Research Papers 榜单
最近 90 天的大模型论文,按三路独立信号排序:官方实现仓在 GitHub 上的涨星速度、论文被引用的次数、以及在 Hugging Face 上获得的关注。只有单路信号突出的论文不进榜。每天重排。
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。
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”。
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。
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。
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。
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。
这篇论文不把物理规律写成文字描述，而是把场景表示为一段可执行代码，对象状态、物理参数、动力学规则都在其中。一个受溯因推理启发的 agent 循环负责提出、执行、渲染并反复修正世界假设，输入可以是自然语言描述或真实世界视频。验证通过的可执行世界再作为可扩展的定量监督，用来训练 Code-as-World-VL；论文自称该模型在 QuantiPhy 上取得最优成绩，超过了主流闭源模型。
Ropedia W0 自称是目前第一个同时覆盖人和多种形态机器人的第一人称移动-操作世界基础模型。针对动作空间各不相同的难题，作者用相机位姿编码移动、用投影骨架编码操作，机器人骨架则由各形态的正运动学加上人工关键点标注来构建。配套方面，他们发布了约 1 万小时人类第一视角视频加 3 千小时机器人数据的 Xp-Data 数据集，以及一个长程真机遥操作基准 Xp-Teleop；论文报告在五个跨形态基准和留出的人类第一视角视频上，零样本、少样本、全数据三种设定均取得最优成绩。作者还展示了蒸馏后的模型可以实时滚动一分钟以上的画面，用于 VR 交互、策略评估和基于模型的规划。
GroundingPI 是一个 40 亿参数的 grounding 基座模型，把点和框表示为统一词表里的量化坐标，通过多模态与空间预训练、监督微调和 GRPO 强化学习分阶段训练。作者报告它在覆盖 11 类感知能力的 34 个 grounding 基准上平均得分 73.68%，超过 44 个基线，也高于参数量更大的 GPT-6 Astra(71.54%)。作为下游任务的视觉主干，报告它在 RoboTwin 2.0 机器人操作的四个分布外设定下都优于所有参评主干模型，用在 nuScenes 自动驾驶上开环 L2 误差降到 0.296 米。
现在的决策模型有个别扭之处：哪怕答案一眼就能看出来，每次调用也得照样跑完一整条长长的推理链，成本一分不少。StartLux-Decision 训练了一族 0.8B 到 27B 的模型，其中 Instant 变体在全注意力层里引入双向注意力、单次前向直接给答案；AutoThink 变体则按置信度分流——有把握的直答，没把握的才调出显式推理。它的 RLCD² 训练阶段冻结模型，用恰当评分规则奖励决策概率质量的提升，并对过长的推理链施加软惩罚；作者报告这使在生成上限内收尾的推理比例最多提高 48 个百分点、平均推理长度最多缩短 65%，同时决策准确率基本不受影响。他们还发布了 DecisionPivot 基准：由只在一个「会改变答案的细节」上不同的对照样本对组成，答案可以程序化验证。
生成模型处理多峰分布时只能分阶段训练，端到端会糊成平均、丢失模态。Explorative Modeling 把训练循环拆开：每一步让模型生成 K 个候选并与真实数据匹配，只拿最好的那个回传梯度，逼着预测认准一个模态。作者在图像、视频和语言上报告了探索规模扩大带来的单调收益，ImageNet 上无引导采样 FID 1.43，并实现了端到端生成式建模，在控制任务上用比扩散模型少 16–256 倍的推理步数达到相当水平。
OmniCompass 把视频理解拆成三个互补任务：时间定位（目标何时出现）、空间定位（目标在哪里）和问答（发生了什么），并分成两条赛道。OmniCompass-VL 考视觉语言模型，含 820 个视频、2,460 条实例；一个音频丰富的子集构成 OmniCompass-AV（240 个视频、720 条实例），考模型能否联合音视频证据作答。每条实例都在「纯文本」和「文本+图像」两种配对设定下测试，数据全部人工标注并多轮质检。作者评测了 50 个多模态大模型，报告开源模型整体仍落后闭源模型，音视频联合理解差距尤其明显，精确的时间与空间定位对头部模型也仍是难点。
视频理解 agent 大多依赖慢速的链式思考解码，而很多任务要求 agent 对视频流及时做出选择，等它「想完」就晚了。VideoJev 反其道而行：把时序定位和视频多选问答统一成结构化决策任务，把多模态大模型原来的自回归答案头换成一个共享打分头，直接给候选时间段和文本选项对视频打分，并用 GRPO 训练。对同一段视频上的连续提问，它通过缓存推理与联合推理复用视觉计算。作者报告：在 4B 和 35B-A3B 底座上，时序定位平均 mIoU 分别提升 6.7 和 10.8 个点、定位提速 2.8-3.1 倍；视频问答上精度追平 Thinking 模式的同时提速超过 100 倍。
用强化学习对齐扩散模型时，奖励只打在最终图像上，中间每一步该怎么改并不清楚。这个框架把图像级奖励信号转成采样中间态上的有界正负目标，以冻结行为策略采样、自蒸馏拟合的方式做在线训练，告诉模型每一步应该往哪儿走。
Realtime-Venus 是一个主动式全双工交互系统，由两个分别训练的 9B 模型组成：Realtime-Venus-Omni 负责音视频对话，Realtime-Venus-Audio 负责纯语音对话，两者都把持续感知、对话控制和原生语音生成整合在同一条因果时间线上。双循环运行时让前台对话不中断：工具任务交给 Realtime-Venus-Harness 在后台异步执行，结果再汇回正在进行的对话。作者报告 Omni 在八个视频基准中的六个上领先参评在线模型，Audio 在 Full-Duplex-Bench 的三项续说指标上均超过 Gemini 3.1 Live 和 GPT-4o。
最近 90 天的大模型论文,按三路独立信号排序:官方实现仓在 GitHub 上的涨星速度、论文被引用的次数、以及在 Hugging Face 上获得的关注。只有单路信号突出的论文不进榜。每天重排。
短横线表示该路信号取不到,不代表数值为零。