1
Kimi K3：2.8 万亿参数、百万上下文的开源混合专家模型
Kimi K3 是月之暗面发布的开源 MoE 模型：总参数 2.8 万亿、每 token 激活 1040 亿，原生支持视觉输入和百万 token 上下文，基于 Kimi Delta Attention 架构，并在通用、智能体、编程等方向做了多档推理强度的强化学习后训练。
- 54 星/7日
- 16 引用
- 519 点赞
- #1 mathvision
AI 研究论文总榜 · 2026-W43
2
FreeToken：把个人电脑当成弹性推理平台，本地跑大型 MoE 模型
开源大模型越来越重，但本地推理还按“把数据中心的办法缩小”的思路做。FreeToken 围绕本地 AI 的两个现实（智能体负载持续变化、每台机器的资源配比不同），联合设计模型加载、专家驻留、CPU-GPU 协同执行与内存管理，带宽允许时让个人机器也能流畅服务大 MoE 模型。
- 214 星/7日
- 2 引用
- 109 点赞
3
Prime Agent：带常驻 REPL 和跨任务记忆的开源长程智能体框架
Prime Agent 是一个开源的长程智能体框架：常驻 IPython 会话让模型用代码做测试时计算，历史、记忆、技能和子智能体配置可以跨任务保留，递归子智能体之间直接通信协作，人类还能随时查看和管理后台会话。
- 236 星/7日
- 2 引用
- 52 点赞
- #1 longbench-v2
4
nanoMuse：跑在你手机和电脑上的开源个人 agent，记忆以你能读懂的文件保存
Meta 闭源的 Muse 演示了「只属于一个人的 agent」长什么样之后，这篇报告先根据公开资料逐条拆解 Muse 的构建方式，再给出开源对应物 nanoMuse（GPL-3.0）：一个 agent 跑遍你名下的手机、电脑等设备，通过任何人都能自托管的中继共享同一段对话。每个动作执行前都要过 Sentinel 审批，记忆以用户可直接阅读的文件存放，底层模型也由用户自己选。
- 1,137 星/7日
- 0 引用
- 98 点赞
5
专攻密集文字与复杂版式的开源图像生成系统：5B 单流 DiT 配一个会自动规划内容与排版的智能体
MOSS-Image 是一套开源图像生成系统，针对的痛点是：开源权重模型在密集文字和复杂版式上仍然吃力。系统由两部分组成：一个从零预训练的 5B 单流扩散 Transformer，官方称它支持中英双语长文渲染和精确版式控制；再加一个意图感知的智能体提示增强模块，把用户随口一句需求自动展开成详细的内容与排版规格。报告提出两个新基准 LongLongTextBench 和 RealLayoutArena，并报告 MOSS-Image 在双语长文渲染上以 96.3% 的平均文字覆盖率位居开源模型第一，在端到端复杂版式生成上排名第二。作者表示将开源模型、训练配方和评测框架。
- 1,278 星/7日
- 0 引用
- 65 点赞
6
YuE2：先写出可读的乐谱、再据此渲染成完整歌曲音频的统一音乐生成模型
符号式音乐模型能显式规划作曲，但成品不像真正的录音；音频模型能生成整首歌，编曲逻辑却藏在里面。YuE2 把两者统一到单个 AR-NAR 混合 Transformer 架构里：先生成可读的乐谱，再展开成语义音乐 token，最后渲染成完整歌曲，并配套 MERT2、SheetSage2 两个表征模型，从没有对齐乐谱的录音中学习。论文称其在 WildSongBench 的 SongBench Global 平均得 6.73(best-of-8 为 6.96);专家盲听中 best-of-8 版本胜过 Suno v4.5、与 Suno v5 基本持平。生成的乐谱是可读的,外部语言模型 agent 可以直接按乐谱修改编曲。
- 596 星/7日
- 0 引用
- 216 点赞
7
Raven：自动构建、进化和编排 agent 执行框架的开源多智能体生态
手动搭的 agent 执行框架往往绑死某个领域，撑不起跨领域的长程任务。Raven 把「模型 + 执行框架」的组合当成可拼接的智能单元：Host Agent 负责拆目标、调度各专业子 agent 并合并结果；host archive 和 EverOS 把任务经验沉淀下来，再由 Skill Forge 提炼成可复用的流程。论文还给出在统一资源预算下扩大可靠任务覆盖面的充分条件。
- 308 星/7日
- 0 引用
- 493 点赞
8
通用电脑操作智能体的全开源技术栈：让模型自己决定什么时候点鼠标、什么时候写代码，评测轨迹全部公开
OpenGCUA 把通用电脑操作智能体（GCUA）的技术栈整个开源重建，动机是 GPT-6 Astra 等前沿系统的 computer use 实现大多闭源、无法系统研究。核心思路是：模型在「视觉点鼠标」和「直接写代码执行」之间自由选择，中间结果可以反过来决定后续操作；同时提出 harness-to-model 决策转移，把部分观察与任务状态判断从写死的 harness 规则挪进模型自己手里。作者报告称，在 OSWorld-v2 上整套配置对全部 8 个受测模型（含 GPT-6 Astra 和 Claude Opus 5）都有提升，平均 partial score 提高 19.6 分，相对纯 GUI 批量执行平均每任务报告的步数减少 53.0%。除实现与 prompt 外，团队还公开了 8 个模型的全部评测轨迹，以及真机 harness 和跨设备 SDK 的早期版本（覆盖电脑、手机与浏览器）；在真机 harness 的 4 个 macOS 任务上，其数据显示部分 Qwen3.8-Max 运行报告的推理 token 用量是 GPT-6 Astra 的 19.4 倍，提示各模型在真机执行效率上差异很大。
- 388 星/7日
- 0 引用
- 315 点赞
9
StreamEval:边生成边下指令的流式视频生成基准,专门考模型的实时响应与状态保持
现有视频生成基准大多只考「一句提示词生成一段视频」,但流式模型的难点在于生成过程中用户会不断插入新指令。StreamEval 设计了 300 个脚本化交互测试用例(每个 15 到 300 秒),覆盖数字人对话、数字人表演、世界生成、指令编辑、参考图编辑五类任务:多模态请求会随时间陆续到达,每个用例都同时要求按指令改画面、又不能弄丢之前的内容。作者用 10 项指标、四个维度评估了 37 个模型,结论是画面好看不等于听话——最能「跟指令」的模型得分也只有 36.90(数字人表演 Following)、25.93(世界生成 Following)、15.00(参考编辑 Edit Success,满分均 100 分),说明在实时约束下稳定执行请求才是这类系统真正的瓶颈。榜单见 streameval.ai。
- 312 星/7日
- 0 引用
- 418 点赞
10
VoiceMem：给实时语音助手装上“左脑记事实、右脑记情绪”的流式记忆
这篇工作为双工语音模型设计了一套流式记忆架构：左脑负责事实信息，右脑负责情绪与个性化，让语音助手在实时对话中同时记住“你说了什么”和“你是怎么说的”。
- 117 星/7日
- 1 引用
- 179 点赞
11
实测 GPT-6-Astra 的具身智能成色：12 个操作与导航基准之外，还把它搬上 8 套真实机器人
这篇论文把 GPT-6-Astra 当作通用具身智能体来考察，而不是某个机器人上的专用模型：测试覆盖桌面操作、人形、移动平台和灵巧手共 12 个基准，还外加 8 套真实机器人部署。作者的发现是：给它上下文示例并拉长执行时程后，它能展现出相当广的操作与导航能力；但「System 2 慢思考 + 底层控制器」的组合成本高，示教采集昂贵，失败往往源于无法挽回的物理失误而非推理出错。结论是：GPT-6-Astra 已基本跨过「具备具身能力」的门槛，但距离实用的具身智能还有距离，论文还给出了下一代更难基准的设计思路。
- 203 星/7日
- 0 引用
- 409 点赞
12
MemT-1.0:把记忆内化进模型计算的记忆基座模型
MemT-1.0(Nano 与 Flash 两个尺寸)把「记忆」做成模型计算的一部分,而不是把历史塞进上下文窗口:在 Metis 架构上用 Gated DeltaNet-2 配合 Mixture-of-Storage 层,每轮对话在 token 级别稳定更新记忆。论文报告其平均超过纯参数记忆基线、与检索增强方法相当,128K token 历史下端到端推理有约 1.86 倍加速、持久化存储仅为全量 KV cache 的 1/66,内化检索到的经验后还能提升智能体任务成功率。
- 392 星/7日
- 0 引用
- 117 点赞
13
Edge0：35B MoE 权重放 SSD，靠提前一个 token 预测路由实现单卡流式推理
Edge0 是一个开源推理引擎，让 35B 混合专家模型在单张 24GB 显卡上跑起来：专家权重按需从 SSD 流式加载，每层用一个训练好的预路由头提前一个 token 预测下一层该激活哪些专家，让磁盘读取藏在计算背后；再配一个恢复 LoRA 补回 int4 量化的质量损失。作者称单卡可达约 20 tok/s、峰值活跃显存约 3GiB，五个公开基准上平均只比 fp16 原版低几个点。
- 1,708 星/7日
- 0 引用
- 8 点赞
14
模型不动、脚手架自进化:让智能体自己改写提示词、记忆与工作流的框架
这篇 66 页的长文把「脚手架自进化」正式定义成一个问题：模型权重不动，智能体却持续改写自己的软件外壳，包括提示词、记忆、工作流、可执行组件和插件组合；被采纳的修改会跨次运行保留下来。作者把「改什么」与「谁来提案、谁来准入」分开刻画，用演化优化和 PAC 学习式分析给出泛化界与准入规则，并强调每次准入都要用新鲜的独立验证数据。论文同时讨论了这种方法对科研可信度和组织工作流的影响。
- 245 星/7日
- 0 引用
- 193 点赞
15
Frontis-MA1：开源的 350 亿“元进化”智能体，递归改进自己的机器学习工程
Frontis-MA1 附带 OpenMLE 全栈开源系统（任务环境、强化学习算子学习、进化搜索），用来研究递归自我改进；其 350 亿参数元进化智能体围绕 Draft、Improve、Debug、Crossover 四类程序进化算子做后训练，作者称在 MLE-Bench Lite 上超过 GPT-5.5 加 Codex 的组合，组件还能迁移到没见过的 NatureBench Lite。
- 22 星/7日
- 3 引用
- 186 点赞
16
机器人脚手架几乎为零时，视觉语言模型编程智能体还能走多远？一个极简 harness 报告了 RoboDojo 新纪录
HexaShell 是一个刻意做薄的机器人控制 harness：它只做一件事——把编程智能体的指令翻译成机械臂动作；智能体拿到的是三路标定相机画面、一条命令行、失败日志，以及自己编写可复用工具的能力（工具靠相机射线三角化和射线-平面交点来估算物体与夹爪位置）。工具库只在 10 个布局、每个任务 1 个种子上训练后冻结，然后在每任务 10 个未见布局上接受全部 42 个 RoboDojo 任务检验（智能体为 Codex + GPT-6-Astra 中等推理档）。作者报告 39.7% 成功率和 48.0 进度分，称其为 RoboDojo 新纪录；分任务看，推物 92.5%、记忆类 65.0%，但紧致插孔只有 8.3%。分析指出瓶颈在物理接触而非推理：智能体常常知道该怎么做，却无法把动作可靠地执行出来。工具库已开源。
- 135 星/7日
- 0 引用
- 289 点赞
17
Scaling in Games:120 组训练配置,系统验证虚拟世界里具身智能体的持续预训练该怎么扩
语言模型的 scaling law 在物理世界数据上已经成熟,但具身智能体在虚拟世界里还成不成立?这篇论文做了系统性对照实验:沿数据量、多样性、模型规模三个轴扫描 120 组训练配置,覆盖 0.8B 到 27B 四种模型尺寸、50 到 1600 小时六档数据预算、从纯 Minecraft 到多世界混合的五种数据配方。主要结论:数据加量只提升训练世界内的表现;数据多样性能迁移到相近世界,对遥远世界几乎无效;大模型数据效率更高,但在单一世界训练时对遥远世界的泛化反而更差。训练过程还呈现出「先学通用界面、再学具体世界」两阶段特征。作者据此拟合了验证损失关于数据量、多样性和规模的 scaling law,并指出遥远世界持续存在的差距意味着通用具身智能体需要持续预训练之外的更多训练阶段。
- 364 星/7日
- 0 引用
- 56 点赞
18
ATAS：给视频生成 agent 配一份「世界观记忆」，让每条镜头都对得上同一个场景和同一条时间线
用视频生成 agent 拍长片，最容易崩的是镜头与镜头之间的连续性：单纯把提示词或几帧最近画面传给下一个镜头，模型既没有一个统一的「空间坐标系」来回到同一个场景，也没有一条按时间索引的事件记录来重演之前发生的事。ATAS 的做法是把剧本「编译」成带明确位置、机位和事件时间引用的镜头请求，并在生成回路背后维护两份记忆：一份登记静态场景几何的场景记忆，一份按场景、事件、时间索引动态观测的事件记忆。每个生成片段会被重建并登记回记忆，但要先通过审查与状态校验才被采纳。作者报告：该框架在四个视频生成底座上都提升了所有受测的跨镜头一致性指标，在空间重访和事件重演上优于对比 agent 和 3D 引导方法，并在全部六项人工评分标准上拿到最高分。
- 118 星/7日
- 0 引用
- 338 点赞
19
WeVisOne-VL:一个开源 VLM 统一搞定检测、分割、计数和 OCR,细到像素级掩码
细粒度视觉感知通常要把检测、分割、计数、OCR 等一堆专用模型拼在一起。微信视觉团队提出的 WeVisOne-VL 把物体级和像素级任务统一进一个视觉语言模型:通过一个特殊 <OBJ> token 接入轻量像素解码器,同一个模型就能按用户指定的粒度输出框、点、掩码乃至 alpha 抠图。模型采用三阶段课程式 SFT 加多任务 RL 训练,作者在 30 多个基准上报告了领先成绩,并且专门优化了「图中根本没有这个东西」时的拒答能力——这正是这类系统落地时最常翻车的地方。
- 140 星/7日
- 0 引用
- 229 点赞
20
机器人上下文学习综述：参数不变，靠示范和交互现学新任务的四类方法与开放问题
这篇综述围绕一个核心问题展开：机器人的网络参数部署后保持不变，如何只靠示范或交互就学会新任务？作者按「上下文证据如何接到执行端」把已有方法分成四类：上下文条件策略、几何示范迁移、基于世界模型的控制，以及技能或 agent 式执行，并逐一比较它们的迁移假设，以及训练、对应关系和记忆各自如何让上下文真正生效。综述还梳理了评测该怎么区分「听懂教学」「物理泛化」「经验复用增益」三条轴，最后给出通往物理递归自我改进的研究议程，配套 GitHub 仓库汇总了相关论文。
- 100 星/7日
- 0 引用
- 358 点赞