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。
- 68 星/7日
- 16 引用
- 519 点赞
- #1 mathvision
榜单
大模型论文精选
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。
2
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”。
- 703 星/7日
- 1 引用
- 179 点赞
3
Unlimited OCR Works：模仿人类抄写记忆、长文本不减速的端到端 OCR 模型
这篇技术报告模仿人类抄写时的工作记忆，设计了一个端到端 OCR 模型：输出文本变长时解码开销基本不变，解决了 LLM 解码器 OCR 随序列变长越来越慢、显存占用越来越高的老问题。
- 279 星/7日
- 5 引用
- 87 点赞
4
AuK：用自然语言指令同时生成和编辑语音的开源基础模型
AuK 把语音生成和语音编辑统一到同一个开源基础模型里：用户用自然语言描述想要的效果，模型就能合成新语音，或按指令修改已有音频的措辞、音色和声学表现。
- 763 星/7日
- 0 引用
- 215 点赞
- #1 seed-tts-test-hard
5
小米机器人一号：10 万小时以上真机轨迹预训练的视觉-语言-动作模型
小米机器人团队的视觉-语言-动作基础模型，用 10 万小时以上的真机 UMI 轨迹做预训练，并自动标注场景转换语言，再经后训练适配不同本体和人类的指令式提示。论文称数据量和参数量增加时性能持续提升，在新环境里可以开箱即用，灵巧任务上也能高效微调。
- 13 星/7日
- 15 引用
- 75 点赞
- #3 robocasa
6
LingBot-VLA 2.0：6 万小时、20 种本体数据预训练的视觉-语言-动作模型
这篇技术报告升级了 LingBot-VLA：重构数据管线，用约 6 万小时预训练数据（20 种机器人本体共 5 万小时轨迹，外加 1 万小时第一人称人类视频），并把控制范围从双臂扩展到头部、腰部、移动底盘和灵巧手，目标直指实验室到真实部署之间的落地鸿沟。
- 20 星/7日
- 15 引用
- 21 点赞
- #3 robotwin-2-0-easy-50-tasks
7
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。
- 34 星/7日
- 3 引用
- 186 点赞
8
NeoHorse-1：把每次对话的路由记录变成下一轮训练数据的自我进化模型
这篇工作给“递归自我改进”找了一个具体机制：系统记录每个用户回合预测的能力档位、实际路由到的服务层和交互结果，把这些记录经结构校验与六维语义评估后转成训练样本，保留交错推理、工具调用和 harness 上下文，驱动下一轮 agentic 后训练。
- 225 星/7日
- 0 引用
- 407 点赞
- #1 tau2-bench
9
OpenWAM：把世界-动作模型拆成可组合模块的开源研究栈
现有的世界-动作模型把生成骨干、表征、架构和数据耦合在一起，看不清哪个设计真正重要。OpenWAM 把设计空间分解成可组合模块，配上统一的训练与评测流程，让研究者能做受控实验逐项验证。
- 578 星/7日
- 0 引用
- 71 点赞
- #1 libero-goal
10
RoboDojo：42 个仿真加 18 个真机任务，一次考遍通用机器人策略
RoboDojo 是一个仿真与真机统一的机器人操作基准，用 42 个仿真任务加 18 个真机任务考察通用策略的泛化、记忆、精度和长程控制能力；附带并行 Isaac Sim 评测和云端真机评测系统，作者已用 30 个策略完成首轮集成榜单。
- 23 星/7日
- 12 引用
- 17 点赞
11
Marigold V2：把扩散 Transformer 蒸馏成单步推理的单目深度估计器
作者升级了 Marigold 的技术路线：让基于 DiT 的图像生成模型转成单目深度估计器，并蒸馏成单步推理、支持量化，目标是在分布外输入上也能给出锐利、细致的深度图。
- 581 星/7日
- 0 引用
- 60 点赞
- #1 scannet
12
ResearchStudio-Idea：让 AI 选题从文献出发、先查新再成稿的技能套件
这套可复用技能覆盖研究选题的第一步：多源文献检索（Paper-Search）、查新检撞（Scoop-Check）和端到端成稿（IdeaSpark），让生成的研究方向建立在真实文献证据和与已有工作的差异化分析上，而不是凭空出题。
- 92 星/7日
- 3 引用
- 64 点赞
13
DreamX-World 1.0：用相机移动和提示词实时操控的通用交互世界模型
DreamX-World 1.0 是 DreamX 团队的通用交互世界模型：输入文字或图片即可生成可操控的视频世界，支持相机游走、回到之前到过的区域、按提示词触发事件，覆盖写实、游戏和风格化场景。作者称通过少步数自回归设计加速蒸馏，8 张 RTX 5090 上最高可跑到 16 FPS。
- 4 星/7日
- 19 引用
- 116 点赞
14
不打断不提问：主动观察画面、自己决定何时开口的实时视觉语言模型
这篇论文主张模型应该像人一样“在场”：持续盯着实时画面，自己判断该开口还是保持沉默，简单问题即时回应、难题交给后台模型，适用于安防监控、视频会议、直播带货等没人主动提问的场景。
- 39 星/7日
- 4 引用
- 217 点赞
15
MonkeyOCRv2：在 1.13 亿张文档图像上预训练的视觉-文本文档基础模型
通用视觉编码器没见过密集文字，直接套文档任务效果差。MonkeyOCRv2 构建了 1.13 亿张、17 语种的文档预训练语料，把图转文生成和像素级笔画重建结合起来联合预训练，让模型真正学会字符级的文档感知。
- 61 星/7日
- 3 引用
- 81 点赞
- #2 mdpbench
这个榜怎么排的
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。