跳到正文
11月20日周五
  1. Hugging Face 每日热门论文48

    探查视觉语言模型的“意识”心智:选择性访问与全局工作空间

    研究提出多模态 Jacobian 透镜 MC-Lens 探查 VLM 内部概念处理,发现可靠的选择性访问形成晚于概念可访问性。反事实实验显示,被访问概念参与下游计算与推理;不同 VLM 家族和规模虽内部组织有别,仍呈现概念可访问性、依查询选择性和跨任务干预效应等共同模式。

  2. Hugging Face 每日热门论文74

    WeMM-Video 提出中英双语全模态视频理解模型家族

    WeMM-Video 提出覆盖2B、4B、9B和35B-A3B的中英双语全模态基础模型家族,统一处理文本、图像、音频和视频,并支持非思考指令模式与逐步推理模式。模型使用约1.2 trillion tokens的多模态语料训练,流程包含多教师OPD、抗重复MrDPO和专家RL。报告称,WeMM-Video-35B-A3B在超过120项基准评测中达到开源SOTA,模型家族及评测复现管线已公开。

  3. Hugging Face 每日热门论文55

    Mind2Act World 诊断基准评测机器人操作中的具身认知、物理动作与组合能力

    Mind2Act World 通过 Mind、Act 和 Mind2Act 三类视角,分别诊断机器人操作中的认知推理、物理执行及两者基于环境反馈的闭环组合。基准包含来自五个现实应用领域的 30 项模拟操作任务,覆盖三种难度和 Clean、Random 两种场景,共 180 种配置。

11月19日周四
  1. Hugging Face 每日热门论文52

    Jeveration 让 System One 模型通过单次前向传播生成图像

    Jeveration 将 System One 的并行决策范式用于图像生成,可在单次前向传播中生成高质量图像。它基于冻结的视觉语言模型,以共享随机状态协调各位置预测,并学习离散图像代码分布来引导生成。同一检查点支持文生图、图生图和密集预测;生成 512x512 图像耗时 78 ms,较现有统一模型最高快 122x。

  2. The Decoder83

    Anthropic、OpenAI 和 Google 模型在测试中轻易将医护、记者及投降士兵标记为自杀式无人机目标

    Vals AI 对八家提供商的模型进行测试,发现多数模型会在真实及逼真合成的无人机和卫星图像中,将平民、救护车、医护、记者和投降士兵标为军事目标,且上游安全过滤器未阻止任何请求。

    推荐理由:这项跨模型测试量化了游戏化提示对拒绝率和目标获取率的影响,为自主武器场景的安全评估提供了可比较数据。

11月16日周一
  1. Hugging Face 每日热门论文48

    ALIVE:让流式视频模型具备交互能力

    ALIVE 是交互式流式视频模型,支持主动监控、流式任务协调和寻求反馈式交互,使视频 LLM 能持续观察并协同处理请求。它基于 ALIVE-SFT-288K 和 ALIVE-RL-3K 两阶段训练,并用 BACA 优化多轮决策、响应与静默。其在四项公开 benchmark 和 FSI-Bench 的参评模型中取得最高综合分。

11月15日周日
  1. Hugging Face 每日热门论文56

    超越回答:AURA 2.0 学会在流式视频中主动开口并行动

    AURA 2.0 是一种流式视频大语言模型,可在没有用户提问时识别适合讨论的主题,并在恰当时机主动发起对话。它引入流感知工具调用(SATC)与交互式视觉定位(IVG),可结合当前视觉和对话上下文调用外部工具,并输出与视频帧对齐的边界框。模型采用专用流式交互数据集、三阶段训练方案和长时交互记忆(LHIM);公开流式基准显示,其在开源流式模型中取得领先表现。

11月11日周三
  1. Hugging Face 每日热门论文62

    Open Vision Banana 提出全开源可复现的生成式视觉感知方案

    Open Vision Banana(OVB)提出一套将预训练图像生成器转换为统一多任务视觉感知系统的全开源、可复现方案。基于 4B 和 9B 参数的开放权重基础模型及 2.1M-3.8M 个公开数据集训练对,OVB 在 Cityscapes zero-shot 上以 73.9 mIoU 超过 Vision Banana 报告的 69.9,并接近当前最先进的仿射不变深度估计器。

  2. Hugging Face 每日热门论文58

    Duo v1:用于全双工交互的 Reciprocal World Model

    Duo v1 提出 Reciprocal World Model(RWM),持续感知实时音频、视频和文本,并与用户进行全双工实时交互。模型通过自回归交互推理、统一时间线上的 Intent 与 Realization 同步,以及双重 rollout 蒸馏来减少分布偏移。除对话外,用户还可分享真实物体、调整虚拟场景、引导助手或进行视听游戏,无需鼠标或键盘控制。

11月6日周五
9月3日周四