每日从 Hugging Face Papers 社区日榜精选论文，拆成快讯直接发布。
25 期 · 最新 2026/11/02
据论文《Differentiable Data Augmentation with Kornia》，作者Jian Shi、Edgar Riba、Dmytro Mishkin、Francesc Moreno、Anguelos Nicolaou于2020年11月19日发布综述，介绍Kornia可微数据增强（DDA）模块，覆盖二维空间与三维体张量。论文称，该模块利用Kornia的可微计算机视觉方案，目标是把数据增强流程与策略接入现有PyTorch组件，例如用于可微性的autograd与用于优化的optim。作者还提供了不同数据增强框架的基准比较，并简要回顾了若干使用Kornia DDA的方法。该文为预印本，相关结论尚未经同行评审。
据论文Investor's Last Exam，研究团队推出股票研究基准ILE，由资深买方投资者与基金经理主导设计，含343万份文档版本、九类来源的版本化金融数据库及结构化市场数据，并以经校验的时间戳约束检索与计算；任务分类围绕专业分析师交付物组织，评分框架通过金融依赖图将评分标准与来源、计算和假设关联。评估覆盖86项任务，同时考察研究质量、预测准确性与模拟投资表现。论文称GPT-6 Astra与Claude Opus 5.5以68.1分和66.9分（满分100）总分领先，但Astra在“预测与模型”项仅得52.5分。作者据此认为，即使最先进模型也未能将整体研究能力转化为预测表现。该论文为预印本，结论尚未经同行评审。
据论文FreeToken: Efficient Edge-Native MoE Serving with Bandwidth-Adaptive Execution，作者Shuo Yang、Xiaoze Fan、Melissa Pan、Haocheng Xi、Zhe Wang、Shanlin Sun提出一套边缘原生MoE推理服务系统FreeToken，将个人电脑视为统一弹性推理平台而非小型GPU。该论文称，系统围绕模型布局与加载、专家驻留、CPU-GPU协同执行、智能体状态复用及运行时内存管理进行全栈协同设计，并持续将计算与模型状态映射到实际可用资源，而非固定卸载策略。论文称其支持20余种MoE模型及真实编码与工具调用智能体，硬件覆盖8GB笔记本GPU至单张工作站GPU；可服务规模从笔记本上的35B模型、游戏台式机上的284B模型，到单张工作站GPU上的753B GL…
据论文《Xiaomi-OCR-0 Technical Report》，研究团队提出统一0.8B模型Xiaomi-OCR-0，面向文档解析与以OCR为核心的理解任务。团队称，其借助结合专家共识、渲染验证与定向合成的自动化数据引擎，构建约1.7亿样本的OCR语料；模型以Qwen3.5-0.8B为起点，采用基于Q-Mask的文本锚定、继续预训练与混合任务强化学习（Mix-RL）的渐进式训练方案。论文报告，该模型在Real5-OmniDocBench得95.24、OmniDocBench v1.6得96.83、Wild-OmniDocBench得87.94，在五个OCR导向VQA基准上平均83.2分。消融实验显示，在解析训练充分时，以OCR为核心的理解监督可进一步提升文档解析表现。上述结果来自预印本，尚未经同行评审。
据论文HairDeck，游戏与虚拟形象中风格化角色的头发由发卡构成，即艺术家放置的带状几何体，并由弹簧骨骼驱动动画。现有基于图像的方法生成写实头发或单一融合网格；据作者称，CHARM是此前唯一能生成风格化发卡的生成器，但以自回归方式将发型解码为长控制点序列。作者将发卡发型视为无序的艺术家定义基元集合，提出HairDeck：每张发卡为一个token，由集合扩散Transformer对所有发卡联合去噪，并从单张图像同时生成发卡及其弹簧骨骼链，输出可导出至下游格式的可动画资产。作者称，在CHARM自身测试集上，该方法将Chamfer距离降低44%、发卡朝向误差降低一半以上，运行速度快33倍；在单图输入下优于CHARM、图像到3D流程及基于发丝的方法。该工作为预印本，结果尚未经同行评审。
据论文SmolDocling，作者Ahmed Nassar、Andres Marafioti、Matteo Omenetti、Maksym Lysak、Nikolaos Livathinos与Christoph Auer提出一款超紧凑视觉语言模型，面向端到端文档转换。该模型通过生成DocTags这一新通用标记格式处理整页内容，在完整上下文中记录页面各元素及其位置。作者称，不同于依赖大型基础模型的方法或依赖多个专用模型手工流水线的集成方案，SmolDocling以2.56亿参数的视觉语言模型实现端到端转换，可捕捉文档元素的内容、结构与空间位置。论文称该模型在代码清单、表格、公式、图表、列表等特征的复现上表现稳健，覆盖商业文档、学术论文、技术报告、专利与表单等多种类型。作者还贡献了图表、表格、公式与代码识别的新公开数据集，并称实验显示其性能可与规模至多27倍的视觉语言模…
据论文《PaddleOCR-VL-1.6: Expanding the Frontier of Document Parsing with Under-Optimized Region Refinement and Progressive Post-Training》，作者Zelun Zhang等提出升级版紧凑型文档解析模型PaddleOCR-VL-1.6，该模型基于PaddleOCR-VL-1.5构建。作者称，1.5版本已建立0.9B参数的强基线，但剩余错误集中在模型行为不稳定、数据覆盖稀疏或监督不可靠的欠优化区域。论文称，1.6版本不再盲目扩充训练语料，而是引入区域感知数据优化框架，从前一模型识别薄弱区域并做定向增强，同时提升监督信号可靠性；并采用基于精选数据筛选与强化学习的渐进式后训练方案。作者称该模型在OmniDocBench v1.6上取得96.33%的最…
据论文MinerU2.5，作者Junbo Niu、Zheng Liu、Zhuangcheng Gu等提出一个1.2B参数的文档解析视觉语言模型，称其在保持较高计算效率的同时达到当前最优识别精度。该模型采用由粗到细的两阶段解析策略，将全局版面分析与局部内容识别解耦：第一阶段在下采样图像上进行高效版面分析以识别结构元素，避免处理高分辨率输入带来的计算开销；第二阶段依据全局版面，从原图提取原生分辨率裁剪区域进行定向内容识别，以保留密集文本、复杂公式和表格的细节。作者称，为支撑该策略还构建了数据引擎，用于生成预训练与微调所需的大规模多样化训练语料。论文称该模型在多个基准上取得当前最优表现，在多种识别任务上超过通用与领域专用模型，同时计算开销显著更低。该研究为预印本，尚未经同行评审。
据论文Next-Concept Modeling: Fast, Parallel Coarse-to-Fine Text Generation，作者Hermann Kumbong、Ishan S. Khare、Iddah Mlauzi、Andrew Woen、Charles Ding与E. Kelly Buchanan提出一种两阶段粗到细框架NCM：多尺度残差VQ-VAE将文本编码为离散码层级，transformer逐层生成，并在同一层内并行预测全部码。作者称，在参数规模匹配时，NCM在LM1B上的生成困惑度优于最强扩散语言模型基线，运行速度快21倍；在OpenWebText上与最强扩散模型相当，速度快10倍；在XSum上ROUGE-L与最强扩散模型持平，速度快31倍；在数独推理任务上，NCM在各难度级别均优于自回归与扩散基线，且函数评估次数更少。该论文为预印本，结…
据论文TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents，前沿编码智能体在真实项目中的token成本随环境反复出现，现有方法难以削减。作者Aaron J. Li等提出外部控制器TokenEconomizer，通过决定注入哪些操作微技能、剪除哪些持续无关的工具、以及在无产出的失败循环中介入的时机来降低成本。作者称，在Claude Code、Codex与GitHub Copilot CLI搭配前沿模型的测试中，该方法在任务成功率相当的情况下将平均token成本降低18.4%至30.9%，且在每个仓库、每种智能体-模型组合下均成立；在顺序网页开发与安全审计等场景中成本下降6.4%至21.2%。该论文为预印本，结论尚未经同行评审。
据arXiv预印本论文《Work Agents: Systems, Capabilities, and Optimization》，作者Zishan Xu、Enjun Du、Mingqi Gao、Cheng Yang、Junhao Shen、Zirong Chen提出一种以工作为中心的系统级视角，将工作智能体视为基础模型与运行时执行框架的结合体，在有状态工作空间中执行任务并交付可验证结果。论文引入工作持续性与工作开放性两个维度刻画工作条件，并按任务范围与组织方式将数字工作分为五类；在此基础上归纳可靠执行工作所需的五类核心能力，讨论模型优化、执行框架优化及二者联合优化，并从工作成果角度分析现有评测方法与指标。作者还提出持续工作委派、开放环境适应以及工作执行与能力提升互动等未来方向。该论文为理解、优化与评测工作智能体提供统一框架，属预印本成果，尚未经同行评审。
据Woosuk Kwon、Zhuohan Li、Siyuan Zhuang、Ying Sheng、Lianmin Zheng、Cody Hao Yu等作者2023年9月12日发布的预印本论文，大语言模型高吞吐服务需一次批处理足够多请求，但每个请求的键值缓存（KV cache）内存庞大且动态增减，管理低效时因碎片与冗余复制造成显著浪费，限制批大小。作者提出受操作系统虚拟内存与分页技术启发的注意力算法PagedAttention，并据此构建LLM服务系统vLLM，称其实现KV cache内存近乎零浪费，并支持请求内与跨请求灵活共享KV cache以进一步降低内存占用。作者评估称，在相同延迟水平下，vLLM相较FasterTransformer、Orca等现有系统将主流LLM吞吐量提升2至4倍，序列更长、模型更大、解码算法更复杂时提升更明显。vLLM源码已在GitHub公…
据一篇预印本论文，研究团队推出OpenDevin，一个用于开发能与人类开发者类似方式与世界交互的AI智能体的平台，智能体通过编写代码、操作命令行和浏览网页完成任务。论文称，该平台支持实现新智能体、在沙箱环境中安全执行代码、多智能体协同以及接入评测基准。基于已接入的基准，作者在包括软件工程（如SWE-Bench）和网页浏览（如WebArena）在内的15项挑战性任务上对智能体进行了评估。论文称，OpenDevin以宽松的MIT许可证发布，是横跨学术界与产业界的社区项目，已有超过160名贡献者、逾1.3K次贡献。该论文为预印本，相关结果尚未经同行评审。
据论文DynaFlow: Learning Free-Form Multi-Agent Orchestration，作者Ruhao Liu、Qi Li、Shizun Wang、Xinchao Wang提出DynaFlow框架，将自由形式的可执行工作流合成纳入主智能体的动作空间，由主智能体判断何时需要协作，并生成任务特定程序，通过串行或并行执行、结构化信息交换与验证来协调子智能体；执行结果与轨迹用于指导后续动作。作者称仅对主智能体做监督微调，训练数据为蒸馏轨迹，并针对无依据前提、有偏验证和信息流缺陷筛选样本进行精炼，所有子智能体保持固定。作者称在数学推理、科学问答和多跳检索等六项基准上，DynaFlow在Forced模式下总体准确率达88.08%，在相同Qwen3.5-27B骨干下比最强评测基线高10.90个百分点。作者称工作流分析显示训练后对上游输出的显式使用、验证…
据论文Hy-Nomas，研究团队提出一种视频世界模型，采用8B扩散骨干，支持自由形式文本指令与连续相机控制，可跨多轮交互生成变长视频片段。该设计的核心是将结构化视频描述与动作感知因果注意力对齐：描述性上下文可跨片段访问，动作指令则被限制在预定时间窗口内。视觉语言提示增强器（PE）将用户请求与多模态交互历史转化为下一片段的结构化条件。训练采用多阶段课程，逐步引入因果生成、文本交互、相机控制及基于模型生成历史的训练，随后进行扩散蒸馏。据作者称，人工评估中Hy-Nomas表现优于现有世界模型；团队将发布模型权重、代码与基准，并提供轻量适配流程。该论文为预印本，结论尚未经同行评审。
Youyang Yin、Huanhuan Liu、YY 等作者在技术报告中提出 Unlimited OCR，以 DeepSeek OCR 为基线，将解码器全部注意力层替换为所提出的参考滑动窗口注意力（R-SWA）。论文称，该设计在降低注意力计算开销的同时，使整个解码过程的 KV 缓存保持恒定，从而缓解长输出序列下内存占用上升与生成变慢的问题。作者称，结合 DeepSeek OCR 编码器的高压缩率与恒定 KV 缓存设计，Unlimited OCR 可在 32K 标准最大长度下，单次前向转录数十页文档。研究还称，R-SWA 是通用解析注意力机制，除 OCR 外也适用于语音识别、翻译等任务。代码与模型权重已在 GitHub 公开。
Guangyi Liu、Yong Liu、Jiangning Zhang等在一份报告中提出开源个人智能体nanoMuse，称其为Meta旗下Muse的开源对应版本，采用GPL-3.0许可。论文称，Muse是面向单个人的智能体，具备账户、设备、记忆与持续对话能力，但闭源、部署于厂商云且限于单一国家。作者称，个人智能体应能操作用户账户与设备、跨周记忆、在值得时主动开口，并对自身行为负责；它是一种软件而非模型，此前没有开源对应物。nanoMuse让用户拥有的每台设备上运行一个智能体，可操作手机屏幕与电脑，通过任何人可运行的relay共享同一段对话，所有动作经Sentinel，记忆为用户可读的文件，模型由用户自选。论文称其规模与成本为估算值，并将开放记忆溯源、操作能力评测套件及配套开放模型列为路线图。
Shuyuan Tu、Qi Tian、Yinming Huang等提出Prism，一种面向2K原生联合视频-音频生成模型训练的动态稀疏注意力框架。论文称，全注意力计算成本随分辨率呈二次增长，且注意力分散到冗余token上会稀释学习信号、破坏预训练先验；现有稀疏注意力方法或面向免训练加速，或忽视跨模态交互集中于发声区域的结构特点。Prism将token序列组织为时空宏区，依据视频特征通道方差与音频到视频交叉注意力特征范数估计局部信息结构，为每个区动态分配块形状，并采用混合块选择策略确定逐查询稀疏度。实验显示，Prism训练速度较全注意力提升2.5倍，生成质量亦优于后者。
据论文《AgentScope 1.0: A Developer-Centric Framework for Building Agentic Applications》，Dawei Gao、Zitao Li、Yuexiang Xie等作者提出AgentScope 1.0，称其面向基于工具的智能体与环境交互，抽象出智能体应用所需的基础组件，并提供统一接口与可扩展模块，便于开发者接入新模型与MCP等进展。论文称该框架以ReAct范式约束智能体行为，基于系统化异步设计提供智能体级基础设施，丰富人机与智能体间交互模式并提升执行效率。框架还内置面向具体场景的智能体，提供带可视化界面的可扩展评测模块、运行时沙箱及生产部署支持。
据论文《Very Large-Scale Multi-Agent Simulation in AgentScope》，Xuchen Pan、Dawei Gao、Yuexiang Xie 等作者为多智能体平台 AgentScope 开发了多项新功能，以支持超大规模多智能体仿真。作者称，现有平台在大规模仿真中面临可扩展性有限、效率低、智能体多样性不足及管理繁琐等问题。为此，研究提出基于 actor 的分布式底层机制，并提供灵活的环境支持，可实现多智能体并行执行、集中式工作流编排以及智能体之间和智能体与环境之间的交互；同时集成易用的可配置工具与自动背景生成流水线，简化多样化智能体背景设定的创建，并提供基于网页的界面以监控和管理跨设备部署的大量智能体。作者称已开展综合仿真验证上述增强效果，源代码已在 GitHub 发布。
据论文《MOSS-Image Technical Report》，MOSI. AI团队提出开源图像生成系统MOSS-Image，将高保真视觉合成与意图感知构图相结合。研究称，该系统从零预训练一个5B单流扩散Transformer（DiT），支持中英双语长文本渲染与精确布局控制；同时开发意图感知的智能提示增强模块，将用户请求转化为详细的内容与布局规格。团队还提出长文本渲染评测基准LLTB与布局生成评测基准RLA。论文称，MOSS-Image在LLTB上取得开源权重模型中的最优表现，平均文本覆盖率达96.3%；在RLA端到端系统比较中排名第二，其骨干网络在共享增强提示的生成器评测中排名第一。作者表示将公开模型、训练配方与评测框架。
Yu Lin、Yiming Wang、Runyuan Cai等提出流式MoE推理引擎Edge0，论文称其可在单台24GB机器上以20tok/s运行35B级MoE模型，峰值活跃内存控制在3GiB以内。作者指出，35B级模型4位量化后权重为19.5GB，稀疏性只减少每token计算量，不减少必须驻留的字节；而朴素SSD卸载无法奏效，因为第N+1层专家须在第N层输出产生前选定，读取无法提前隐藏于计算之后。Edge0用预路由头提前一个token预测下一层路由，并将预测直接作为路由使用，使预取专家集等于实际路由集、不丢弃专家；另以在学生路径上训练、未合并的恢复LoRA补偿int4量化与路由替换带来的质量损失。论文称在五项公开基准上平均接近其fp16教师模型几个百分点，8B档位亦在同一框架运行，框架、检查点与适配器已开源。
Yu Shi、Zongliang Fu、Shuo Chen等提出面向金融K线建模的统一可扩展预训练框架Kronos，其专用分词器将连续市场信息离散为token序列，以保留价格动态与交易活动模式。作者称，该模型在来自45家全球交易所、逾120亿条K线记录的多市场语料上以自回归目标预训练。论文称，在零样本设定下，Kronos在基准数据集上将价格序列预测RankIC较领先时序基础模型提升93%、较最佳非预训练基线提升87%，波动率预测MAE降低9%，合成K线序列生成保真度提升22%。预训练模型已在GitHub公开。
Yijia Xiao、Edward Sun、Di Luo等提出TradingAgents，一个受交易公司启发的股票交易框架，让大语言模型驱动的智能体扮演基本面分析师、情绪分析师、技术分析师及不同风险偏好的交易员等专门角色。论文称，框架还设有看多与看空研究员评估市场状况、风险管理团队监控敞口，交易员综合辩论与历史数据做出决策。作者称，详细架构与大量实验显示，该框架在累计收益、夏普比率和最大回撤上优于基线模型，凸显多智能体LLM框架在金融交易中的潜力。代码已发布于GitHub。
Ruiyao Xu、Yanfei Chen、Zhongying CuiZhu等提出Harness^2，一种即插即用的递归式智能体框架，旨在解决开放世界场景下递归自我改进（RSI）面临的两大难题：测试时任务新颖、缺乏真值验证器来指导在线框架编辑，以及RSI过程高度任务特定、难以泛化。该框架设两级递归：任务级递归用对比式“提议-探测-组合”步骤，在无真值验证器条件下可靠引导编辑，并可通过并行或串行递归扩展；框架级递归则从这些编辑中提取经验，更新持续改进框架，使智能体更好适应未来任务。论文称，在三个专业基准和四种模型-框架配置上，单步递归即持续提升GLM-5与Gemini 3.5 Flash相对其基础框架的表现，WorkBuddy-Bench最高提升11.5分，JobBench提升4.5分，LAB提升11.8个百分点，且随任务级递归预算增加收益进一步提升。