全部 AI 动态

InSight-doc 提出将视觉分辨率作为自适应推理时资源的智能体框架，从低分辨率出发选择性放大高分辨率区域，无需外部检索器。通过 17.9K SFT 示例与 19.2K 强化学习样本训练，InSight-doc-8B 在文档 VQA 基准上提升 4.3–16.4 个准确率点，长文档场景下幻觉降低超 40%，推理延迟减少 41%–68%。代码、数据集与模型均已开源。

针对现有编码基准快速饱和及评测质量问题，研究团队推出 SWE-Bench ProMax，一个包含 170 个实例、覆盖七种编程语言（Python、Java、TypeScript、Go、C、C++、Rust）的多语言代码重构基准。

FocusMem 提出一种分解式潜在记忆接口，用角色感知的内容基元让情景记忆保留可复用经验、工作记忆保留任务进度，并以状态条件读取生成决策特定视图、轻量信任门抑制无关记忆块，全程冻结 GUI 策略。

像素空间扩散模型无需重新训练主干，即可利用中间层与最终层预测差异进行自引导采样。研究者提出的Synthetic Self-Guidance（SSG）仅用模型生成样本训练轻量适配器，训练算力不足全模型训练的1%，在ImageNet上使JiT变体FID降低超50，并将JiT-H/16从1.86提升至1.67、PixelREPA-H/16从1.81提升至1.59。

ExtractBench 发布，成为首个同时评估值准确率、记录完整性、来源可追溯性与成本的模式引导抽取基准。其评测集涵盖 370 份企业文档、4,869 页、8 个业务领域和 67 种文档类型。商业 VLM 在短文档上表现良好但长文档易截断记录，LlamaExtract Agentic Plus 在全部三项指标上排名第一，准确率接近编码智能体且成本远低。

MindForge 是一种自动化管道，将开源命令行程序转换为仅暴露编译后可执行文件的无源码环境，用于生成全生命周期软件开发训练数据。使用 GLM-5.2 作为教师智能体收集轨迹，微调 Qwen3.6-27B 后，其在 ProgramBench 上的平均测试通过率从 37.98% 提升至 49.51%，并在全部 7 个未见过的软件工程基准上持续提升。

研究者构建了一个可复现流水线，将CVE漏洞描述自动映射到MITRE ATT&CK技术，基于专家标注金标集训练的多标签分类器在recall@5上比零样本基线提升约一倍。但LLM辅助标签扩展实验表明，与专家一致性仅0.39的LLM标签在任何规模下均无法带来可靠提升，添加1000个CVE时反而降低了罕见技术覆盖率。所有数据集、模型和代码已开源。

北京电影学院与华景数字传媒联合推出FilmBench，一个基于电影语言专业标准的文生视频（T2V）与参考视频（R2V）评测基准。其提示词源自20种电影类型的获奖影片片段，评估体系包含3个主轴、12个组件和35项（T2V）+3项（R2V）子指标。在9个T2V和7个R2V模型上的测试显示，模型得分远低于现有网络风格基准，且存在动态美学与多镜头场景下的显著性能差距。

Meshy AI 推出 Meshy T2，一种基于流匹配的网格生成框架，直接面向图像到网格任务，以交互速度生成紧凑、可直接使用的网格。它采用近乎无损的顶点集网格表示（扩展自 SpaceMesh），联合生成顶点和边，使多部件资产自然分解为连通组件，并支持可控面数预算。相比隐式场提取和序列建模方法，Meshy T2 避免了网格过密、局部采样错误传播等问题。

一项研究为冻结的12B模型附加持续增长的已验证解决方案记忆库，在180个新实例上以零生成token实现180/180满分，输出比特精确且确定性一致。该记忆库可在单张46 GB GPU上提供600万token可移动上下文窗口，远超vLLM的30,399 token和SGLang的32,000 token限制。

研究团队发布 IndicTalk，一个包含超过 13,28,604 轮多轮对话的多语言印地语代码混合语料库，覆盖 9 种印度语言的 18 种语言变体。该语料库通过自动化流程生成，结合真实新闻事件、基于多语言 LLM 的角色对话生成与自动质量验证。

韩国江原大学团队提出 ARI（Archive Restoration Intelligence），一种结合大语言模型隐式知识与检索增强生成（RAG）显式外部知识的框架，用于修复历史文档中因物理损坏而缺失的字符。在韩国历史文档上的实验表明，ARI 在恢复通用字符和命名实体上均显著优于基线模型，专家评估确认其可作为领域专家的实用工具。模型与代码已开源。

VideoChat3 是一个完全开源的视频多模态大模型（MLLM），专为高效和通用视频理解设计。它引入 Inflated 3D Vision Transformer (I3D-ViT) 和自适应帧率流式视频感知技术，降低训练与推理成本，并构建了覆盖通用、长视频和流式场景的三个高质量数据集。仅 4B 参数，VideoChat3 在多项基准测试中超越同等或更大参数量的开源模型。

OvisOCR2 是一款 0.8B 参数的端到端文档解析模型，能将文档页面图像直接转换为 Markdown 格式。在 OmniDocBench v1.6 上，它以 96.58 的总体得分达到 SOTA，首次让端到端模型在该榜单登顶；在 PureDocBench 上同样取得最高 Avg3 分数 75.06。模型已开源。

视频生成模型提供了一种不同于链式思维（CoT）的推理路径——链式帧（CoF）推理，即通过时间上连续的帧展开推理过程。然而现有视频生成器缺乏针对CoF推理的多样化监督与专用设计。为此，OpenCoF框架被提出，包含覆盖11个任务族的推理视频数据集OpenCoF-17K，以及基于Wan2.2-I2V-A14B微调的视频模型Wan-CoF。在四个视频推理基准上，Wan-CoF相比基线取得显著提升。进一步，研究为模型配备视觉与文本推理token，分别捕捉低层视觉线索与高层语义先验以支持空间和时间推理。实验表明，更强的视频推理需要广泛的时间监督和显式的中间推理状态组织机制。数据集、模型与代码已开源。

InternVLA-A1.5 将机器人策略构建在原生 VLM 骨干上，持续训练 VQA 和子任务预测，并附加轻量级统一专家生成连续动作。未来预测被重构为潜在查询，通过可学习预知 token 在冻结视频生成模型监督下将任务相关未来压缩为紧凑潜在代码；推理时丢弃视频分支以保持实时控制。模型在 1.2M 机器人片段和 3M 多模态样本上预训练，在全部 6 个仿真基准上取得最佳整体结果。真实世界中保留的语义提供最强组合泛化，两个设计共同支持长序列执行。

VLA模型失败主因是行动评估而非生成（pass@1 33%→pass@32 92%）。提出SVA框架：先用蒙特卡洛树搜索在仿真中探索输出分布并收集轨迹，蒸馏为轻量Q值模型；部署时冻结VLA提出多个候选，评估器选不确定性正则化后最高Q值的动作。实验显示SVA持续提升未见过任务泛化，且9B VLA以低27%推理延迟超越27B VLA 7个点，表明扩展测试时评估比模型规模更划算。

现代一步扩散模型依赖分布时序蒸馏，但要求教师与学生共享相同潜在空间。本文提出跨空间蒸馏（Cross-Space Distillation），解决教师（如SD 3.5、Flux）与学生（如SD 1.5）在潜在分辨率与VAE参数化不匹配时的蒸馏问题。方法引入轻量接口Bridge，通过冻结学生VAE解码器与可学习投影器，结合潜在重建与注意力保真度目标，将学生潜在映射到教师空间。在SD 1.5上，HPSv3从5.4提升至9.4，保持一步推理、低延迟与广泛生态兼容性。