精选 72 篇，从 8000+ 条中筛选
该项目是Twitter推荐的算法语言，旨在为Twitter产品提供内容推荐服务。它通过一系列服务和作业构建了推荐系统，包括数据处理、模型、软件框架等。项目定位为开发框架，核心功能是提供推荐算法和数据处理服务，解决内容推荐中的个性化问题。技术架构亮点在于其复杂的组件和数据处理能力，包括SimClusters、TwHIN、trust-and-safety-models等。在LLM生态中，该项目通过提供高效的内容推荐解决方案，具有显著的价值。
项目定位为连接Cursor与Figma的MCP集成工具，旨在实现Agentic AI与Figma的交互，读取和修改设计。核心功能是利用JavaScript实现AI对Figma设计的读取和编程修改。技术亮点在于其应用层创新，通过巧妙集成现有技术解决了AI与设计工具的交互问题。在LLM生态中，该项目为开发者提供了高效的设计与AI结合的解决方案。
LocalAI是一个开源的LLM替代方案，旨在提供本地化、去中心化的AI服务。它支持多种模型，包括文本、音频、视频和图像生成，以及语音克隆。LocalAI无需GPU，适用于消费级硬件，为研究者、开发者和企业提供了一种灵活的AI解决方案。
Tongyi-MAI/Z-Image-Turbo是一款高效能的图像生成模型，定位为多模态模型。它具有6B参数，采用单流扩散Transformer架构，支持双语（英语和中文）文本渲染。该模型在H800 GPU上实现亚秒级推理延迟，适用于16G VRAM的消费级设备。它在图像生成、文本到图像转换等方面表现出色，适用于需要快速、高效图像生成的场景。
GLM-4.7是一款专注于多语言和代码能力的通用大模型。它采用了Transformer架构，并引入了MoE技术，支持多种语言（包括英语、中文和阿拉伯语）。在性能上，GLM-4.7在多个基准测试中表现出色，尤其在代码生成、数学推理和多语言能力方面有显著提升。该模型适用于需要多语言和代码生成能力的场景，如聊天、创意写作和角色扮演。其开源协议、硬件需求以及推理效率等方面适合于主流的推理框架。
Lightricks/LTX-2是一款基于DiT架构的多模态音频-视频基础模型，专注于生成同步的视频和音频。该模型具有灵活的下载量和点赞数，支持多种语言，并采用diffusers库。LTX-2在图像到视频、文本到视频等多个领域具有广泛应用，其开源协议和丰富的模型版本提供了灵活的部署选项。在性能上，LTX-2在多模态任务中表现出色，尤其在视频生成方面具有显著优势。
MiniMax-M2.1是一款定位在通用大模型范畴内的LLM，具有高性能和丰富的功能。它基于transformers库，采用自定义的架构，支持FP8精度，上下文长度可达200K。在性能上，该模型在多个基准测试中表现出色，具有代码生成、数学推理等多方面的能力。开源协议为modified MIT，适合在多种硬件和推理框架上使用。
LiquidAI/LFM2.5-1.2B-Instruct是一款针对边缘设备部署的混合模型，定位为通用大模型。其核心能力在于高效能的推理和轻量级的设计，特别适合移动和边缘设备。该模型在1.2B参数量下实现了高性能，具有239 tok/s的解码速度，并支持多种硬件平台。在性能表现上，LFM2.5-1.2B-Instruct在权威基准测试中表现出色，尤其在边缘设备推理方面具有显著优势。主要应用场景包括移动设备上的自然语言处理任务，如对话系统、文本生成等。其开源协议、轻量级设计和高效的推理能力使其成为边缘计算和移动应用的首选。
LiquidAI/LFM2.5-Audio-1.5B是一款专注于音频处理的多模态语言模型，定位为多模态模型。其核心技术包括基于LFM的音频去标记器、FastConformer音频编码器和RQ-transformer。该模型在音频到音频的转换任务中表现出色，支持实时语音到语音对话。性能方面，模型在ASR和TTS任务中表现良好，参数量适中，适合实时交互场景。主要应用场景包括语音助手、实时翻译等。
HyperCLOVA X SEED 32B Think 是一款基于Transformer架构的多模态推理模型，定位为多模态模型。该模型具有32B的参数量，支持长达128K的上下文长度，并具备深度推理能力。它在多个基准测试中表现出色，尤其在视觉理解和代理任务方面。该模型适用于需要多模态理解和深度推理的场景，如文本生成、图像理解等。
tencent/HY-MT1.5-1.8B 是一款专注于多语言翻译的通用大模型，具有1.8B参数量。该模型在Hugging Face平台上表现出色，支持33种语言的互译，并包含5种民族和方言变体。其核心技术包括Transformer架构和上下文长度优化，性能上与更大的版本相当，但更适用于边缘设备和实时翻译场景。该模型在开源协议下提供，具有高效的推理性能，适用于需要多语言翻译的广泛应用场景。
Kijai/LTXV2_comfy是一款专注于ComfyUI的LTX2模型，定位为特定领域微调模型。其核心技术为LTX2架构，支持gguf和comfyui标签，适用于多模态扩展。该模型在性能上具有竞争力，但未提供具体基准测试结果。开源协议为ltx-2-community-license-agreement，硬件需求及推理效率信息未指定。主要应用场景为ComfyUI相关任务。
MiroThinker-v1.5-30B是一款定位为推理模型的LLM，具有30B参数量，支持交互式扩展，能够进行深度和频繁的模型-环境交互。其核心技术包括Qwen3_MoE和text-generation，具备强大的信息检索和推理能力。在MMLU、GPQA等基准测试中表现优异。适用于需要高级推理和信息检索的场景，如问答系统、智能客服等。开源协议为MIT，硬件需求较高，推理效率良好。
Qwen3-VL-Embedding-8B是一款多模态嵌入模型，定位为通用大模型。它基于Qwen3-VL基础模型，具备处理文本、图像、视频等多种模态数据的能力。该模型采用统一的表示学习，生成语义丰富的向量，支持超过30种语言。在性能上，它能够高效地进行多模态检索和聚类，并在多个基准测试中表现出色。模型开源，支持自定义指令，适用于多种实际场景。
nvidia/nemotron-speech-streaming-en-0.6b 是一款专注于语音识别的领域大模型，具有cache-aware ASR和streaming-asr的特点。该模型基于FastConformer架构，支持多种语音数据集，包括LibriSpeech、AMI等。在性能上，模型在LibriSpeech测试集上取得了2.31%的WER，表现出色。模型适用于需要高效率语音识别的场景，如智能客服、语音助手等。其开源协议为nvidia-open-model-license，适合在多种硬件平台上部署。
Alpamayo-R1-10B是一款由NVIDIA开发的视觉-语言-动作（VLA）模型，定位在自动驾驶领域的特定领域微调模型。该模型基于Transformer架构，具有8.2B参数的骨干网络和2.3B参数的动作解码器。它在Hugging Face平台上的下载量为20,053，获得了199个点赞。模型在处理复杂自动驾驶场景中的决策方面表现出色，特别是在处理罕见的长尾事件。性能方面，模型在相关基准测试中表现良好，具有开源协议，适用于全球部署。其核心能力在于结合因果推理和轨迹规划，为自动驾驶应用提供可解释的推理和精确的车辆控制。
模型定位：领域大模型，专注于医学图像到文本的转换。核心技术：基于Transformer架构，支持医疗图像和文本的交互式处理。性能表现：在医学图像识别和文本生成任务中表现优异。主要应用场景：医学影像分析、临床诊断辅助。实用考量：开源协议，适用于多种硬件平台，推理效率高。
AgentCPM-Explore是一款定位在特定领域的大语言模型，具有4B参数量，专注于长时序和复杂任务。其核心技术包括基于Qwen/Qwen3-4B-Thinking-2507的微调，支持多轮环境交互和实时信息验证。在多个长时序代理基准测试中取得SOTA性能，展现出强大的深度研究能力。该模型开源，包括训练和推理基础设施，适用于需要持续深度探索的任务。
该模型Qwen-Image-Edit-2511-Multiple-Angles-LoRA是一个专注于图像编辑的多角度相机控制LoRA模型，属于多模态模型类别。它基于Qwen/Qwen-Image-Edit-2511模型，具有96个相机位置，支持低角度拍摄，并使用高精度的Gaussian Splatting数据进行训练。该模型在图像编辑领域具有显著优势，特别适合需要多角度控制和精确图像编辑的场景。模型性能表现在其能够生成高质量的图像编辑结果，并在特定任务上表现出色。该模型开源，使用Apache-2.0协议，适合在具有适当硬件和推理框架的环境中应用。
NousCoder-14B是一款专注于代码生成的领域大模型，基于Qwen3-14B进行强化学习后训练。该模型在LiveCodeBench v6基准测试中取得了67.87%的Pass@1准确率，显著优于基线模型。模型采用Apache-2.0开源协议，具有14B参数量，支持文本生成pipeline。其核心能力在于代码生成，适用于需要代码自动生成的场景，如软件开发、教育等。模型在硬件需求、推理效率等方面具有实用性，与vLLM等流行推理框架兼容。
Supertone/supertonic-2是一款专注于文本到语音（TTS）的模型，定位为特定领域的微调模型。它具有高效、轻量级的架构，支持多种语言，且在设备端运行，无需云端支持。该模型在性能上表现出色，具有极快的推理速度和低参数量，特别适合对实时性和隐私性有高要求的场景。其开源协议和跨平台兼容性使其易于集成和使用。
Qwen3-VL-Embedding-2B是一款多模态嵌入模型，定位为通用大模型。它基于Qwen3-VL基础模型，具备处理文本、图像、截图和视频等多样化输入的能力。模型采用统一的表示学习，生成语义丰富的向量，支持超过30种语言。在性能上，该模型在多模态检索和跨模态理解任务中表现出色，具有高效相似计算和检索能力。其主要应用场景包括图像-文本检索、视频-文本匹配、视觉问答和内容聚类等。
GLM-Image是一款定位在多模态模型领域的开源模型，采用混合自回归+扩散解码器架构。其核心能力在于文本到图像的生成，同时支持丰富的图像到图像任务。技术特点包括基于GLM-4-9B-0414的9B参数自回归生成器和基于DiT架构的7B参数扩散解码器。在性能上，GLM-Image在文本渲染和知识密集型生成场景中表现出色，同时具备高保真和精细细节生成能力。主要应用场景包括图像编辑、风格迁移、身份保留生成和多主体一致性等。开源协议为MIT，硬件需求中等，推理效率良好。
这篇论文提出了一种名为GeoMotionGPT的新框架，该框架通过在运动代码簿和LLM嵌入空间中显式强制执行正交性，将几何运动空间与嵌入空间对齐，从而增强LLM对复杂运动的理解能力。该方法通过Gumbel-Softmax进行可微训练，并使用稀疏投影将运动代码映射到LLM嵌入空间，同时保持正交性，最终在HumanML3D数据集上实现了20%的性能提升。
这篇论文提出了UM-Text，一个统一的多模态模型，用于通过自然语言指令进行图像理解和视觉文本编辑。该模型通过视觉语言模型（VLM）处理指令和参考图像，并使用UM-Encoder结合条件信息的嵌入，以生成风格一致的视觉文本图像。此外，论文还贡献了一个大规模的视觉文本图像数据集UM-DATA-200K，并通过实验证明了其在多个公共基准测试中的优越性能。
这篇论文介绍了VideoLoom，一个用于联合空间时间理解的统一视频大型语言模型（Video LLM）。它通过创建LoomData-8.7k数据集，该数据集包含具有时间和空间定位的标题，来促进细粒度空间和时间定位能力的发展。VideoLoom在多个空间和时间基准测试中实现了最先进的性能。此外，论文还引入了LoomBench，这是一个包含时间、空间和组合视频问题对的基准，用于从多个方面全面评估Video LLMs。
这篇论文提出了一种名为3AM的视频对象分割方法，通过整合3D感知特征和视觉相似性，实现了几何一致性的识别。该方法在无需相机姿态或预处理的情况下，仅通过RGB输入即可进行推理，显著优于现有的SAM2方法，在ScanNet++数据集上取得了90.6%的IoU和71.7%的Positive IoU。
这篇论文提出了ViDoRe V3，一个综合的多模态RAG基准，用于评估复杂真实场景中的检索增强生成。它解决了现有基准未能捕捉到的复杂性问题，如视觉元素的解释、跨文档信息综合和准确来源定位。通过大规模的人类标注和多个数据集，ViDoRe V3提供了高质量的检索相关性、边界框定位和验证参考答案的标注，揭示了视觉检索器优于文本检索器，后期交互模型和文本重排序显著提高了性能。
这篇论文提出了Parallel Context-of-Experts Decoding (Pced)，一种无需训练的框架，通过将证据聚合从注意力机制转移到解码过程中，解决了检索增强生成中的瓶颈问题。Pced将检索到的文档视为独立的“专家”，通过一种新颖的检索感知对比解码规则同步它们的预测，从而恢复跨文档推理能力。
这篇论文提出了一种名为EpiCaR的训练方法，旨在解决大型语言模型在推理能力上的问题。该方法通过将推理训练重新定义为认知学习问题，使模型不仅学会如何推理，还学会何时应该信任自己的推理。实验表明，EpiCaR在推理性能和校准方面优于标准基准，特别是在具有足够推理能力的模型中。
这篇论文提出了MemoBrain，一个用于工具增强智能体的执行记忆模型，通过构建推理步骤的依赖感知记忆来捕获显著的中间状态及其逻辑关系，从而在长期推理中维持连贯性和目标导向。
这篇论文提出了KnowMe-Bench，一个基于长篇自传体叙事的公开基准，用于评估终身数字伴侣对人的理解能力。它通过将叙事重构为时间锚定的流，并使用与证据链接的问题来评估模型在事实回忆、主观状态归因和原则推理方面的表现。实验表明，检索增强系统主要提高了事实准确性，但在时间基础解释和高级推理上仍存在错误，强调了需要超越检索的记忆机制。
这篇论文提出了FactArena，一个用于全面评估大型语言模型在事实核查中各个阶段的自动化评估框架，包括声明分解、证据检索和结论预测，以解决现有评估方法对事实核查工作流程的忽视问题。
这篇论文提出了ShowUI-π，一个基于流的生成模型，用于实现GUI的灵活操作。它通过统一离散和连续动作，结合基于流的动作生成和拖拽训练数据，提高了GUI代理的拖拽能力，实现了更接近人类操作的自动化。
这篇论文介绍了Solar Open，一个针对欠发达语言的102B参数双语混合专家语言模型。通过解决数据稀缺、数据协调和可扩展强化学习等挑战，Solar Open在英语和韩语基准测试中实现了有竞争力的性能，展示了该方法在欠发达语言AI开发中的有效性。
这篇论文提出了一种面向用户的、大规模的多轮对话生成框架，该框架结合了大型推理模型和工具使用，通过动态生成特定领域的工具来解决指定任务，同时通过模拟人类行为规则来促进更真实、更持久的对话。
这篇论文提出了MemGovern框架，旨在通过从GitHub等平台的历史人类经验中学习，增强代码代理的能力。MemGovern通过经验治理将原始GitHub数据转化为可操作的体验记忆卡，并引入了代理体验搜索策略，以实现逻辑驱动的人类专业知识检索。实验表明，MemGovern通过产生135K个治理经验卡，显著提升了SWE-bench的验证解决方案的分辨率率，提高了4.65%。
这篇论文研究了基于大型语言模型的自主代理在多轮任务中的可信度问题，特别是针对工具使用代理的校准问题。论文提出了一种通过强化学习框架来优化任务准确性和校准的方法，并通过实验证明了该方法在提高代理校准方面的有效性。
这篇论文提出了ArenaRL，一种基于锦标赛的相对排名的强化学习范式，用于解决开放式智能体任务中的奖励模型歧视问题。ArenaRL通过引入过程感知的成对评估机制和内部对抗竞技场，提高了奖励信号的稳定性，并通过构建Open-Travel和Open-DeepResearch两个新基准，显著提升了LLM智能体在复杂任务中的解决方案的鲁棒性。
这篇论文提出了VLingNav，一个基于语言驱动的认知的VLA模型，用于具身导航。它通过引入自适应思维链机制和视觉辅助语言记忆模块，解决了复杂、长时程导航任务中推理能力和持久记忆的缺乏问题。实验表明，VLingNav在多个具身导航基准测试中取得了最先进的性能。
这篇论文提出了一种名为RL-Text2Vis的强化学习框架，用于文本到可视化的转换。该框架通过结合文本准确性、代码有效性和可视化质量的多目标奖励，解决了传统监督学习在提高可视化质量方面的不足，显著提升了图表质量和代码执行成功率。
这篇论文提出了一种名为SnapGen++的扩散变换器框架，旨在解决扩散模型在移动和边缘设备上部署时的高计算和内存成本问题。该框架通过紧凑的架构、弹性训练框架和知识引导分布匹配蒸馏技术，实现了高效、高保真度的图像生成。
这篇论文提出了MOTIVE，一个基于梯度的运动归因框架，用于视频生成模型中的运动影响分析。MOTIVE通过运动加权损失掩码将时间动态从静态外观中分离出来，从而实现了高效且可扩展的运动特定影响计算。实验表明，使用MOTIVE选择的具有高影响力的数据可以显著提高视频生成模型在运动平滑度和动态程度上的表现。
NVIDIA发布了一种名为Nemotron Speech ASR的新实时语音识别模型，该模型通过缓存感知流式处理技术，实现了更高的效率和更低的延迟，为实时语音代理提供了新的基准。
Hugging Face的官方博客发布了一篇关于小型语言模型最优架构的文章，介绍了通过实验发现的最优模型配置，包括深度、宽度、架构类型等，并推出了新的扩散模型Dhara-70M，该模型在保持较高准确性的同时，实现了更高的吞吐量和事实性。
Hugging Face发布了BERT Hash Embeddings模型系列，这些模型基于BERT Hash模型系列，生成固定维度的向量，用于语义文本相似度、语义搜索、释义挖掘、文本分类、聚类等。这些模型参数量小，性能优异，适用于边缘和低资源计算环境。
Pruna社区成员Parag Ekbote通过使用Pruna库和PyTorch的torch.compile功能，对SmolLM模型进行了量化压缩和编译优化，显著提升了模型的速度和效率，同时保持了较高的准确度，使得模型在资源受限的硬件上也能高效运行。
Hugging Face宣布其MiniMax-M2.1模型在多语言和多任务编码方面取得了显著进步，该模型在代码生成、工具使用、指令遵循和长期规划方面表现出色。它通过构建覆盖多种编程语言的全面数据管道，实现了对真实世界编码场景的增强，并展示了在多种基准测试中的优异性能。
Falcon H1R 7B，由阿布扎比的科技创新研究所（TII）开发，是一款仅具有解码功能的7B参数大型语言模型。它基于Falcon-H1 Base模型，在推理能力上取得了重大进步，参数效率极高，在多个推理密集型基准测试中表现出色。
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。
Hugging Face 发布了两个新的 Llama Nemotron 模型，用于提高多模态搜索和视觉文档检索的准确性。这些模型能够处理文本和图像，并支持标准向量数据库，旨在为开发者提供高效、低延迟的视觉文档检索解决方案。
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。
本文探讨了当前常见的AI模型格式，包括GGUF、PyTorch、Safetensors和ONNX，并分析了每种格式的特点、优缺点以及适用场景。GGUF适用于生产环境和服务模型，PyTorch简单易用但存在安全性和效率问题，Safetensors注重安全性，ONNX提供跨框架互操作性。
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。
这篇公告主要讨论了在Blackwell GPU上使用FP4 MoE内核工程的重要性，通过对比不同MoE后端在Blackwell B200 GPU上的性能，强调了内核工程对提高推理速度的关键作用。
这篇公告详细介绍了小型语言模型（SLM）的概念、制作方法、优势、局限性以及在实际应用中的使用。SLM是一种轻量级的语言模型，适用于资源受限的环境，如智能手机和嵌入式系统。它们保留了核心的自然语言处理能力，同时具有低计算需求、低能耗和快速推理等优势。公告还介绍了如何使用Ollama和PocketPal等工具在边缘设备上运行SLM，以及如何通过微调来提高模型性能。
OpenAI发布了新的Harmony格式，用于其gpt-oss模型，该格式在推理和工具调用结构方面与之前的ChatML格式相比有显著改进。Harmony引入了多通道架构、角色层次结构、消息路由和TypeScript风格的工具定义，旨在提高推理和工具调用的效率和可读性。
本文介绍了从Image-to-LoRA到In-Context Edit的图像编辑技术进展，重点介绍了Qwen-Image-Edit-2511模型。该模型通过In-Context Edit技术，利用多图像编辑能力，实现了从示例图像对中理解并应用编辑转换到新图像的功能，为图像编辑领域带来了新的突破。
Hugging Face发布了名为“Proof of Time (PoT)”的新基准框架，旨在评估科学想法的判断。该框架通过将科学想法的判断与未来可观察的下游信号（如引用次数、同行评审奖项等）联系起来，实现了可验证的评估和可扩展的基准测试。PoT采用离线沙盒设计，确保模型改进来自对相同证据的更好利用，而非获取新信息，并包含四个任务家族，分别评估影响预测、同行评审奖项、研究演化和技术前沿。
本文介绍了“Reviewer Two”，一个基于 Meta 的 OpenEnv 框架构建的强化学习环境，旨在训练 AI 代理生成高质量的研究计划。该环境通过提供反馈和惩罚机制，引导代理不断改进其研究计划，旨在培养代理的迭代改进、学习反馈和有效利用资源的能力，使其能够更好地与人类合作进行科学研究。
这篇Hugging Face博客文章介绍了状态空间模型（SSM）的基本概念，包括其在控制理论和深度学习中的应用。文章详细解释了SSM的三个视图：连续视图、递归视图和卷积视图，并讨论了它们各自的优势和局限性。
OpenAI 与 Cerebras 合作，旨在为其平台增加 750MW 的超低延迟 AI 计算能力，以提升 ChatGPT 的实时AI工作负载性能。Cerebras 的技术通过集成大规模计算、内存和带宽到单个巨型芯片上，消除传统硬件瓶颈，显著提高推理速度。此次合作将使 OpenAI 的 AI 响应速度大幅提升，支持更快的交互和更高价值的工作负载，预计在 2028 年前全面上线。
这篇论文提出了STAGE，一个针对电影剧本的统一基准，用于评估模型在知识图谱构建、场景级事件摘要、长文本剧本问答和在剧本中的角色扮演方面的叙事理解能力。STAGE通过提供清洗后的剧本、精心制作的知识图谱和事件及角色中心标注，使模型能够在共享的叙事世界表示中构建世界表示、抽象和验证叙事事件、推理长文本以及生成角色一致的响应。
这篇论文提出了一种基于Shapley值的鲁棒去中心化随机学习算法ROSS，旨在解决去中心化学习中数据分布异质性的问题。该算法通过聚合邻居的交叉梯度信息，并使用Shapley值来加权这些信息，以更新局部模型。论文通过理论分析和实验验证了算法的线性收敛速度提升和预测准确性的优势。
这篇论文提出了一种名为Latent-GRPO的框架，通过在潜在空间中利用几何聚类来直接从潜在空间几何中推导出内在奖励，从而解决大型语言模型（LLMs）在相对策略优化（GRPO）中依赖昂贵的验证器或人类规则的问题。该方法通过迭代稳健质心估计（IRCE）算法生成密集、连续的奖励，显著提高了训练速度并保持了模型性能。
这篇论文提出了一种名为GTR-VL的分子结构识别模型，通过图遍历作为视觉思维链机制来模拟人类推理，并采用数据中心的识别原则，显著提高了手绘分子结构识别任务的性能。
这篇论文提出了一种新型的语义和政策双驱动的混合决策框架，用于解决自动驾驶中的持续学习和联合决策问题。该框架结合了大型多模态模型（LMMs）进行语义理解和认知表示，以及深度强化学习（DRL）进行实时策略优化，以实现具身智能（EI）驾驶的持续进步。
这篇论文提出了ESGAgent，一个基于多智能体系统的ESG分析工具，通过整合检索增强、网络搜索和领域特定功能，生成深入的ESG分析。同时，论文还建立了一个综合的三级基准，用于评估从原子常识问题到综合深入分析的能力。实验表明，ESGAgent在原子问答任务上平均准确率达到84.15%，在专业报告生成方面表现出色。
这篇论文提出了ToolACE-MCP，一种用于训练历史感知路由器的管道，旨在解决大规模生态系统中的可扩展性和泛化性问题。该方法通过依赖丰富的候选图合成多轮轨迹，使路由器能够动态理解上下文，创建即插即用的轻量级路由代理。实验表明，ToolACE-MCP在MCP-Universe和MCP-Mark基准测试中表现出色，不仅能够泛化到多智能体协作，而且对噪声具有出色的鲁棒性，并能有效扩展到大规模候选空间。
这篇论文提出了RAGShaper，一个用于自动化构建RAG任务和鲁棒代理轨迹的数据合成框架，通过构建包含对抗性干扰的信息树，并采用约束导航策略，使模型在噪声密集和复杂的检索任务中表现出色。
这篇论文提出了ViDoRe v3，一个综合的多模态RAG基准，用于评估在复杂真实世界场景中的检索增强生成。它解决了现有基准在处理视觉元素、跨文档信息综合和准确来源定位方面的不足，通过提供高质量的人为标注，评估了不同RAG管道的性能，并揭示了视觉检索器优于文本检索器，以及后期交互模型和文本重排序对性能的显著提升。
