跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

10月15日周四
  1. Hugging Face Daily Papers22

    Dusting the Phantom:面向动态高斯表示衰减内容的分配策略

    针对动态高斯表示中快速移动小物体易丢失、高动态区域细节难恢复的问题,研究提出 Seed Injection 与 Temporal Biased Relocation 两种策略,分别利用时序外观变化与重建误差定位欠重建区域、用时间分辨优化信号引导高斯重定位。两者在不改变底层表示、维持固定高斯预算的前提下,于多个动态场景数据集上提升了重建质量。

  2. Hugging Face Daily Papers22

    Mine, Sample, Render:生成模型的测试时多样性对齐

    研究者提出 MINE-SAMPLE-RENDER(MSR),一种测试时方法,从真实样本语料中挖掘可解释的分类模式并统计采样,再让生成模型仅作为条件渲染器输出采样配置,从而提升生成多样性。在天气报告生成、用户模拟、网页设计、文生图和智能体生成 3D 资产等任务上,MSR 改善了输出与语料分布的对齐度及多样性。

10月14日周三
  1. Hugging Face Daily Papers25

    StreamErase:面向超快流式视频擦除

    StreamErase 实现单 GPU 上亚秒级延迟、最高 26 FPS 的流式视频擦除,可实时交互地移除视频中的目标物体。该方法先将双向基础模型的擦除能力逐步迁移到高效的单向流式擦除器,并采用带 attention sinks 的滑动窗口因果注意力与 KV cache rolling,实现固定上下文窗口下的恒定速度生成。

  2. Hugging Face Daily Papers29

    WorldCast:多步世界状态预测基准,GPT-Image-2.5 得分 72.8

    研究者提出 WorldCast 基准,包含 8 个类别共 320 个手工设计案例,用于评估多步世界状态预测任务,共测试 12 个代表性模型。GPT-Image-2.5 System 得分 72.8,展现出初步的真实世界视觉状态预测能力;Nano Banana Pro 仅得 42.8,最佳开源模型得分 20.1。实验还发现,强生成模型能有效借助其底层语言模型的能力。

  3. Hugging Face Daily Papers22

    RepForcing:面向自回归视频蒸馏的表征空间初始化

    RepForcing 提出用表征空间监督替代中间教师轨迹回归,为少步自回归视频生成器学习因果初始化,复用双向模型生成的合成视频,无需额外生成因果 ODE 轨迹。在四步采样下,该方法经 DMD 后将 VBench Total 从 84.04 提升至 84.66(+0.62),VisionReward 从 6.326 提升至 10.074(+59.25%)。

  4. Hugging Face Daily Papers26

    XGEN 发布 DAO 与 JING:生成式世界模拟框架

    XGEN 团队提出生成式世界模拟框架,将可计算世界引擎 DAO 与第一人称交互体验模型 JING 结合,实现持续的人机交互。DAO 维护角色、物体与空间状态及其关系,按交互规则和世界时间推进并保留历史行为后果,再为 JING 派生观察者专属条件,生成对应的视听体验。用户可通过视角控制与文本指令探索环境、操作物体并与角色交流,其行为同时改变共享世界状态与后续体验。

  5. Hugging Face Daily Papers22

    自条件机制让 Flow Matching 实现深度序列推理

    研究发现,原生 flow matching 采样器的轨迹可由常数轮并行模型评估模拟,增加采样步数无法提升固定深度主干模型的表达能力。自条件机制(用上一步估计结果作为条件)能打破这一瓶颈:在多种视觉推理任务上,带自条件的 flow matching 准确率更高、推理深度更大,且性能随采样步数增加而提升;理论上固定深度主干可达到空间有界图灵机的表达能力。

  6. Hugging Face Daily Papers22

    交互式视频生成中的投机采样(Speculative Sampling)

    针对交互式视频生成依赖小双向分块降低延迟的问题,研究者提出 Speculative Sampling,通过将噪声 latent 作为填充扩展建模窗口,并缓存预测结果在条件不变时复用,从而兼顾大双向窗口的画质与小分块的交互低延迟。延迟分析显示该方法消除了分块边界带来的等待时间下界,使双向窗口大小成为可联合优化画质与采样时间的决策变量,无需复杂流式后训练即可在交互式流式系统中服务大双向模型。

10月13日周二
  1. 机器之心SOTA模型 · 公开公众号 RSS22

    智谱GLM-5.3-Highspeed灰度曝光,微软发布Microsoft-Decision-1决策评分模型

    智谱GLM-5.3-Highspeed在Zcode社区出现灰度反馈,部分3.15.1订阅用户随机获得该高速生成版本,普遍开放范围与API定价尚未确认。微软发布Microsoft-Decision-1,基于Qwen3.5-9B后训练,单次前向计算完成是非判断、候选选择与量表评分,已在Foundry公开预览及OpenRouter提供托管接入。

  2. Hugging Face Daily Papers12

    扩大在线最优传输小批量以提升流匹配训练稳定性

    研究者提出一种可扩展的在线熵最优传输近似方法,使流匹配训练中源样本与数据的配对批量显著增大,同时保留最优传输的收益。理论证明该方法在无正则与熵正则情形下均严格降低全随机梯度方差与积分误差,且改善随在线耦合批量增大而增强。单细胞基因插值流与图像流训练实验验证了更大在线耦合能持续提升训练稳定性和最终生成性能。

10月12日周一
  1. Hugging Face Daily Papers24

    SyncReward:面向音视频生成的人类对齐同步奖励模型

    研究团队提出 SyncReward,一个用于音视频生成同步性评估与优化的奖励模型,并发布含 80K 专业同步评分的 SyncReward-Data-80K 数据集与 1K 片段的 SyncReward-Bench 基准。该模型在评测中与人类评分一致性最高,并可通过推理时 best-of-N 选择与强化学习后训练提升生成同步性。数据、基准、模型与代码将开源。

10月11日周日
10月7日周三
10月6日周二
10月3日周六
9月18日周五
  1. GitHub:AI视频开源项目发现70

    阿里开源 SparkDiffusion:面向 Wan 2.1/2.2 的视频生成加速框架

    阿里巴巴开源 SparkDiffusion,一个面向 DiT 视频生成模型的加速框架,结合稀疏低秩注意力 RoLa、少步蒸馏 CrossDistill 与自研高性能算子,相比稠密多步基线实现 200 倍以上端到端推理加速。

    推荐理由:阿里开源 SparkDiffusion,用稀疏注意力与少步蒸馏把 Wan 2.1/2.2 推理提速 200 倍以上,并放出多档权重。

9月16日周三
  1. Epidemic Sound28

    Epidemic Sound 与牛津 VGG 合作推出音频检索框架 AuroLA,已上线音效搜索

    Epidemic Sound 与牛津大学 VGG 合作推出音频-文本检索框架 AuroLA,基于开源 Qwen2.5-Omni-7B,将多模态大模型同时用作快速检索与精排骨干,在所有测试基准上超越此前最优,训练数据量约为同类系统的 1%。该框架已投入生产,支撑 Epidemic Sound 的音效搜索,并开源了 1,297 条人工标注音效验证基准,采用 CC BY-NC-ND 4.0 许可。

1月16日周五
10月23日周三
  1. Hugging Face Blog22

    CinePile 2.0:用对抗式精炼打造更强的长视频问答数据集

    CinePile 2.0 发布,这是长视频问答数据集 CinePile 的升级版,采用新提出的对抗式精炼方法改进数据质量。初版 CinePile 于 2024 年 5 月推出,含约 30 万训练样本和 5000 测试样本,人类在该基准上比最好的商业视觉模型高 25%、比开源模型高 65%。团队同时开源了对抗式精炼方法的实现,可用于强化现有数据集。

6月20日周四
2月15日周四
  1. OpenAI News82

    OpenAI 研究:视频生成模型可作为世界模拟器

    OpenAI 探索在视频数据上大规模训练生成模型,将文本条件扩散模型联合训练于不同时长、分辨率和宽高比的视频与图像,并采用在视频和图像 latent code 的时空 patch 上运行的 transformer 架构。其最大模型 Sora 能生成一分钟高保真视频,结果表明扩展视频生成模型是构建通用物理世界模拟器的一条有前景的路径。

    推荐理由:OpenAI 首次公开 Sora 的技术路线,说明视频生成模型可扩展为物理世界模拟器。

9月8日周五
7月27日周四
  1. Hugging Face Blog62

    苹果与 Hugging Face 用 Core ML 混合位量化在 Mac 上运行 Stable Diffusion XL

    苹果与 Hugging Face 将 Stable Diffusion XL 基础模型移植到 Core ML,可在运行 macOS 14 公测版的 Apple Silicon Mac 上使用,目前采用 ORIGINAL attention 实现,refiner 阶段尚未移植。

    推荐理由:苹果与 Hugging Face 联合给出 SDXL 在 Mac 上的 Core ML 混合位量化方案,附各机型实测延迟与压缩配方。

12月15日周三
6月17日周三
4月23日周二