开场与赞助口播

主播介绍本期为2026年10月12日HuggingFace每日AI论文速递，共十五篇论文，聚焦扩散模型、多模态与具身智能体，并播出OpenClaw快报的赞助口播。

DiffusionART：扩散模型的高效稳定强化学习微调

针对扩散与流模型在线强化学习微调中反向过程信用分配弱、前向过程依赖EMA调参的问题，作者用聚合、优先奖励、倾斜、两步更新、恢复与信任掩码从构造上消除隐藏一致性力，实现无需主任务调参的稳定训练，在SD 3.5、Flux、HunyuanVideo上显著减少GPU小时。

S-Space：多模态模型内部的三维空间工作区

研究提出多模态大模型内部存在用水平、垂直、远近坐标编码物体位置的三维空间工作区，中层网络最易读取且具因果作用，修改坐标会改变左右上下判断但不影响颜色任务。模型常能形成空间表示却做不对视角变换，显式读取并旋转坐标反而优于原生回答与思维链。

Reflex：人形机器人靠机载视觉提前接住飞来的箱子

方法分三阶段：强化学习训练全身接取策略、把箱子动态压成八维浅变量、从RGB-D与相机运动历史恢复该表征。仿真视觉接取成功率85.7%，真机在2.557米对人工抛箱成功率分别为65%、40%和15%，远距离视觉、尺寸泛化与真机样本仍是限制。

SoftwareGym：合成软件环境扩展计算机使用智能体训练

针对原生应用成本高、浏览器环境交互受限的问题，作者用自动化流水线合成多样化功能可靠的GUI软件环境并生成评测任务，合成182个应用覆盖12类任务，通过率提升至91.5%；用其轨迹训练Qwen3.5-9B后OSWorld pass@3从41.39%升至56.97%。

EmbodiedCLBench：具身智能体持续学习基准

首个面向自净化具身智能体的持续学习基准，在TONIM家居环境设置268项任务（168基础+100高级组合），用状态转移图与离线协议对比零样本、上下文学习与技能学习。高级任务零样本成功率约10%，借助经验可提升到30%以上，无效动作减少13%到20%，但增加学习样本未带来稳定增益。

StereoBind：让声音随声源运动的空间对应生成

针对音视频联合生成中的动态空间对应问题，作者以运动轨迹条件化视频和立体声，构建StereoWorld 29K与StereoWorldBench。实验显示其在空间定位与立体声保真指标上领先且不牺牲视听质量，人类评估沉浸感最高4.2分，为AR/VR沉浸式生成提供新方案。

VisionWeave：把弹性视觉表征变成MLLM原生能力

让MLLM端到端学习在哪里、以什么力度分配视觉token，用门控空间池化器与力度控制在文本密集区保留细力度、背景区用粗力度。在Qwen模型上平均节省43%视觉token，保留98.9%原生性能，优于FastV、VisionZip等固定预算方案，部署吞吐提升2.3倍，首token延迟降低54.4%。

ProgramGym与Work2Skill：程序复现与技能归纳

ProgramGym让编程智能体仅凭文档和只能执行的参考程序在无源码无网络下重建程序行为，覆盖四种语言、1648个可验证环境与66万多个黑盒测试，平均覆盖率约73%，微调后测试通过率从约35%提升到56%。Work2Skill用WorkRecorder记录屏幕键鼠与无障碍树构建WorkDemo 350，把人类演示归纳为可复用技能，支持跨模型迁移。

SepGen：单模型完成多音轨音视频分离与生成

扩展预训练音视频生成器，一次采样输出视频、混合音轨以及每个有声源字幕的独立波形stem。方法冻结主干，在音频流加入stem token并用LoRA只更新这些token，生成与分离共用一套权重，仅靠音频混合噪声水平切换。在音效与语音基准上优于级联方案，人耳偏好更高，但目前仅支持两个声源。

SynSelf：用合成自蒸馏做小模型持续后训练

研究发现分布偏移是小模型持续后训练遗忘的关键，现有SDFT依赖强上下文学习，小模型难以胜任。作者提出SynSelf，用同家族稍大的aligner把示例改写成分布内数据，经拒绝采样筛出正确答案再做SFT，平均准确率56.4%，高于SFT、SDFT等，保留能力接近基座。

不更新权重，智能体能否靠改代码进化

研究用Arena的12款对抗游戏、1920份人类程序和七种模型配置，考察智能体能否靠经验与反馈修改代码来进化。Opus 5.5配合Claude Code或六枚金牌在9款游戏Elo最高或并列最高，但六个人类天梯仍未被攻破；简单规则更易登顶，密集回放、适度批量与可控对手更有效，代码修订可学习但理解与长程迭代仍有上限。

SoloQ：扩散语言模型的无校准量化

扩散语言模型推理昂贵，现有量化依赖校准且激活分布随掩码与去噪步漂移。SoloQ用Kronecker旋转把权重和激活转入分布可预测的基，推出SoloQ码本与SoloQ NVFP4两条无校准路径，并在块扩散模型中仅在提交时量化KV缓存、当前去噪块保持全精度。W4A4与低比特KV缓存下精度接近FP16，优于多种校准基线。

PolyOCR-Venus：面向文本中心视觉智能的统一OCR模型

把识别、定位、文档解析、信息抽取、理解与OCR推理统一到生成式框架，使用约六千万条数据并采用能力引导后训练。PolyOCR-9B在OCRBench v2中英文达到80.42和78.37，在CCOCR、OmniDocBench上表现突出；研究还修订了该基准，显示统一OCR模型的知识共享与泛化潜力。

RSI-Anything：用世界模型解锁递归自我改进

以JapanAnything为预测基础，让当前策略提出候选世界模型预测后果，再经验证与可靠性检查挑选值得外部反馈的样本，策略与世界模型用保留机制共同更新以防单边改进失效。在代码修复、GUI操作、实验室规划、反应优化与免疫科学中验证：代码修复隐藏测试成功率29.2%，GUI点击复选框任务从51%提升到99%。随后主播收尾并引导订阅。