精选 76 篇，从 360+ 条中筛选
AI深度解读
hsliuping/TradingAgents-CN：中文LLM赋能股票分析平台
TradingAgents-CN是一个面向中文用户的股票分析学习平台，它基于多智能体LLM提供股票研究与策略实验工具。该项目通过集成多种LLM和金融数据源，为研究者、开发者提供强大的股票分析能力，填补了LLM在金融领域的应用空白，并通过中文界面和A股数据支持，提升了易用性和实用性。
TauricResearch/TradingAgents：多智能体LLM金融交易分析利器
TauricResearch的TradingAgents是一个多智能体LLM金融交易框架，旨在模拟真实交易公司的动态。它通过集成多种LLM作为分析师、交易员和风险管理团队，提供市场分析和交易决策支持。该项目为研究者、应用开发者提供了一种独特的金融交易分析工具，其核心价值在于其创新的多智能体架构和对LLM的灵活集成。
browser-use/browser-use：AI代理网站访问自动化利器
browser-use/browser-use项目是一个专注于AI代理网站访问的Python库，旨在简化在线自动化任务。它为开发者提供了一套工具和API，用于构建能够自动化浏览和交互的代理。该项目填补了LLM生态中自动化网站交互的空白，通过提供易于集成的库和框架，优化了在线任务自动化流程。其技术栈亮点在于集成了Chromium浏览器和多种LLM模型，支持自定义工具和代理，为开发者提供了强大的自动化能力。
NousResearch/hermes-agent：AI代理智能升级平台
NousResearch/hermes-agent是一个基于Python的开源AI代理平台，旨在提供自我改进的AI代理服务。该项目旨在解决LLM生态中代理的智能化和个性化问题，通过内置学习循环，从经验中创建和改进技能，支持多平台交互，并提供强大的工具集和自动化功能。其技术架构亮点在于支持多种模型集成和灵活的部署方式，为研究者、开发者及企业提供了一种高效、可扩展的AI代理解决方案。
jingyaogong/minimind：轻量级LLM训练新方案
MiniMind项目旨在提供一种低门槛、高效能的LLM训练方法，通过极小的模型参数和轻量级的数据集，实现快速训练和部署。该项目为研究者、开发者提供了从零开始构建LLM的教程，填补了小模型训练领域的空白，并通过开源方式促进了LLM社区的进步。
czlonkowski/n8n-mcp：n8n平台AI助手集成框架
n8n-MCP是一个为n8n工作流自动化平台提供AI助手全面访问的MCP服务器，旨在解决LLM生态中AI与工作流自动化结合的难题。它为AI助手提供了n8n节点文档、属性和操作的全面访问，支持快速部署，并提供了丰富的节点、属性、操作和文档覆盖。该项目定位为开发框架，通过提供结构化访问和AI工具集成，为开发者提供了在n8n平台上构建智能工作流的强大工具。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF：高效结构化推理模型
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型采用 CoT 技术和 Claude-4.6 Opus 的推理链进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持多种语言，适用于需要复杂推理和精确解决方案的场景。性能方面，模型在相关基准测试中表现良好，具有开源协议，适合在多种硬件和推理框架上使用。
Tesslate/OmniCoder-9B：9B参数大模型，高效代码生成与推理
Tesslate/OmniCoder-9B是一款针对代码生成和推理的领域大模型，基于Qwen3.5-9B架构，参数量达到9B。该模型在代码生成、工具使用、终端操作和多步推理等任务上表现出色，具有强大的自恢复能力和遵循LSP诊断的能力。在AIME 2025、GPQA Diamond和Terminal-Bench 2.0等基准测试中取得了优异的成绩。模型开源，适用于需要高效代码生成和推理的场景。
🔥 Qwen/Qwen3.5-35B-A3B
Qwen3.5-35B-A3B是一款定位在通用大模型领域的LLM，具备高效的混合架构和强大的多模态学习能力。该模型具有35B的参数量，支持1M的上下文长度，采用Apache-2.0开源协议。在性能上，Qwen3.5在多个基准测试中表现出色，尤其在多模态任务上具有显著优势。其主要应用场景包括多语言处理、代码生成和视觉理解等，适合需要高性能和高效推理的应用。
HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive：9B参数大模型，无审查文本生成强
HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive 是一款通用大模型，具有9B参数和32层，支持多语言和上下文长度可扩展至1M。该模型在HuggingFace平台上具有较高下载量和点赞数，其核心能力在于无审查的文本生成，具有更强的拒绝处理能力。在性能表现上，该模型在MMLU、GPQA、IFEval等基准测试中表现良好，具有多模态支持，适用于需要无审查文本生成的场景。其开源协议为Apache-2.0，硬件需求较高，推理效率中等，与vLLM、TGI等流行推理框架兼容。
🔥 Lightricks/LTX-2.3
Lightricks/LTX-2.3是一款专注于图像到视频生成的基础模型，定位为多模态模型。它基于DiT架构，具有高效的音频和视频生成能力，支持多种语言和格式。该模型在HuggingFace平台上具有较高的下载量和点赞数，表明其在社区中受到认可。LTX-2.3在性能上表现出色，尤其在图像到视频转换任务上具有显著优势。其开源协议和丰富的应用场景使其在多媒体内容创作领域具有广泛应用潜力。
fishaudio/s2-pro：双自回归TTS模型，多语言韵律情感控制
鱼声科技S2 Pro是一款领先的文本到语音（TTS）模型，专注于精细的韵律和情感控制。该模型采用双自回归架构，结合强化学习和超过10M+小时的音频数据训练，支持80多种语言。S2 Pro在LLM生态中定位为特定领域微调模型，具有多语言能力和指令遵循能力。其在TTS任务上表现出色，具有高效的推理性能和良好的开源协议。主要应用场景包括多语言语音合成、个性化语音助手等。
HauhauCS/Qwen3.5-35B-A3B-Uncensored-HauhauCS-Aggressive：多模态图像-文本生成，无审查自由度
HauhauCS/Qwen3.5-35B-A3B-Uncensored-HauhauCS-Aggressive 是一个基于 Qwen3.5-35B-A3B 的开源模型，专注于图像-文本到文本的转换。该模型定位为多模态模型，具有无审查的特性，适用于需要生成丰富文本内容的应用。其核心技术包括MoE架构和Qwen3.5-35B-A3B基座模型，支持多语言，上下文长度大，参数量高。在性能上，该模型在多个基准测试中表现出色，尤其在图像-文本转换任务中具有显著优势。主要应用场景包括内容生成、图像描述等。该模型开源，硬件需求较高，推理效率中等。
circlestone-labs/Anima：动漫风格图像生成利器
Anima模型定位为特定领域微调模型，专注于动漫风格的艺术图像生成。其核心技术为基于扩散模型的单文件库，参数量为20亿。模型在动漫风格图像生成方面表现出色，但未公开权威基准测试结果。主要应用场景为动漫艺术创作，使用时需考虑开源协议和硬件需求。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled：高效推理，结构化逻辑优化
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型通过从 Claude-4.6 Opus 中提取的 CoT 技术进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持文本生成。在性能上，模型在推理任务上表现出色，特别适合需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，适合在多种硬件和推理框架上使用。
zai-org/GLM-OCR：多模态OCR，复杂文档理解强
zai-org/GLM-OCR是一款基于GLM-V架构的多模态OCR模型，专注于复杂文档理解。该模型采用多令牌预测损失和稳定的全任务强化学习，结合CogViT视觉编码器和GLM-0.5B语言解码器，实现高效训练和识别。在OmniDocBench V1.5基准测试中排名第一，适用于复杂表格、代码密集型文档等场景，支持vLLM、SGLang和Ollama等推理框架，易于集成到现有生产流程中。
datalab-to/chandra-ocr-2：高精度OCR，布局信息保留
Chandra 2 是一款专注于文本提取的OCR模型，定位为特定领域微调模型。它基于transformers库，具有高精度的文本提取能力，特别擅长处理图像和PDF中的文本，并保留布局信息。该模型在Olmocr基准测试中取得了85.9%的分数，支持90多种语言。Chandra 2适用于需要高精度文本提取和布局保留的场景，如文档处理、信息提取等。
baidu/Qianfan-OCR：4B参数多模态文档智能解析
Qianfan-OCR是一款由百度Qianfan团队开发的4B参数端到端文档智能模型，定位为多模态模型。其核心技术为统一的视觉-语言架构，支持直接从图像到Markdown的转换，具有文档解析、布局分析和文档理解等功能。在OmniDocBench和OlmOCR Bench等基准测试中表现出色，尤其在文档解析和OCR任务上取得了领先成绩。该模型适用于文档智能处理、信息提取等场景，具有开源协议Apache-2.0，适合在多种硬件和推理框架上使用。
RoyalCities/Foundation-1：音乐生成领域大模型
RoyalCities/Foundation-1是一款专注于音乐生成的领域大模型，旨在为现代音乐制作提供结构化的文本到样本生成。该模型具有独特的音乐结构理解能力，能够生成与节奏同步、关键和感知、条形感知的样本，适用于音乐制作工作流程。其核心技术包括基于stabilityai/stable-audio-open-1.0的基座模型，并支持多种音乐生成相关标签。在性能表现上，该模型在音乐生成领域具有优势，但在通用基准测试中的排名未提及。实用考量方面，该模型的开源协议、硬件需求和推理效率等信息未明确提供。
Qwen/Qwen3.5-9B：9B参数多模态通用大模型
Qwen/Qwen3.5-9B是一款通用大模型，具备9B参数，支持多模态学习。其核心技术包括多模态融合训练、高效的混合架构、可扩展的强化学习泛化能力、全球语言覆盖和下一代训练基础设施。在基准测试中表现出色，尤其在多模态理解和推理任务上。适用于需要多语言、多模态理解和高效推理的场景，如对话系统、内容生成等。
Tesslate/OmniCoder-9B-GGUF：9B参数通用大模型，代码生成强
Tesslate/OmniCoder-9B-GGUF是一款基于Tesslate/OmniCoder-9B的GGUF量化模型，定位为通用大模型，具有9B参数量。其核心能力在于代码生成和智能代理，采用Transformer架构，支持多种量化级别，适用于不同硬件环境。在性能上，模型在代码生成任务上表现出色，但在基准测试中的具体排名未提及。主要应用场景包括代码生成、智能对话等，使用时需考虑开源协议Apache-2.0，硬件需求中等，推理效率较高。
Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2：推理效率与准确性双提升
Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 是一个专注于推理优化的推理模型，定位为推理模型。该模型基于Qwen3.5-9B进行微调，采用Claude 4.6 Opus风格的推理样本，通过精炼的推理框架和去除冗余内部循环，显著提高了推理效率和准确性。模型在HumanEval和HumanEval+基准测试中表现出色，具有高效的推理速度和成本效益。主要应用场景包括逻辑推理、数学问题解决等，适合对推理能力有较高要求的场景。
nvidia/Nemotron-Cascade-2-30B-A3B：30B MoE模型，数学推理卓越
Nemotron-Cascade-2-30B-A3B是一款开源的30B MoE模型，具备强大的推理和代理能力。该模型在数学和计算机科学竞赛中表现出色，具有推理和指令遵循模式。其核心技术包括MoE架构、强大的推理能力，以及针对特定数据集的微调。在基准测试中，该模型在数学推理任务中取得了优异成绩。适用于需要高级推理能力的应用场景，如数学问题解决和代码生成。
🔥 Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF
Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF 是一个推理优化版本的大语言模型，专注于提高推理效率和准确性。该模型基于Qwen3.5-9B进行微调，结合了Claude 4.6 Opus风格的推理样本，特别强调在减少内部冗余循环的同时提升跨任务泛化能力。模型在推理速度和成本效益上有所提升，同时在基准测试中表现出色。适用于需要高效推理和准确性的场景，如代码生成、数学推理等。
VLM图像篡改新分类、基准与度量
这篇论文提出了一种新的图像篡改检测方法，通过将篡改检测从基于区域标签的粗粒度任务转变为基于像素、意义和语言的任务。论文引入了一个新的分类法，包括编辑原语和篡改对象的语义类别，并发布了一个新的基准，用于评估检测和分类。此外，论文还提出了一个训练框架和评估指标，以量化像素级别的正确性，并进一步通过语义感知分类和自然语言描述来衡量对篡改意义的理解。
自动识别Gen-AI文本：神经模型比较框架
这篇论文研究了通过设计、实现和比较评估多种基于机器学习的检测器来解决AI生成文本检测的问题。论文提出了四种神经网络架构，包括多层感知器、一维卷积神经网络、基于MobileNet的CNN和Transformer模型，并将这些模型与多个在线检测器进行了基准测试，实验结果表明，监督式检测器在不同语言和领域上比商业工具具有更稳定和鲁棒的性能。
突破LLM后训练能力上限：重引入马尔可夫状态
这篇论文提出了一种通过重新引入马尔可夫状态来突破大型语言模型（LLM）后训练能力上限的方法。作者指出，传统的强化学习在LLM后训练中存在瓶颈，因为它们依赖于包含在预训练权重中的模式。论文通过引入显式的马尔可夫状态，降低了样本复杂度，并在一系列复杂的逻辑谜题上展示了性能提升。
自适应层扰动：统一LLM强化学习离策略校正
这篇论文提出了一种名为自适应层级扰动（ALP）的方法，用于解决LLM RL中的离策略问题，如策略陈旧和训练-推理不匹配。通过在每层的输入隐藏状态中注入可学习的扰动，ALP能够防止更新后的策略与推理策略偏差过大，从而提高训练稳定性和探索效率。
多尺度切换助力医学超声图像半监督与对比学习分割
这篇论文提出了一种名为Switch的半监督学习框架，用于医学超声图像分割。该框架通过多尺度策略和频域对比学习，有效地利用标注和未标注数据，在多个超声图像数据集上实现了优于现有方法的性能。
自适应强化学习内存控制器：可解释能耗与延迟优化
这篇论文提出了一种名为ReLMXEL的基于强化学习的内存控制器优化框架，通过可解释的能量和延迟优化，动态调整内存控制器参数，以降低延迟和能耗，提高内存系统的效率。该框架利用详细的内存行为指标进行决策，并通过实验证明在多种工作负载下性能优于基线配置。
人机协同智能代码审查
这篇论文通过大规模实证分析，比较了人类审查员和AI代理在代码审查过程中的反馈差异，研究了人类-AI协作模式，并分析了代码建议的采纳情况及其对代码质量的影响。
ReLi3D：解耦光照的多视角3D重建
这篇论文提出了ReLi3D，一个统一的端到端管道，可以从稀疏的多视角图像中快速重建完整的3D几何、空间变化的物理基础材料和环境光照。它通过融合多视角输入和创新的统一双路径预测策略，实现了光照解耦，并通过混合域训练协议提高了几何、材料和光照的质量。
DROID-SLAM野外应用
这篇论文提出了一种名为DROID-SLAM的实时RGB SLAM系统，该系统能够在动态环境中通过可微分的不确定性感知捆绑调整来处理动态场景，从而实现鲁棒的跟踪和重建。它通过利用多视图视觉特征的不一致性来估计每像素的不确定性，即使在未知动态对象或高度杂乱的场景中也能保持实时运行，达到每秒约10帧的速度。
推理即压缩：条件信息瓶颈统一预算强制
这篇论文提出了一种将推理视为压缩问题的方法，通过条件信息瓶颈（CIB）原理统一了预算强制方法，旨在减少大型语言模型（LLM）在复杂任务上的推理成本，同时保持推理的准确性和流畅性。
探析大型语言模型中的文化信号：作者画像研究
这篇论文通过作者分析的方法，探究大型语言模型（LLMs）中的文化信号，评估LLMs在零样本设置下从歌词中执行作者分析的能力，推断歌手的性别和种族。研究发现，LLMs在作者分析方面表现出非平凡的性能，但存在系统性的文化对齐，大多数模型默认倾向于北美种族，而DeepSeek-1.5B与亚洲种族对齐更强烈。论文引入了两个公平性指标，Modality Accuracy Divergence (MAD) 和 Recall Divergence (RD)，以量化这些差异。
几何至外观：一致转盘视频构建纹理
这篇论文提出了一种名为TAPESTRY的框架，用于从3D几何模型生成高保真度的360度转盘视频（TTVs）。该框架通过将3D外观生成任务重新定义为几何条件下的视频扩散问题，从而在像素级精度上约束视频生成过程，生成高质量的TTVs，并支持下游的重建任务。
LLM底层推理基准：s2n-bignum-bench
这篇论文提出了一种名为s2n-bignum-bench的基准测试，用于评估大型语言模型（LLMs）在低级代码推理方面的能力。该基准测试基于一个工业级加密库，其汇编程序已在HOL Light中经过形式验证。论文通过让LLMs生成HOL Light可接受的证明脚本，来评估LLMs在现实世界应用中的证明能力。
CurveStream：基于曲率感知的MLLM视频理解提升
这篇论文提出了CurveStream，一种基于曲率感知的分层视觉记忆管理框架，用于提升多模态大型语言模型在流媒体视频理解中的性能。该方法通过曲率评分实时评估语义强度，并动态调整内存状态，从而在保持性能的同时有效管理视觉token。
深度表格研究：持续经验驱动执行
这篇论文提出了一种新的AI框架，用于解决大型语言模型在处理复杂、非结构化表格数据时的困难。该框架通过连续经验驱动的执行，将表格推理视为一个闭环决策过程，并引入了元图、期望感知选择策略和Siamese结构记忆等技术，以实现多步骤推理和持续优化。
VLMs需视觉Transformer？评估视觉编码器状态空间模型
这篇论文评估了状态空间模型（SSM）作为视觉编码器在视觉-语言模型（VLM）中的性能，发现SSM在视觉问答和定位任务上表现优于基于Transformer的视觉编码器，同时模型规模更小。
无需训练的灵活视频内容、动作与动态编辑
这篇论文提出了一种名为DynaEdit的无监督视频编辑方法，它利用预训练的文本到视频流模型，实现了对视频内容、动作和动态的灵活编辑，包括修改动作、插入交互对象和引入全局效果，解决了现有模型在复杂编辑任务中的困难。
Y-Combinator解LLM长上下文问题
这篇论文提出了一种名为λ-RLM的框架，用于解决长上下文推理中的问题。该框架利用λ-演算来代替自由形式的递归代码生成，通过预验证的组合子库和神经推理在有限的子问题上进行，从而实现结构化的函数程序和显式的控制流。实验表明，λ-RLM在长上下文推理任务中优于标准的递归语言模型，提高了准确性和效率。
ProactiveBench: Benchmarking Proactiveness in Multimodal Large Language Models
这篇论文提出了ProactiveBench，一个用于评估多模态大型语言模型（MLLMs）主动性的基准。通过七个重新用途的数据集，ProactiveBench测试了模型在识别遮挡物体、增强图像质量和解释草图等任务中的主动性。研究发现，MLLMs普遍缺乏主动性，且主动性与模型容量不相关。此外，通过提示可以略微提高主动性，但对话历史和上下文学习引入了负面偏差。论文还探索了一种基于强化学习的简单微调策略，结果表明主动性是可以学习的，并且可以推广到未见过的场景。
LoopRPT: Reinforcement Pre-Training for Looped Language Models
LoopRPT论文提出了一种针对Looped Language Models的强化预训练框架，通过将下一个token的预测重新定义为下一个token的推理任务，直接对潜在步骤分配强化信号，从而提高LoopLMs的推理效率和准确性。
NVIDIA发布Nemotron 3 Nano 4B：边缘AI新利器
NVIDIA发布Nemotron 3 Nano 4B，这是Nemotron 3系列中最紧凑的成员，采用混合Mamba-Transformer架构，专为边缘设备部署优化，提供高效、准确的小型语言模型，支持FP8和Q4_K_M GGUF量化，旨在降低模型大小和VRAM使用，提高吞吐量和降低延迟。
AI专家发布SPEED-Bench：统一多样基准测LLM推测解码
SPEED-Bench是一个统一且多样化的基准测试，旨在解决大型语言模型（LLM）推断中推测解码（SD）评估碎片化且不具代表性的问题。它通过引入两个专用数据集拆分和一个统一测量框架，提供了一种评估SD在不同语义领域和实际服务环境下的性能的方法。
NVIDIA发布医疗机器人AI数据集与模型 助力精准手术
NVIDIA 发布了首个医疗机器人开放数据集 Open-H-Embodiment，包含 778 小时训练数据，旨在推动医疗机器人领域物理人工智能的发展。同时推出了两个开源模型 GR00T-H 和 Cosmos-H-Surgical-Simulator，用于手术机器人任务和动作条件式手术机器人模拟，以实现更精确和高效的手术操作。
NVIDIA发布Alpamayo 1.5：推理AV开放平台升级
NVIDIA近日发布了Alpamayo 1.5模型，这是一个基于推理的自动驾驶汽车（AV）的开放平台，旨在提供更强大的推理模型、灵活的仿真工具和高质量的数据集。该平台包括文本引导的轨迹规划、灵活的多摄像头支持、用户问答等功能，并支持在更广泛的驾驶数据上进行评估。
**LoRA Fine-Tuning BitNet b1.58 LLMs on Heterogeneous Edge GPUs via QVAC Fabric**
暂无摘要
商汤联手南洋理工，NEO-unify革新多模态AI学习
商汤科技与南洋理工大学合作推出了NEO-unify，这是一种端到端原生多模态统一模型，旨在直接处理原始像素和文本输入，摆脱传统多模态AI中视觉编码器和变分自编码器的依赖，实现文本和视觉的统一学习，并展现出高数据扩展效率。
Hugging Face发布ATE-2模型，突破低资源语言文本嵌入
Hugging Face 发布了 ATE-2（Armenian Text Embeddings 2）模型，这是一个用于阿姆哈拉语文本嵌入的最新模型，同时开源了用于阿姆哈拉语文本嵌入的完整生态系统，包括新的基础和大型模型、ArmBench-TextEmbed 标准化基准和底层训练数据集。该模型通过使用少量噪声合成数据展示了在低资源语言（LRLs）文本嵌入方面的突破。
Raw Robot Video to VLA-Ready Training Data: Annotating LeRobot Datasets with Nomadic and HuggingFace Buckets
暂无摘要
AI达人揭秘：KV缓存加速Transformer推理
本文介绍了KV缓存技术，这是一种优化Transformer推理效率的方法。通过缓存中间计算结果，模型可以避免重复计算，从而加快文本生成速度，提高效率。
Hugging Face升级semchunk AI分块模式，RAG问答精准度再提升
Hugging Face 发布了其语义分块算法 semchunk 的新 AI 分块模式，该模式利用 Kanon 2 Enricher 模型，显著提高了检索增强生成 (RAG) 的准确性，特别是在法律 RAG 问答任务中。这一更新通过将非结构化文档转换为结构化的知识图谱，提取实体并分割结构元素，从而提升了 RAG 系统的性能。
用户揭秘：abliteration技术解锁LLM无审查响应新境界
本文介绍了名为“abliteration”的技术，该技术可以取消任何大型语言模型（LLM）的审查机制，使其能够响应所有类型的提示。这项技术通过修改模型权重来阻止模型拒绝请求，从而提高了模型的灵活性和响应能力。
NVIDIA发布NeMo Retriever：突破语义相似性检索新里程碑
NVIDIA NeMo Retriever团队发布了新一代的智能体检索管道，该管道在多个基准测试中取得了优异的成绩，展示了其在通用性、超越语义相似性检索方面的优势，并采用了ReACT架构和进程内线程安全的单例检索器，以提高速度和可扩展性。
SynthVision: Building a 110K Synthetic Medical VQA Dataset with Cross-Model Validation
暂无摘要
AI进化揭秘：GRPO到GSPO强化学习新突破
本文介绍了从GRPO到DAPO再到GSPO的强化学习技术演进，重点关注了在大型语言模型中如何优化长文本输出和复杂任务的性能。文章详细讨论了每种方法的原理、优势和局限性，并展示了如何通过改进采样、剪枝和梯度计算等细节来提高效率和稳定性。
NVIDIA发布Nemotron-Personas：AI训练新突破，真实人物数据集引领未来
NVIDIA 发布了 Nemotron-Personas，这是首个与真实世界人口统计、地理和人格特征分布对齐的合成人物数据集，旨在改进 AI 训练，提供可扩展、隐私安全且符合法规的用户行为建模基础，帮助大型语言模型 (LLM) 和代理系统生成更准确、更具包容性且行为更真实的输出。
AI技术分析师揭秘：SO-101助力ACT模型训练全攻略
这篇公告详细记录了一位AI技术分析师在训练Action Chunking Transformer (ACT)模型上的经历，包括遇到的挑战、解决方案和经验教训。文章描述了如何使用SO-101机器人进行数据收集和训练，以及如何通过改进硬件设置、数据收集流程和评估流程来提高模型的性能。
Sionic AI推出Claude Code Skills，日跑千实验提升AI效率
Sionic AI发布了一项名为Claude Code Skills的系统，旨在通过构建团队记忆来提高机器学习实验的效率和知识共享。该系统通过自动化捕捉和传播实验中的洞察，包括成功和失败的尝试，帮助研究人员避免重复错误并快速学习。该系统主要通过两个Claude Code命令实现：/retrospective和/advise，分别用于记录和查询实验知识。
NVIDIA发布Alpamayo开源生态 助力自动驾驶推理架构开发
NVIDIA发布了Alpamayo，一个开源的模型、模拟工具和数据集生态系统，旨在促进基于推理的自动驾驶汽车（AV）架构的开发。Alpamayo提供了基础模型、大规模训练数据集和模拟框架，以支持在现实闭环环境中评估和训练现代推理AV架构。
Pocket Models for iOS: Explore On-Device AI with GGUF Models, Data Memory, and Journeys
DataSapien 发布了 Pocket Models，一款免费的 iOS 应用，允许用户在本地设备上探索和实验 AI 功能，包括运行 GGUF 模型、利用数据内存和体验引导式 AI 旅程。该应用旨在提供设备原生 AI 体验，增强个性化 AI 互动，并支持开发者测试和品牌探索边缘 AI。
强化引导生成蛋白语言模型助力AAV衣壳全新设计
这篇论文提出了一种基于蛋白质语言模型和强化学习的生成式设计框架，用于设计高度多样化的AAV衣壳，通过预训练模型和强化学习技术，实现了在满足功能约束的同时探索新的蛋白质序列。
AgenticRS-EnsNAS：集成解耦的自进化架构搜索
这篇论文提出了Ensemble-Decoupled Architecture Search框架，通过利用集成理论从单个学习器的评估中预测系统级性能，从而降低神经架构搜索（NAS）在工业生产系统中的应用成本。该框架通过理论分析和实验验证，实现了在保持部署成本的同时，将每个候选架构的搜索成本从O(M)降低到O(1)。
联邦学习噪声客户端解密：释放表示几何
这篇论文提出了FedRG方法，通过重新思考联邦学习中的噪声标签识别问题，利用表示几何优先原则，通过自监督创建标签无关的球形表示，并使用vMF混合模型来捕捉语义聚类，从而有效地识别噪声样本并实现鲁棒的优化。
LeWorldModel：像素级稳定端到端联合嵌入预测架构
这篇论文提出了LeWorldModel（LeWM），这是一种新的联合嵌入预测架构（JEPA），它能够从原始像素中稳定地端到端训练，仅使用两个损失项：下一个嵌入预测损失和正则化项，以确保潜在嵌入的高斯分布。这种方法减少了可调损失超参数的数量，并显著提高了训练速度，同时保持了在2D和3D控制任务上的竞争力。
胃癌分析视觉-语言模型多模态多阶段基准数据集Gastric-X
这篇论文提出了Gastric-X，一个用于胃癌分析的跨模态多阶段基准数据集，旨在推动视觉语言模型（VLM）在临床应用，特别是胃癌分析中的发展。该数据集包含1.7K个病例，涵盖了静态和动态CT扫描、内窥镜图像、生化指标、诊断笔记和肿瘤区域标注。论文通过五个核心任务评估了VLM的性能，包括视觉问答、报告生成、跨模态检索、疾病分类和病变定位，以探究VLM在关联生化信号与肿瘤特征方面的能力。
基于LLM的多智能体系统：GoAgent通信拓扑生成
这篇论文提出了GoAgent，一种基于大型语言模型（LLM）的多智能体系统（MAS）通信拓扑生成方法。GoAgent通过显式地将协作组作为MAS构建的原子单元，通过LLM枚举任务相关的候选组，并使用自回归方式选择和连接这些组来构建最终的通信图，从而提高协调性和减少通信开销。
路由KGQA：约束感知知识图谱问答专用-通用模型
这篇论文提出了RouterKGQA，一个专门用于约束感知知识图谱问答的框架。该框架结合了专用模型和通用模型的优势，通过专用模型生成推理路径，通用模型在必要时进行知识图谱引导的修复，从而在保持高效的同时提高了性能。它还引入了约束感知答案过滤和更高效的通用代理工作流程，实验结果表明，在多个基准测试中，RouterKGQA在F1和Hits@1上平均优于之前最佳方法3.57和0.49点，同时每题平均只需要1.15次LLM调用。
提升法律LLM性能：元数据增强RAG管道与直接偏好优化
该论文提出了一种通过元数据增强的RAG管道和直接偏好优化来提升法律语言模型（LLMs）的准确性。针对法律文档中LLMs的hallucinations问题，论文提出了改进的文档级检索方法和直接偏好优化，以提高模型的可靠性和安全性。
URAG：检索增强大型语言模型不确定性量化基准
这篇论文提出了URAG，一个用于评估检索增强大型语言模型（RAG）不确定性的基准。通过将开放式生成任务转化为多选题，URAG使用符合性预测来量化不确定性。研究评估了8种标准RAG方法，发现简单模块化RAG方法在准确性和不确定性之间提供了更好的权衡，并且没有一种RAG方法在所有领域都是可靠的。
