍 Emu3.5: Native Multimodal Models are World Learners（Emu3.5：原生多模态世界模型让AI看懂并预测未来） [01:04] 🤖 Exploring Conditions for Diffusion models in Robotic Control（探索扩散模型在机器人控制中的条件化策略） [01:42] 🎬 Are Video Models Ready as Zero-Shot Reasoners? An Empirical Study with the MME-CoF Benchmark（视频模型已准备好做零样本推理了吗？基于MME-CoF基...

2025.10.30 | 看图写码7B逆袭；视频思维RL破局 30.10.2025 11:29

本期的 15 篇论文如下： [00:22] 👁 JanusCoder: Towards a Foundational Visual-Programmatic Interface for Code Intelligence（JanusCoder：面向代码智能的基础视觉-编程接口） [01:00] 🧠 Video-Thinker: Sparking "Thinking with Videos" via Reinforcement Learning（Video-Thinker：用强化学习点燃“视频思维”） [01:55] 🔄 ReForm: Reflective Autoformalization with Prospective Bounded Sequence Optimization（ReForm：...

2025.10.29 | 通义深度研究报告；小模型折记忆胜671B巨模型 29.10.2025 8:14

本期的 10 篇论文如下： [00:23] 🔍 Tongyi DeepResearch Technical Report（通义深度研究报告：面向长程深度信息检索任务的智能体大模型） [01:00] 🧠 AgentFold: Long-Horizon Web Agents with Proactive Context Management（AgentFold：面向长程任务的主动式上下文管理智能体） [01:36] 🤖 RoboOmni: Proactive Robot Manipulation in Omni-modal Context（RoboOmni：全模态上下文下的主动机器人操作） [02:33] 🎮 Game-TARS:...