tech

AI 每日资讯 — 2026-06-19 🔥 HuggingFace 每日论文 1. Beyond the Current Observation: Evaluating Multimodal Large Language Models in Controllable Non-Markov Games Shengyuan Ding, Xilin Wei, Xinyu Fang 本文针对多模态大语言模型（MLLMs）在非马尔可夫博弈中持续重建与利用历史观测能力不足的问题，提出RNG-Bench基准——首个专门评估模型在交互过程中动态重构不可见历史观测并据此决策的评测框架。该基准包含Matching Pairs与3D Maze两类互补游戏，通过网格规模、视觉模式和模态组合三轴可控调节难度，并引入头对头对抗协议与Memory Gap指标，解耦遗忘误差与动作选择误差。实验表明，当前前沿MLLMs在最难题型（单轮约128K token、350张图像）下性能远未饱和，且主要瓶颈在于历史信息遗忘而非策略缺陷；基于最优策略轨迹与筛选后模型演示的微调显著提升RNG-Bench表现，并具备跨任务迁移能力。 PDF · arXiv · 代码 · 项目 | ❤️ 36 2. Native Active Perception as Reasoning for Omni-Modal Understanding Zhenghao Xing, Ruiyang Xu, Yuxuan Wang 本文针对长视频理解中被动模型计算成本随视频长度线性增长的问题，提出OmniAgent——首个基于POMDP建模的原生全模态主动感知智能体。其通过“观测-思考-行动”迭代循环，按需选择性提取音视频线索并沉淀为持久化文本记忆，实现推理复杂度与原始视频时长的解耦。方法上，提出两阶段训练范式：（1）基于最优-N轨迹合成与双阶段质量控制的智能体监督微调；（2）引入TAURA机制的智能体强化学习，利用回合级熵自适应重标定优势函数以精准归因关键发现回合。实验表明，OmniAgent在VideoMME、LVBench等10个基准上达到开源模型SOTA，其中7B版本在LVBench上以50.5%准确率超越Qwen2.5-VL-72B（47.3%），且呈现正向测试时扩展性。 PDF · arXiv · 代码 | ❤️ 10 3. STARE: Surprisal-Guided Token-Level Advantage Reweighting for Policy Entropy Stability Haipeng Luo, Qingfeng Sun, Songli Wu...

AI 每日资讯 — 2026-06-18 🔥 HuggingFace 每日论文 1. Zone of Proximal Policy Optimization: Teacher in Prompts, Not Gradients Byung-Kwan Lee, Ximing Lu, Shizhe Diao 本文提出Zone of Proximal Policy Optimization（ZPPO），旨在解决小规模学生模型在知识蒸馏与强化学习中泛化性差的问题。ZPPO受维果茨基“最近发展区”理论启发，将教师信号嵌入提示而非梯度：针对困难问题，构造两类提示——二元候选问题（BCQ）引导学生判别师生响应，负向候选问题（NCQ）聚合其错误轨迹以暴露共性缺陷；并借助提示回放缓冲区动态维持问题于学生当前能力边界内，直至其准确率达50%或被置换。在Qwen3.5系列（0.8B–9B）上的实验表明，ZPPO显著提升推理鲁棒性与跨任务泛化能力，尤其在低资源学生模型上优势突出。 PDF · arXiv · 项目 | ❤️ 38 2. Learning from the Self-future: On-policy Self-distillation for dLLMs Yifu Luo, Zeyu Chen, Haoyu Wang 本文针对扩散型大语言模型（dLLMs）的后训练难题，提出首个面向dLLMs的在线策略自蒸馏框架d-OPSD。为适配dLLMs的任意序生成特性，该方法摒弃传统自回归式前缀条件建模，转而以模型自身生成的答案作为后缀条件构建“自未来”教师信号，并将监督粒度从词元级提升至去噪步级，与dLLMs的迭代优化过程对齐。在四个推理基准上的实验表明，d-OPSD显著优于RLVR和SFT基线，样本效率提升显著，仅需RLVR约10%的优化步数，为dLLM高效后训练提供了新范式。 PDF · arXiv · 代码 | ❤️ 23 3. EgoCS-400K: An Egocentric Gameplay Dataset for World Models Rongjin Guo, Dong Liang, Yuhao Liu...

AI 每日资讯 — 2026-06-17 🔥 HuggingFace 每日论文 1. Geometric Action Model for Robot Policy Learning Jisang Han, Seonghu Jeon, Jaewoo Jung 本文提出几何动作模型（GAM），旨在解决现有视觉-语言-动作模型在接触式操作中缺乏显式3D几何建模能力的问题。GAM通过将预训练的几何基础模型（GFM）在中间层拆分，复用其浅层作为观测编码器，并在拆分处插入因果未来预测器，以语言、本体感知和动作历史为条件预测未来潜在表征；随后利用深层GFM进行特征传播与动作解码。该设计以极小架构改动赋予GFM语言驱动的时序世界建模能力，同时保留其丰富的几何先验。实验表明，GAM在仿真与真实机器人操纵任务中，相较现有大模型基线更具准确性、鲁棒性、速度与轻量化优势。 PDF · arXiv · 代码 · 项目 | ❤️ 84 2. BRDFusion: Physics Meets Generation for Urban Scene Inverse Rendering Yi-Ruei Liu, Jie-Ying Lee, Zheng-Hui Huang 本文提出BRDFusion，一种融合物理建模与生成先验的统一框架，用于城市场景视频的逆向渲染。该方法通过显式物理建模恢复一致、可解释的场景属性（如BRDF、几何与光照），并利用生成先验缓解优化歧义；前向渲染中，物理模型保障可控性，生成模型负责去噪与修复伪影。在真实与合成数据集上，BRDFusion显著优于现有方法，生成高质量、高保真视频，并支持新颖视角重打光、夜间模拟及动态物体插入/编辑等应用。 PDF · arXiv · 代码 · 项目 | ❤️ 22 3. Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation Jie Zhang, Xiaoyue Chen, Anzhe Chen...

AI 每日资讯 — 2026-06-16 🔥 HuggingFace 每日论文 1. OmniVideo-100K: A Dataset for Audio-Visual Reasoning through Structured Scripts and Evidence Chains Xinyue Cai, Chaoyou Fu, Yi-Fan Zhang 本文针对现有音视频问答（AVQA）方法中音画模态解耦、跨片段指代不一致及缺乏长时序与深度跨模态推理能力等关键问题，提出一种新型自动化数据构建引擎。该引擎包含两大核心机制：（1）实体锚定视频脚本化，将视频转化为含全局实体列表、摘要及分段音视频联合描述的结构化脚本，保障跨片段一致性并重建音画关联；（2）线索引导式问答生成，先从脚本中挖掘跨片段、多模态高价值线索，再据此生成问答对。基于此，构建了指令微调数据集OmniVideo-100K及人工验证测试集OmniVideo-Test。在该数据集上微调VITA-1.5、Qwen2.5-Omni-7B与Qwen3-Omni-30B模型，在OmniVideo-Test上最高提升达20.59%。 PDF · arXiv · 代码 · 项目 | ❤️ 21 2. RepFusion: Leveraging Multimodal Priors for Denoising in Representation Space Xichen Pan, Aashu Singh, Satya Narayan Shukla 本文提出RepFusion，一种在表征空间中利用多模态大语言模型（MLLM）先验进行去噪的新范式。针对现有文本到图像（T2I）系统中LLM仅用于文本编码、而视觉去噪依赖新训练生成主干的局限，RepFusion借助表征自编码器（RAE）构建语义结构化的视觉隐空间，并将预训练MLLM直接用作含噪视觉表征的编码器——通过扩展其MLP投影器以适配噪声输入，输出作为扩散Transformer的条件信号。实验表明，在相近推理开销下，RepFusion显著优于同等容量的新初始化去噪器基线，验证了MLLM在表征级去噪中的强先验能力，以及在测试时重复调用MLLM进行动态条件建模的有效性。 PDF · arXiv · 项目 | ❤️ 7 3. ClinHallu: A Benchmark for Diagnosing Stage-Wise Hallucinations in Medical MLLM Reasoning Sicheng Yang, Hangjie Yuan, Wenjun Zhang...

AI 每日资讯 — 2026-06-15 🔥 HuggingFace 每日论文 1. EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments Jundong Xu, Qingchuan Li, Jiaying Wu 本文针对现有大语言模型（LLM）智能体在动态环境中适应能力不足的问题，提出EvoArena基准套件，首次系统建模终端、软件与社会偏好三类环境的渐进式演化过程；并设计EvoMem记忆范式，以补丁化方式结构化记录记忆演化历史，支持智能体基于记忆变化推理环境演进。实验表明，当前主流智能体在EvoArena上平均准确率仅39.6%，而EvoMem带来1.5%的整体性能提升，并在GAIA和LoCoMo等标准基准上分别提升6.1%与4.8%；其链式任务准确率亦提高3.7%。机制分析证实EvoMem显著增强环境状态证据的捕获与保持能力。 PDF · arXiv · 代码 · 项目 | ❤️ 123 2. SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning Seokju Cho, Ryo Hachiuma, Abhishek Badki Spatial reasoning—understanding object positions, relations, and motion in 3D/4D space—remains a core challenge for vision-language models (VLMs). Existing tool-augmented agents are constrained by rigid action interfaces: either single-pass code generation or inflexible structured tool calls....