
【周末特辑】11月第2周最火AI论文 | 图形智能体的设计空间;错峰去噪生成视频
11 月 8 日 · 11 分钟

⏱️ Highlights
[] 🌐 SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary Scenes(SplatAnything:面向任意场景前馈式3DGS的高斯间距归一化)
[] 🧠 P^2-MOPD: Accelerating Multi-Teacher On-Policy Distillation via Parameter Priors(P²-MOPD:通过参数先验加速多教师在策略蒸馏)
[] 🎨 LongBanana: An Expert-Verified Benchmark for Long-Context Multi-Reference Image Synthesis(LongBanana:经专家核验的长上下文多参考图像合成基准)
[] 🔍 Beneath the Surface: What We Overlook When We Talk About Agent Evolution(表象之下:谈论智能体进化时,我们忽略了什么)
[] 🎬 EvoWorld: Towards Out-of-Sight World Evolution in Generative Video Models(EvoWorld:迈向生成式视频模型中的画外世界演化)
[] ⚙️ Fast and Exact Relative-Position Attention via Structure-Aware Kernels(通过结构感知内核实现快速且精确的相对位置注意力)
[] 🎙️ Confucius4-R2T2: A Stable-Prefix Streaming ASR Model for Real Real-Time Transcription(Confucius4-R2T2:面向真正实时转写的稳定前缀流式语音识别模型)
[] 🤝 AgentBaton: Efficient Model Collaboration in Agentic Tasks(AgentBaton:智能体任务中的高效模型协作)
[] 💻 Video-Coder: Reinforcing Agentic Coding for Video Generation(Video-Coder:通过强化智能体编码实现视频生成)
[] 🧩 Exploring Weight-Space Programming: Capabilities, Generalization, and Limitations(探索权重空间编程:能力、泛化与局限)
[] 🏗️ Frontier3DBench: Benchmarking Coding Agents for 3D Creation across Objects, Scenes, and Interactive Open Worlds(Frontier3DBench:跨物体、场景与交互式开放世界的编码智能体三维创作评测)
[] 📷 PREEN: Exemplar-Based Color Style Transfer with Smartphone Editor Presets(PREEN:使用智能手机编辑器预设的示例驱动色彩风格迁移)
[] 📊 LLMs Don't Know What They Know: Benchmarking Temporal Self-Knowledge for Financial Backtesting(大语言模型不知道自己知道什么:面向金融回测的时间自知能力评测)
[] 🔧 AutoCompress: Automated Hardware-Guided Model Compression(AutoCompress:自动化硬件引导模型压缩)
[] 🧱 OmniLatent: Unified Latent for 3D Part Modeling(OmniLatent:用于三维部件建模的统一潜表示)

【关注我们】
您还可以在以下平台找到我们,获得播客内容以外更多信息
小红书: AI速递
说明里标出的时间点,点一下跳过去
AI 从整集转写里归纳的,不是节目方的宣传语
金融回测实验里模型答对76%却只有38%声称知道,自称不知道的题里仍答对61%。
智能体进化审计发现十六个优胜配置都既解决新题也丢掉旧题,净增长掩盖了退步。
镜头离开水壶后水还应该继续烧——用这个日常直觉讲清视频模型为何会把画外世界冻住。
AI 读完整集转写后给出的推荐理由
十分钟过完十五篇论文,难得的是每篇都顺手把边界摆出来:SplatAnything校准的是场景典型间距而非每个局部距离,AgentBaton省下65.9%的API费用却把本地推理按零费用计,金融回测那篇里模型答对76%却只有38%声称知道。想快速判断哪篇值得跟进,这种带条件的介绍比只报分数有用。
由 AI 从整集转写生成,是创作者说明之外的补充
十分钟内速览十五篇AI论文,覆盖三维重建(SplatAnything)、多教师蒸馏(P²-MOPD)、多参考生图基准(LongBanana)、智能体进化审计、视频世界模型(EvoWorld)、相对位置注意力加速、流式字幕、多模型接力(AgentBaton)、编码智能体生成动画(Video-Coder)、权重空间编程、三维创作基准(Frontier3DBench)、风格滑杆(PREEN)、金融回测中的模型自知、硬件感知压缩(AutoCompress)与部件级三维生成(OmniLatent)。每篇都给出关键数字,同时点明实验前提与失效边界,反复强调「能生成不等于能运行,分数提高不等于能力全面」。
点一章从那里开始播 · 与上面创作者标的时间点各自独立
开场:十五篇论文的三条主线
交代日期与本期选文范围,把十五篇论文归到搭建三维世界、让智能体协作更省、检查模型是否知道自己知道什么三条线上,并声明会同时看方法与证据边界。
SplatAnything:跨场景的三维高斯尺度校准
房间与街景尺度差异大,同一网络预测会让高斯大小与点间距不匹配。方法是用冻结几何预测器估结构,再把场景代表性高斯间距归一到统一尺度,校准的是典型间距而非每个局部距离;未见区域仍可能有空洞。
P²-MOPD:用参数先验给蒸馏装导航
把同源专家相对基础模型的参数差变成冻结方向,学生同时学权重与方向混合系数。1.7B实验能力恢复指标从80.93升到94.74,但达到目标步数不代表每步更便宜,仍有额外计算开销。
LongBanana:多参考长上下文生图基准
九十个任务平均带约三十二张参考图,拆成四千六百七十个原子检查项,难点是把人物、物件与各自约束对上。论文比较先检索再规划与修订的工作流;平均分提高不保证完整通过率,人工标注一致率不等于自动评审准确率。
智能体进化审计:总分遮住了退步
固定模型权重只改工具调用与提示,十六个进化优胜配置都既解决新题也丢掉旧题。区分「八次至少成功一次」与「八次平均表现」两种可靠性,主张细粒度审计与覆盖感知的进化。
EvoWorld:镜头离开后世界还要继续演化
把系统分为负责事件与状态演变的大脑和负责可见画面的渲染器,镜头回来时按更新后的世界状态生成画面。一百二十个案例核心事件指标90.8%,但依赖额外推理与检索,训练以合成事件为主。
相对位置注意力:不改数学形式的底层加速
利用位置关系只取决于偏移的共享结构,结合分块与在线归一化实现精确内核。H200上长语音案例实时倍率从613升到1103,显存27降到11GB,但有明确模型与硬件前提,非浮点逐位相同。
流式字幕:把已确认前缀与待修订尾部分开
只有足够稳定的文字才对外发布,训练用完整语音生成稳定前缀标签,在线只用已听到音频。用一千五百小时数据训练解码器,换来已发布文字不回跳;报告的滞后不含计算与网络时间。
AgentBaton:强模型开局、高效模型收尾的接力
强模型先实现方案并定位问题,再把同一工作区交给更高效模型收尾,避免每步来回切换。平均节省65.9%的API费用,二十二种配置中十二种准确率提升或损失小于5%;本地推理按零费用计,不等于总算力减少。
Video-Coder:先写可运行的动画草稿
编码智能体写Blender程序摆好物体与相机,灰模视频交给冻结视频生成器补成逼真画面,强化学习只训练写代码的智能体。基准分数0.61到0.67,草稿执行成功不等于物理真实,复杂场景中错误草稿会限制最终生成。
权重空间编程:不靠梯度改参数的一次实验
让智能体直接编写修改模型参数的程序,再用评测反馈搜索。0.8B模型某条轨迹改动一千零二十三个BF16数值,MATH-500从8.35到37.8,但只是十六条轨迹之一,六条保留原模型,无梯度不等于无训练成本。
Frontier3DBench:从物体测到可交互世界
要求提交可执行工程而非截图,一百四十五个任务同时看外观、结构与运行行为。十一种配置局部机制平均83.08分,运动净空仅20.82、状态工作流30.26,能触发不代表门能打开,评测不能把系统差异全算成模型差异。
PREEN:把风格变成二十九个可编辑滑杆
从风格迁移教师恢复伪预设,再经可微编辑器图像损失适配,用户可用强度旋钮改色度并保持明暗。评测中鲜艳版更像参考、默认版更讨喜,说明像不像与好不好看并非同一目标;二十九维空间无法复制任意局部修图。
金融回测:模型答对不等于它声称知道
用两千二百二十六条有日期的美国金融事实同时问答案与「知道还是猜测」。GPT-5答对76%却只有38%声称知道,自称不知道的题里仍答对61%;要求假装回到历史日期主要改变知识声明。不能只靠模型说不知道就认证无未来信息泄露。
AutoCompress:把部署成本放进架构搜索
主张压缩不能只看参数量,层宽与深度不同则部署成本不同。在目标硬件与服务引擎里测延迟、吞吐与显存预算,允许每层不同容量再蒸馏恢复;三个部署目标上八项平均提高6.57、2.35、0.57个百分点,代价是逐硬件校准。
OmniLatent与收尾:部件结构从生成时就带上
把几何形变、外观与部件编号放进同一潜空间并在同一表面解码,避免先生成再分割的错位;带二维掩码引导分割达74.18 mIoU,不能称纯单图无掩码,对称不一致与背面错误仍未解决。结尾总结能生成不等于能运行,并提示小红书账号。

【周末特辑】11月第2周最火AI论文 | 图形智能体的设计空间;错峰去噪生成视频
11 月 8 日 · 11 分钟

2026.11.06 | 视觉规划整块解码;借兄弟框架练智能体
11 月 7 日 · 9 分钟

【月末特辑】10月最火AI论文 | 把经验变成预见;让音画同步生成
11 月 7 日 · 13 分钟

2026.11.05 | 动作读取视觉层级;分钟级游戏世界数据
11 月 6 日 · 11 分钟

HuggingFace 每日AI论文速递 · 11 月 10 日 · 11 分钟
⏱️ Highlights
[] 🌐 SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary Scenes(SplatAnything:面向任意场景前馈式3DGS的高斯间距归一化)
[] 🧠 P^2-MOPD: Accelerating Multi-Teacher On-Policy Distillation via Parameter Priors(P²-MOPD:通过参数先验加速多教师在策略蒸馏)
[] 🎨 LongBanana: An Expert-Verified Benchmark for Long-Context Multi-Reference Image Synthesis(LongBanana:经专家核验的长上下文多参考图像合成基准)
[] 🔍 Beneath the Surface: What We Overlook When We Talk About Agent Evolution(表象之下:谈论智能体进化时,我们忽略了什么)
[] 🎬 EvoWorld: Towards Out-of-Sight World Evolution in Generative Video Models(EvoWorld:迈向生成式视频模型中的画外世界演化)
[] ⚙️ Fast and Exact Relative-Position Attention via Structure-Aware Kernels(通过结构感知内核实现快速且精确的相对位置注意力)
[] 🎙️ Confucius4-R2T2: A Stable-Prefix Streaming ASR Model for Real Real-Time Transcription(Confucius4-R2T2:面向真正实时转写的稳定前缀流式语音识别模型)
[] 🤝 AgentBaton: Efficient Model Collaboration in Agentic Tasks(AgentBaton:智能体任务中的高效模型协作)
[] 💻 Video-Coder: Reinforcing Agentic Coding for Video Generation(Video-Coder:通过强化智能体编码实现视频生成)
[] 🧩 Exploring Weight-Space Programming: Capabilities, Generalization, and Limitations(探索权重空间编程:能力、泛化与局限)
[] 🏗️ Frontier3DBench: Benchmarking Coding Agents for 3D Creation across Objects, Scenes, and Interactive Open Worlds(Frontier3DBench:跨物体、场景与交互式开放世界的编码智能体三维创作评测)
[] 📷 PREEN: Exemplar-Based Color Style Transfer with Smartphone Editor Presets(PREEN:使用智能手机编辑器预设的示例驱动色彩风格迁移)
[] 📊 LLMs Don't Know What They Know: Benchmarking Temporal Self-Knowledge for Financial Backtesting(大语言模型不知道自己知道什么:面向金融回测的时间自知能力评测)
[] 🔧 AutoCompress: Automated Hardware-Guided Model Compression(AutoCompress:自动化硬件引导模型压缩)
[] 🧱 OmniLatent: Unified Latent for 3D Part Modeling(OmniLatent:用于三维部件建模的统一潜表示)

【关注我们】
您还可以在以下平台找到我们,获得播客内容以外更多信息
小红书: AI速递
说明里标出的时间点,点一下跳过去
AI 从整集转写里归纳的,不是节目方的宣传语
金融回测实验里模型答对76%却只有38%声称知道,自称不知道的题里仍答对61%。
智能体进化审计发现十六个优胜配置都既解决新题也丢掉旧题,净增长掩盖了退步。
镜头离开水壶后水还应该继续烧——用这个日常直觉讲清视频模型为何会把画外世界冻住。
AI 读完整集转写后给出的推荐理由
十分钟过完十五篇论文,难得的是每篇都顺手把边界摆出来:SplatAnything校准的是场景典型间距而非每个局部距离,AgentBaton省下65.9%的API费用却把本地推理按零费用计,金融回测那篇里模型答对76%却只有38%声称知道。想快速判断哪篇值得跟进,这种带条件的介绍比只报分数有用。
由 AI 从整集转写生成,是创作者说明之外的补充
十分钟内速览十五篇AI论文,覆盖三维重建(SplatAnything)、多教师蒸馏(P²-MOPD)、多参考生图基准(LongBanana)、智能体进化审计、视频世界模型(EvoWorld)、相对位置注意力加速、流式字幕、多模型接力(AgentBaton)、编码智能体生成动画(Video-Coder)、权重空间编程、三维创作基准(Frontier3DBench)、风格滑杆(PREEN)、金融回测中的模型自知、硬件感知压缩(AutoCompress)与部件级三维生成(OmniLatent)。每篇都给出关键数字,同时点明实验前提与失效边界,反复强调「能生成不等于能运行,分数提高不等于能力全面」。
点一章从那里开始播 · 与创作者标的时间点各自独立
开场:十五篇论文的三条主线
SplatAnything:跨场景的三维高斯尺度校准
P²-MOPD:用参数先验给蒸馏装导航
LongBanana:多参考长上下文生图基准
智能体进化审计:总分遮住了退步
EvoWorld:镜头离开后世界还要继续演化
相对位置注意力:不改数学形式的底层加速
流式字幕:把已确认前缀与待修订尾部分开
AgentBaton:强模型开局、高效模型收尾的接力
Video-Coder:先写可运行的动画草稿
权重空间编程:不靠梯度改参数的一次实验
Frontier3DBench:从物体测到可交互世界
PREEN:把风格变成二十九个可编辑滑杆
金融回测:模型答对不等于它声称知道
AutoCompress:把部署成本放进架构搜索
OmniLatent与收尾:部件结构从生成时就带上
节目里自然聊到的,不是广告

面向中文AI从业者与爱好者的每日AI论文速递,工作日高密度速览前沿论文,月末以月度热门论文特辑补充,形成每日速递加月末特…
已收录 739 期 · 最近更新 11 月 10 日
AI 对内容的推测
☕🧄 这个比喻出自 2009 年周立波的一句「喝咖啡的怎么能和吃大蒜的呆在一起呢」;郭德纲后来在《你要高雅》里回了一句「雅和俗分不开,喝着咖啡就着大蒜,秋水共长天一色」。我们借它标注风格取向 —— 两端没有高下,编辑部式与熟人局式都能做出极好的节目。
https://feed.xyzfm.space/7jtt3j3lbbra复制概要、章节、提及与推广标注由 AI 生成,可能有误;内容版权归创作者,声湃按创作者开放的 RSS 收录。了解收录与 RSS →

【周末特辑】11月第2周最火AI论文 | 图形智能体的设计空间;错峰去噪生成视频
11 月 8 日 · 11 分钟

2026.11.06 | 视觉规划整块解码;借兄弟框架练智能体
11 月 7 日 · 9 分钟

【月末特辑】10月最火AI论文 | 把经验变成预见;让音画同步生成
11 月 7 日 · 13 分钟