tech

AI 每日资讯 — 2026-05-18 🔥 HuggingFace 每日论文 1. ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both Ziyu Guo, Rain Liu, Xinyan Chen 本文针对视觉推理中中间视觉状态建模的效率与泛化性难题，提出ATLAS框架：仅用一个离散的“功能词元”（functional token）统一实现代理式操作与潜在视觉推理。该词元内化视觉操作语义，无需视觉监督，可直接通过标准自回归语言模型生成。ATLAS避免了显式图像生成开销，兼容现有SFT与RL训练范式，无需架构修改。为缓解强化学习中功能词元稀疏导致的训练不稳定，进一步提出Latent-Anchored GRPO（LA-GRPO），通过静态加权辅助目标锚定功能词元，显著提升梯度稳定性与收敛性能。实验表明，ATLAS在多步视觉推理任务上兼具高效性、泛化性与训练鲁棒性。 PDF · arXiv · 项目 | ❤️ 17 2. RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO Yanzuo Lu, Ronglai Zuo, Jiankang Deng 本文提出RAVEN框架，旨在解决因果自回归视频扩散模型在长时序外推中因训练与推理历史分布不一致导致的质量退化问题。RAVEN通过将自展开轨迹重构成清洁历史端点与噪声去噪状态的交错序列，使训练注意力机制对齐推理时的外推过程，并利用下游分块损失监督历史表征。进一步，作者设计一致性模型分组相对策略优化（CM-GRPO），将一致性采样建模为条件高斯转移，并直接在其上实施在线强化学习，摒弃了传统流模型RL中依赖欧拉-丸山辅助过程的做法。实验表明，RAVEN在生成质量、语义一致性和动态保真度上全面超越现有因果视频蒸馏方法，CM-GRPO与其结合可带来进一步提升。 PDF · arXiv · 代码 · 项目 | ❤️ 8 3. Aligning Latent Geometry for Spherical Flow Matching in Image Generation Tuna Han Salih Meral, Kaan Oktay, Hidir Yesiltepe...

AI 每日资讯 — 2026-05-17 🔥 HuggingFace 每日论文 1. Warp-as-History: Generalizable Camera-Controlled Video Generation from One Training Video Yifan Wang, Tong He 本文提出Warp-as-History，一种无需训练、无需架构修改、也无需测试时优化的零样本相机控制视频生成方法。该方法将相机运动引发的像素扭曲转化为与目标帧位置对齐、并经可见性筛选的“相机扭曲伪历史”，作为视觉历史输入送入冻结的视频生成模型。通过目标帧位置编码对齐与无效令牌剔除，模型即可自然遵循任意相机轨迹。进一步地，仅需在单个带相机标注的视频上进行轻量LoRA微调，即可显著提升相机跟踪精度、画面质量与运动连贯性，并泛化至未见视频。实验在多场景下验证了其有效性与通用性。 PDF · arXiv · 代码 · 项目 | ❤️ 34 2. ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both Ziyu Guo, Rain Liu, Xinyan Chen 本文针对视觉推理中中间视觉状态建模的效率与泛化性难题，提出ATLAS框架：通过一个离散的“功能词元”（functional token）统一实现代理式操作与潜在视觉推理。该词元内嵌视觉操作语义，无需视觉监督，可直接由语言模型通过next-token预测生成，避免显式图像生成开销，并天然兼容标准监督微调（SFT）与强化学习（RL）流程。为缓解RL训练中功能词元稀疏导致的梯度不稳定问题，进一步提出Latent-Anchored GRPO（LA-GRPO），通过静态加权辅助目标锚定功能词元，显著提升训练稳定性与收敛性。实验表明，ATLAS在多步视觉推理任务上兼顾高效性、泛化性与训练可扩展性。 PDF · arXiv · 项目 | ❤️ 17 3. VGGT-Edit: Feed-forward Native 3D Scene Editing with Residual Field Prediction Kaixin Zhu, Yiwen Tang, Yifan Yang...

AI 每日资讯 — 2026-05-16 🔥 HuggingFace 每日论文 1. SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer Haoyi Zhu, Haozhe Liu, Yuyang Zhao 本文提出SANA-WM——一种高效、开源的分钟级世界模型，参数量仅2.6B，原生支持60秒高保真720p视频生成，并实现精确的6自由度相机轨迹控制。其核心创新包括：混合线性注意力机制（融合Gated DeltaNet与Softmax注意力）、双分支相机控制、两阶段生成流程及鲁棒的公域视频6-DoF姿态标注流水线。实验表明，SANA-WM仅需213K公开视频片段、64块H100 GPU训练15天，单卡即可生成60秒视频；经NVFP4量化后可在RTX 5090上34秒完成去噪。在自建分钟级基准测试中，其动作跟随精度超越现有开源模型，视觉质量媲美工业级大模型，推理效率提升36倍。 PDF · arXiv · 项目 | ❤️ 48 2. Warp-as-History: Generalizable Camera-Controlled Video Generation from One Training Video Yifan Wang, Tong He 本文提出Warp-as-History，一种无需训练、不修改模型结构、亦无需测试时优化的零样本相机控制视频生成方法。该方法将相机运动诱导的光流扭曲转化为与目标帧位置对齐、并经可见性筛选的“伪历史”视觉序列，并直接注入预训练视频生成模型的视觉历史通路。实验表明，仅凭冻结模型即可实现稳健的相机轨迹跟随；进一步在单个标注视频上进行轻量LoRA微调，即可显著提升相机一致性、画面质量与运动连贯性，并泛化至未见视频。在多场景（如潜水、飞行）中验证了其强泛化性与实用性。 PDF · arXiv · 代码 · 项目 | ❤️ 32 3. ATLAS: Agentic or Latent Visual Reasoning? One Word is Enough for Both Ziyu Guo, Rain Liu, Xinyan Chen...

AI 每日资讯 — 2026-05-15 🔥 HuggingFace 每日论文 1. MinT: Managed Infrastructure for Training and Serving Millions of LLMs Mind Lab, Song Cao, Vic Cao 本文提出MinT（MindLab Toolkit），一种面向大规模LoRA微调与在线服务的托管式基础设施系统。MinT通过保持基础模型常驻内存、仅动态加载/卸载LoRA适配器，避免全量模型合并，统一抽象分布式训练、调度、数据迁移与服务流程。其在Scale Up、Scale Down和Scale Out三方面实现扩展：支持超大规模稠密模型与MoE架构（参数量超1T）的LoRA强化学习训练与推理；LoRA适配器体积可压缩至基座模型的1%以内，显著降低传输开销（步延迟降低2.85–18.3×）；单引擎支持10⁵级策略索引，集群级支持千级并发适配器服务，MoE LoRA张量打包使热加载加速8.5–8.7×。实验验证MinT可高效管理百万级LoRA策略生命周期。 PDF · arXiv · 代码 · 项目 | ❤️ 137 2. Training Long-Context Vision-Language Models Effectively with Generalization Beyond 128K Context Zhaowei Wang, Lishu Luo, Haodong Duan 本文针对长上下文视觉语言模型（LVLMs）训练中数据配比与策略不明确的问题，系统研究了从32K扩展至128K上下文的持续预训练方法。作者发现长文档视觉问答（VQA）显著优于OCR转录任务，并通过消融实验得出三项关键结论：i) 均衡分布的序列长度比聚焦目标长度（如128K）更利于泛化；ii) 检索能力是主要瓶颈，应优先采用检索密集型数据混合；iii) 纯长文档VQA可有效保留短上下文性能。基于此，提出仅用5B token预算训练的MMProLong模型，在长文档VQA上提升7.1%，并在256K/512K超长上下文下保持强泛化能力。 PDF · arXiv | ❤️ 70 3. EVA-Bench: A New End-to-end Framework for Evaluating Voice Agents Tara Bogavelli, Gabrielle Gauthier Melançon, Katrina Stankiewicz...

AI 每日资讯 — 2026-05-14 🔥 HuggingFace 每日论文 1. SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture Haiwen Diao, Penghao Wu, Hanming Deng 本文针对当前大视觉语言模型（VLMs）中理解与生成任务长期割裂、架构碎片化、表征空间不一致等结构性瓶颈，提出SenseNova-U1——基于NEO-unify原生统一架构的多模态模型。该范式将理解与生成视为同一底层过程的协同视角，构建了两个变体：SenseNova-U1-8B-MoT（稠密架构）与SenseNova-U1-A3B-MoT（30B混合专家架构）。实验表明，二者在文本理解、视觉-语言感知、知识推理、智能体决策及空间智能等理解任务上媲美顶尖单向VLM；同时在任意模态到图像（X2I）合成、文本密集型信息图生成及交错式图文生成等生成任务中，兼具语义一致性与视觉保真度。论文还系统公开了模型设计、数据预处理、预/后训练及推理策略，推动社区研究。 PDF · arXiv · 代码 | ❤️ 115 2. AlphaGRPO: Unlocking Self-Reflective Multimodal Generation in UMMs via Decompositional Verifiable Reward Runhui Huang, Jie Wu, Rui Yang 本文提出AlphaGRPO框架，将分组相对策略优化（GRPO）引入自回归-扩散统一多模态模型（UMMs），无需冷启动即可提升多模态生成能力。其核心在于激发模型内在的高级推理能力：一是推理型文生图生成，主动推断用户隐含意图；二是自反思式精修，自主诊断并修正生成结果的语义与质量偏差。为解决真实场景中多模态生成监督信号不稳定的问题，我们设计分解式可验证奖励（DVReward）——利用大语言模型将复杂请求拆解为原子级、可验证的语义与质量子问题，并由通用多模态大模型提供可靠、可解释的反馈。在GenEval、TIIF-Bench、DPG-Bench、WISE等基准及GEdit编辑任务上，AlphaGRPO均取得显著性能提升，验证了该自反思强化学习范式能有效利用模型固有理解能力驱动高保真生成。 PDF · arXiv · 代码 · 项目 | ❤️ 25 3. CausalCine: Real-Time Autoregressive Generation for Multi-Shot Video Narratives Yihao Meng, Zichen Liu, Hao Ouyang...