SWE-bench Science：编码智能体能否解决科学软件工程任务
论文提出 SWE-bench Science，这是一个仓库级科学软件工程基准，包含来自 98 个 GitHub 仓库、覆盖 20 个科学领域的 119 个任务，并分为 Issue-driven、Expert-exploratory、Engineering-integration 三种范式。
开发者平台
项目更新、模型与开源社区动态
按账号或来源筛选（6）
1,680 条AI 相关新闻 · 最新在前
Hugging Face Daily PapersAI 评分5454 Hugging Face Daily PapersAI 评分4646 如何量化 ASR 模型的基准优化行为
研究提出一套量化 ASR 模型基准优化的方法，聚焦音频无法确定参考转写文本的情形，通过参考分歧、掩码数字恢复和拼写切换三类行为探针发现，得分最高的开源模型在音频矛盾、被掩码或含糊时仍逐字输出基准参考文本片段。机制探针显示模型会依据狭窄声学线索覆盖对音频的忠实表征，转而采用基准优化策略，且该行为可通过低秩线性引导或简单在片段末尾追加音频被因果操控。
Hugging Face Daily PapersAI 评分4343 Chain-of-Experience：让 LLM 在推理时持续自我改进
研究提出 Chain-of-Experience（CoE），让 LLM 在测试时通过自我反馈或环境信号（如正确性、公开代码测试通过率）迭代积累经验，形成持续改进循环。在数学、编程和知识任务上测试 8 个 LLM（含 GPT-5、Gemini-2.5 Pro、Claude-4.5 Sonnet），整体提升 5.6%，API 成本降低 19%，且每 token 准确率高于现有测试时策略。
Hugging Face Daily PapersAI 评分4343 FlashPrefill V2：面向长上下文 LLM 服务的块稀疏 Prefill 注意力
FlashPrefill V2 将块稀疏 Prefill 注意力从算法原型推进到可部署的长上下文 LLM 服务方案，新增均值修正项抑制近似误差，并重写稀疏注意力算子以对齐 FlashAttention-3/4、支持 FP8 推理。
Hugging Face Daily PapersAI 评分3838 SkillEvo：从多轮交互反馈中生成自更新进化梯度
SkillEvo 提出用多轮用户模拟生成反馈梯度、并用独立治理层约束进化方向，解决现有 Agent Skills 进化在首轮修补后梯度衰减、多轮缺陷不可见而停滞的问题。在 6 类云服务、9 个生产 Skills 和 98 个 skill-reference 文件上，SkillEvo 比基于自我反思的进化高 23.0 分，比单轮 QA 驱动的进化高 15.4 分。
inclusionAI Hugging Face modelsAI 评分4141 inclusionAI 发布 Ling-3.0-flash 的 DSpark 推测解码草稿模型
inclusionAI 发布 Ling-3.0-flash 的 DSpark 推测解码草稿模型，1.36B 参数、BF16 精度、5 层全注意力，用 SpecForge 训练并支持 SGLang 与 llama.cpp 部署。该草稿模型采用 8 个 draft token 的块大小（验证宽度 9），在 GSM8K、HumanEval 等九项负载上的接受长度宏均为 5.29。
Hugging Face Daily PapersAI 评分3838 Repo0：面向零到全代码生成的设计驱动框架
Repo0 是一个面向零到全代码生成的持续结构演化框架，用需求级 DAG、组件级 DAG 及对齐关系构成的 Dual-DAG 显式维护架构状态，通过模块化指标引导结构动作迭代演化组件边界，收敛后再驱动测试驱动开发生成代码。
Hugging Face Daily PapersAI 评分3535 IAR：面向无检索文档知识内化的分阶段后训练框架
研究者提出 IAR（Inject、Align、Recover）三阶段后训练框架，将固定语料转化为参数化知识，实现无检索文档问答。
Hugging Face Daily PapersAI 评分4444 4DAnyone：从单目随手拍视频生成 4D 人体
4DAnyone 提出一套框架，可从未经标定的单目视频重建 4D 人体，做法是先生成达到重建级多视角一致性的视频，再提升为 4D Gaussian Splatting（4DGS）。
Hugging Face Daily PapersAI 评分3434 ForgeWM：面向少步动作条件视频世界模型的渐进式因果训练
ForgeWM 提出渐进式框架，通过域适应、教师强制因果训练、因果一致性蒸馏和基于双向教师的 on-policy 分布匹配，将双向动作条件视频生成器转为少步世界模型，学生模型稳态去噪预算为 1、2、4 步。
Hugging Face Daily PapersAI 评分5252 MemTrapBench：评测 LLM 记忆使用中的认知陷阱
研究提出 MemTrapBench，用于评测 LLM 记忆使用中由记忆引发的认知陷阱，涵盖 Reasoning Fixation 和 Belief Distortion 两类。
Hugging Face Daily PapersAI 评分3636 WithEveryone：统一规划与身份定位的群体图像生成框架
WithEveryone 是一个可生成最多十个参考身份群体图像的统一框架，通过将每个身份注入为带地址的 token、预测结构化身份—布局方案并渲染为视觉条件来实现身份保持。
Hugging Face Daily PapersAI 评分3737 EXIMO：用 VLM 引导 VLA 策略的探索式微调
EXIMO 是一种面向 VLA 策略的高效微调算法，分探索、模仿、优化三阶段：探索阶段由 VLM 充当规划器，把长时程任务拆解为短任务，并与 VLA 协同采集数据集；模仿阶段用该数据微调 VLA；优化阶段再用残差 off-policy RL 进一步微调。实验显示其在样本效率和最终性能上显著优于现有方法。
Hugging Face Daily PapersAI 评分3939 EnvHarness：为 LLM 智能体学习唤醒静态环境
谷歌提出 Environment Harness（EnvHarness），一种可编程插件层，能在不修改底层逻辑的前提下重塑静态环境行为，并保留原有验证器。配套的 EnvRigger 将目标策略视为黑盒，通过观察执行轨迹合成针对缺陷的 EnvHarness 组件。
Hugging Face Daily PapersAI 评分4141 PolicyGuide：从守护单个动作到引导整个工作流，让 LLM 智能体合规执行政策
PolicyGuide 将领域政策编译为工作流图，并在用户轮次边界调用主动验证器，从持久化图状态中核对未决请求并给出符合政策的步骤级补救指引。
Hugging Face Daily PapersAI 评分4040 VA-Judger：面向联合视频-音频生成的人类偏好奖励模型
针对现有奖励指标分开评估音频、视觉与同步性、易被 reward hacking 的问题，研究者构建了 VAPref-10K 人类偏好数据集（9K 提示词、10.3K 细粒度成对比较）与 VA-Judger-Bench 基准，并提出链式思维全模态奖励模型 VA-Judger。
Claude Code GitHub ReleasesAI 评分4747 Claude Code v2.1.238 发布：新增 keybindingFlavor 设置与自托管 runner 参数
Claude Code v2.1.238 新增 `keybindingFlavor` 设置，设为 `"readline"` 后 Ctrl+W 可按 Bash 方式删除至前一个空白符，默认 `"classic"` 不变。
Hugging Face Daily PapersAI 评分3434 MuseCPEval：面向音乐编辑系统的音乐上下文保持评估框架
研究者提出首个音乐上下文保持（MuseCP）评估框架 MuseCPEval，覆盖四类音乐属性并配有细粒度指标，用于衡量音乐编辑中本应保持不变的音乐特征。客观验证与人类研究证实了这些指标的有效性，对多种音乐编辑系统的案例研究显示其可作为测试平台与诊断工具。该工作已被 ISMIR 2026 接收。
Hugging Face Daily PapersAI 评分3737 RapidLiDAR：面向实时自适应的 LiDAR 场景补全
RapidLiDAR 将 LiDAR 场景补全的初始化本身变为可学习的数据驱动模块，通过自适应初始化预测每个输入点的空间变化位移，无需手动调噪声。该方法在 SemanticKITTI 和 KITTI-360 上达到与 SOTA 相当的补全性能，0.1 秒完成整场景，比此前最快方法快 2.3 倍，匹配车载 LiDAR 10 Hz 采集率。论文已被 ECCVW 2026 接收，代码已开源。
Hugging Face Daily PapersAI 评分3232 HOTFIXR：用定向合成多语言数据提升 LLM 跨语言推理能力
研究团队提出数据生成框架 HOTFIXR，通过探测学生模型的多语言薄弱点并生成定向合成训练数据来缓解语言特定能力差异。在三个分布内任务、三个分布外任务和四种分布外语言上，HOTFIXR 平均将分布内性能提升 6.2%，并将微调导致的分布外任务灾难性遗忘降低 3.7%、分布外语言性能降低 7.1%。代码将在论文被接收后发布。
Hugging Face Daily PapersAI 评分3131 SPK：为实时目标检测的可解释 OoD 检测提取结构化先验知识
研究者提出 Structured Prior Knowledge（SPK）框架，从预训练目标检测器中显式提取与 OoD 相关的先验知识，用于识别分布外物体引发的过度自信幻觉。
Hugging Face Daily PapersAI 评分5757 Bounded Agents 提出 APC 委派授权框架，AgentDojo 数据外泄率降至 0%
论文提出 Bounded Agents 委派安全框架，用 Agentic Principal Chain（APC）在模型之外对多智能体请求执行六项授权检查并限制委派范围与预算。
inclusionAI Hugging Face modelsAI 评分4444 inclusionAI 发布 ArmorOCR：基于 Qwen3-VL-8B-Instruct 的对抗性 OCR 框架
inclusionAI 发布 ArmorOCR，一个基于 Qwen3-VL-8B-Instruct 的两阶段对抗性 OCR 感知框架，可在原图上单次推理，无需推理时的视觉变换或工具辅助。
inclusionAI GitHub 新仓库AI 评分1717 inclusionAI 开源 LLaDA-Research：LLaDA 2.x 模型家族研究索引站
inclusionAI 在 GitHub 发布 LLaDA-Research，一个面向 LLaDA 2.x 模型家族的英文优先研究索引站，用 MDX 发布模型、论文与技术博客并部署为 GitHub Pages 静态站点。
Hugging Face Daily PapersAI 评分4545 SkillGate：在长程智能体中训练策略内技能选择
SkillGate 通过将 token 支持划分为两条互不重叠的信用通道——结果信用只到达执行 token，动作局部优势只到达技能命名 token——解决了长程智能体技能选择中的"选择器信用饥饿"问题。在 16 个候选技能的设定下，五个智能体基准测试中，SkillGate 将 9B 策略的试验成功率从 40.8% 提升至 53.2%，同时将误导性候选的暴露减少三分之二，并读取更少的技能。
Hugging Face Daily PapersAI 评分3737 AdaPop：面向 LLM 遗忘的自适应流行度方法
AdaPop 是一种按事实流行度自适应调整梯度压力的 LLM 遗忘方法，结合局部 token 置信度与来自 Wikidata sitelinks、LLM-as-Judge 等外部代理的流行度指数，并用双上升控制器逐 epoch 自动调节保留惩罚。在三个模型家族和两个基准上，AdaPop 在改写查询下泄漏的遗忘内容比对比方法少约 5 倍，在对抗性改写下少约 1.6 倍。
Hugging Face Daily PapersAI 评分3939 时序多信号融合实现 token 级幻觉检测
一种基于序列标注的 token 级幻觉检测方法，融合文本统计、NLI 蕴含与语言模型 surprisal 构成 33 维特征流，用 BiGRU 在 RAGTruth 上达到 0.840 AUC，比独立逻辑回归基线提升 11 个点（p = 0.002）。
Hugging Face Daily PapersAI 评分3333 用属性引导的体裁扩展将创意写作数据扩展到故事之外
研究者提出属性引导的体裁扩展框架，将主题广度与体裁形式控制分离，用人工撰写的故事提示词作创意种子、人工整理的体裁属性约束结构风格，构建出覆盖故事、说唱、歌词、剧本、游戏设计等 13 种体裁的 5 万条 Multi-Genre Collection 语料。
Hugging Face Daily PapersAI 评分5050 Co-RL：多模型协作强化学习让无监督推理能力涌现
Co-RL 提出一种协作式多智能体强化学习框架，让多个不共享参数的模型用同伴给出的奖励同时优化，在完全不用标注数据的情况下提升推理能力。该框架在七个纯文本基准上平均提升 3.0-8.6%，在四个多模态基准上提升 2.3-7.2%，可匹配或超过有监督方法。
Hugging Face Daily PapersAI 评分4141 Zetta ζ：面向自进化物理智能的高效闭环具身执行框架
Zetta 是一个闭环具身执行框架，通过三个时间尺度分离的循环在线进化基于代码的运行时 critic 与恢复技能，同时保持基础策略冻结。它在 LIBERO-Pro 和 RoboCasa 上分别达到 90.8% 和 93.6% 的成功率，推理提速 11.1 倍，并实现技能零样本迁移。配套的 Z-Infra 将智能体逻辑与异构执行资源解耦。
Hugging Face Daily PapersAI 评分5151 OmniScientist 提出全模态跨学科 AI 科学家系统
论文提出 OmniScientist，一个端到端全模态 AI 科学家系统，可直接从异构原始证据开展多学科研究。系统由感知层和构思、实验、撰写三个自主智能体组成，运行在确定性流水线中，并通过代码执行新颖性筛查、统计有效性、执行溯源和数值可追溯性检查。
Hugging Face Daily PapersAI 评分2828 JEPA 潜在世界模型的决策-度量对齐：面向 MPC 规划的诊断与动作条件目标
研究提出 Plan-Real Spearman 与 CEM-stage Spearman 两项指标，用于衡量 JEPA 式潜在世界模型中欧氏距离代价能否按真实任务进度对候选动作排序，即"决策-度量对齐"。
Hugging Face Daily PapersAI 评分3838 SemComp-Bench：视频生成中的语义任务完成基准测试
研究者提出语义任务完成视频生成任务，并构建覆盖六个领域的评估数据集 SemComp-Data 与评估协议 SemComp-Bench，后者用 VLM 回答结构化二值问题，分别报告 Outcome Achievement 的 OA Score 和 Generation Reliability 的 GR Score。
Hugging Face Daily PapersAI 评分3838 SoftVTBench：面向可变形物体操作的形变感知视触觉数据集与基准
研究者发布 SoftVTBench 视触觉数据集与闭环基准，包含 4,000 条专家演示和 50 多个资产，以 20 Hz 同步多视角 RGB、双指触觉 RGB 与标记运动、本体感知、语言及夹爪动作，并附仅评测端可见的有限元（FEM）状态。
Hugging Face Daily PapersAI 评分3333 面向单步逆合成的化学合理性感知大语言模型 C3LM 训练
研究者提出 Top-K prompting 训练与推理范式，并构建约 4560 万条已验证反应的 CREED-CCV-2+USPTO-XL 数据集，训练出化学约束一致性语言模型 C3LM。该模型结合微调与基于 ChemCensor 及新颖性导向的奖励，在 OOD URSA-expert-2026 基准上取得 SOTA。反应唯一性分析显示 LLM 与传统模型探索互补的反应空间，支持集成式逆合成系统。
Hugging Face Daily PapersAI 评分4242 语言模型血缘验证新方法：中心化残差签名（Centered Residual Signatures）
研究者提出一种无需数据的白盒血缘验证方法，仅凭权重即可判断两个兼容模型检查点是否同源。该方法在 residual-MLP 和 GPT-2 基准上以 AUROC=1.0 区分微调、LoRA 合并、剪枝、量化后代与独立及蒸馏模型，在 GPT-2 上比最接近的鲁棒基线快 76 倍。案例研究正确识别出 3 个相关和 7 个无关的 LLaMA-2 公开检查点。
Hugging Face Daily PapersAI 评分3737 SemaPLC：面向 PLC 代码生成的项目级、验证门控智能体框架
SemaPLC 是一个项目级、验证门控的智能体框架，只有在外部检查确认规格、编译与实时运行行为后才判定任务完成。在 117 个独立 POU 任务上，它在全部七个模型上取得最高严格验证通过率，平均 72.6%；在 65 个需在真实项目中编译运行的任务上，其动态行为得分 52.2，明显高于基线的 22.4 至 31.4。该框架已开源。
Hugging Face Daily PapersAI 评分4545 SPADE：在自适应合成可执行环境中的自博弈框架
SPADE 是一个自博弈强化学习框架，让单个 LLM 同时扮演环境设计者和推理智能体，环境设计者以可执行代码形式编写带 reset()/step() 接口的长时程训练环境。扩展到 30B 参数模型时，SPADE 在八个数学、科学、代码与推理基准上平均超过最强固定环境基线 +5.3，BFCL-v4 多轮提升 +5.7，ACEBench-Agent 提升 +13.9。
Hugging Face Daily PapersAI 评分3737 循环语言模型提升组合式工具调用能力
研究在 API-Bank、BFCL 和 NESTful 上评测原生与改造后的循环语言模型，发现循环计算在组合式、依赖感知的工具调用上普遍有增益，而在孤立 API 调用上提升较小且更依赖具体模型。多步工具调用准确率通常随循环深度增加而上升，自适应推理则通过按需分配算力实现更优的算力-性能权衡。
Hugging Face Daily PapersAI 评分5151 FM-Bench 基准发布：评测竞争智能体的长程管理能力
研究团队发布 FM-Bench（Football Management Benchmark），让 LLM 智能体在 20 年游戏时长内通过 26 个工具、约 340 到 400 个决策点经营一家足球俱乐部，由确定性引擎累计最终得分，不使用 LLM 裁判或人工评分。