
2026.11.20 | 诊断机器人思行断点;声音画面联合理解
11 月 21 日 · 10 分钟

⏱️ Highlights
[] 🧩 TeleChat to Xing4: Advancing Frontier Agentic Models on Domestic Chips and Frameworks(从TeleChat到Xing4:在国产芯片与框架上推进前沿智能体模型)
[] ⚙️ AscendGYM: A Cost-Aware Kernel Optimization Benchmark for Real-World Workloads on Ascend NPUs(AscendGYM:面向昇腾NPU真实负载的成本感知内核优化基准)
[] 📝 Weight-Space Programming Doesn't Need Transformers(权重空间编程不需要Transformer)
[] 🦾 ForceHarness: Turning Force into Action and Physics for Frozen Frontier Models(ForceHarness:为冻结的前沿模型把力转化为动作与物理信息)
[] 🩺 Breath-Dx: A Time Series Classification Benchmark for Disease Screening with eNose(Breath-Dx:使用电子鼻进行疾病筛查的时间序列分类基准)
[] 🌿 Multi-Branch Transformer(多分支Transformer)
[] 🧠 Self-Improvement Memory Enables Continual Recursive Self-Improvement(自我改进记忆使持续递归自我改进成为可能)
[] 🎯 TCP4D: A Unified Tool-Center-Point Tracking and Generation Model for Robot Manipulation(TCP4D:面向机器人操作的统一工具中心点跟踪与生成模型)
[] 🎬 FastFrames: Video Generation at Interactive Latency(FastFrames:实现交互级延迟的视频生成)
[] 🔍 VideoNexus: Video Perception Beyond the Reasoning Context(VideoNexus:超越推理上下文的视频感知)
[] 🤝 Heave-Ho: Decentralized Long-Horizon Multi-Humanoid Collaboration(Heave-Ho:去中心化的长时程多人形机器人协作)
[] 🗜️ FMT: Lossless Image Compression in a Fixed Number of Parallel Steps(FMT:以固定数量并行步骤实现无损图像压缩)
[] 🏥 MedJev: A System One Vision-Language Decision Model for Fast and Effective Medical Image Understanding(MedJev:用于快速有效医学图像理解的系统一视觉语言决策模型)
[] 🖼️ MPEG-Diffusion: Mixed-Resolution Video Generation(MPEG-Diffusion:混合分辨率视频生成)
[] 🔄 Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns(智能体同策略蒸馏会隐式重塑大语言模型的ReAct模式)

【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
电子鼻按采集周而非随机切分后,肺癌任务 AUC 从 0.812 降到 0.746,评测方式直接改变结论。
机械臂没有腕力传感器,只靠关节力矩估计接触力,六项任务从 2/60 提升到 54/60。
客服任务里学生没等用户回复就调用查询工具,这个失败例子把蒸馏带来的行动习惯退化讲得很具体。
AI 读完整集转写后给出的推荐理由
十一分钟过完十五篇论文,每篇都给出可核对的数字:2850 亿参数模型在 8192 张昇腾 910C 上预训练,机械臂靠关节力矩估计把六项任务从 2/60 提到 54/60,电子鼻按采集周切分后 AUC 从 0.812 掉到 0.746。最难得的是每篇都补一句作者自陈的局限,比如视频生成三十六毫秒不是批量帧率、医学影像模型不能代替临床判断。
由 AI 从整集转写生成,是创作者说明之外的补充
本期速递十五篇 2026 年 11 月 18 日的 AI 论文,主线是「让智能真正跑起来,往往要重新设计模型周围的系统」。内容涵盖国产芯片与框架协同设计(TeleChat 到 Xing4,2850 亿参数在 8192 张昇腾 910C 上预训练)、智能体优化昇腾内核的成本度量(AscendGYM,十七个内核中约七成加速低于 1.2 倍)、权重空间编程、力觉接口(ForceHarness,六项任务从 2/60 提升到 54/60)、电子鼻评测的时间切分(AUC 从 0.812 降到 0.746)、多分支 Transformer 与联合 KV、智能体自我改进记忆、机器人视频动作恢复、视频生成低延迟、多智能体视频推理、人形机器人声音协作搬运、无损图像压缩、医学影像候选评分、区域化扩散加速,以及同策略蒸馏带来的行动习惯退化。每篇都附有作者自陈的局限与未验证部分。
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:十五篇论文与当日主线
交代日期与选题范围,点出当天主线是让智能跑起来往往要重新设计模型周围的系统,并预告国产芯片训练、力觉机器人与更快视频生成三条线索。
TeleChat 到 Xing4:国产栈上的协同设计
介绍模型结构、通信、内存与后训练的协同设计,小粒度通信留在超节点、跨节点只做粗梯度同步,2850 亿参数在 8192 张昇腾 910C 上预训练。提醒开源 290 亿成员是另一配置,部分加速数据来自仿真。
AscendGYM:内核优化也要算成本
智能体在真实负载形状与数据类型下优化昇腾内核,候选代码先过正确性检查再测速度。新指标 STS 奖励更早改进、失败尝试也计成本;四十八个内核中实测十七个,约七成组合加速低于 1.2 倍。
权重空间编程:不一定要 Transformer
让大模型直接编写目标模型权重而非梯度训练,十个标注例子下写作者倾向造稀疏事实表以便追踪与局部修改。改直接寻址后 GPU 速度改善,但最强结果仅 54.4%,不足以宣布 Transformer 过时。
ForceHarness:把力变成可调用的技能
冻结大模型接上力觉接口,接触事件时停止上层,收到的是质量、摩擦、推进距离等物理量。无腕力传感器靠关节力矩估计,六项任务从 2/60 提升到 54/60,但有安全限制与急停看护,调用仍需数秒。
Breath-Dx:电子鼻评测要更诚实
1234 人、九个诊断组按采集周分离训练测试。肺癌任务随机切分 AUC 0.812、时间切分降到 0.746,年龄等人口信息也有预测力。属筛查研究基准,非临床诊断产品。
多分支 Transformer 与联合 KV
把中间完整模块改成并行分支、前后共享处理再融合,联合 KV 让同深度分支共享缓存各自保留查询。八亿到二十一亿参数受控训练中建模质量改善,单张 H200 解码吞吐最高提升 51.4%,但长上下文只测了速度。
自我改进记忆:记住修改的理由
SIM 记住的是智能体外部执行框架的改动理由与效果,换数据或模型时把代码和修改日志一起带走。十个编码员配对续跑中九对更好、平均多 2.36 分,但多数领域只有单次运行,支持的是有限条件下的持续改进。
TCP4D:从视频恢复机器人动作
先恢复末端位置、朝向与夹爪状态,再沿轨迹提取局部特征预测动作,恢复的动作可重定向到另一种机器人扩充演示。RoboTwin 干净环境成功率 69.19%,随机化后仅 10.94%。
FastFrames 与 VideoNexus:视频的延迟与证据
FastFrames 指出等待时间多在像素解码与缓存更新,换轻量像素头后十三亿模型在单张 B200 达三十六毫秒响应。VideoNexus 让规划器决定看哪段、感知子智能体只回传带时间定位的证据,LVBench 达 88.6% 但领先未达统计显著。
Heave-Ho:靠声音同步的机器人搬运
领队看图选技能并喊出指令,其他机器人本地识别、在共同时间槽开始动作,每台只用局部观测。共享残差策略学会通过物体分担负载,两台训练扩展到十台模拟;无网络消息但有声音通信,安静环境与可靠收音是前提。
FMT:把图像解码变成一棵树
从粗到细补像素,每步只依赖之前步骤因而可并行,分到多条解码通道并跨步骤保留状态。神经版本最多七十二个串行步骤不随尺寸增加,但大图每步更重;A100 上明显更快,代价是每图适配与内存占用,目前主要验证八位照片。
MedJev:医学影像只需选一个候选
保留完整视觉输入、缩短语言网络,用查询键匹配加小型残差头一次前向给所有候选评分。四个基准平均准确率从 61.13% 升到 69.06%,三张 H20 端到端延迟约缩为六分之一,但收益不能只归因于少解码,也不能代替临床判断。
MPEG-Diffusion:把算力花在重要区域
先低分辨率生成再由模型挑选主体区域提高精度,用映射补齐不同分辨率的键值、在潜空间融合后统一解码以减少接缝。一百四十亿版本在单张 B200、处理约三成全分辨率 token 下去噪加速 4.8 倍,但需微调、背景可能模糊。
同策略蒸馏会改变行动习惯
学生在家居任务后于客服任务中没等用户回复就调用查询工具,可能学到先行动再观察。作者用教师训练前后偏好变化筛选蒸馏位置,保留最高 95% 位置缓解跨域退化但牺牲部分原任务成绩,结论是准确率之外还要检查等待与信息依赖。
收尾:好模型还需要合适的执行方式
总结当天十五篇论文的共同提醒——芯片、通信、机器人、视频与接口都说明好模型还需要合适的执行方式,并提示双语提名与章节时间在 shownote,引导关注小红书与播客。

2026.11.20 | 诊断机器人思行断点;声音画面联合理解
11 月 21 日 · 10 分钟

2026.11.19 | 并行决策生成图像;双路径适配天气预测
11 月 20 日 · 10 分钟

11 月 18 日 · 11 分钟

2026.11.16 | 机器人如何验证行动;编程智能体搭建动态场景
11 月 17 日 · 11 分钟

HuggingFace 每日AI论文速递 · 11 月 19 日 · 11 分钟
⏱️ Highlights
[] 🧩 TeleChat to Xing4: Advancing Frontier Agentic Models on Domestic Chips and Frameworks(从TeleChat到Xing4:在国产芯片与框架上推进前沿智能体模型)
[] ⚙️ AscendGYM: A Cost-Aware Kernel Optimization Benchmark for Real-World Workloads on Ascend NPUs(AscendGYM:面向昇腾NPU真实负载的成本感知内核优化基准)
[] 📝 Weight-Space Programming Doesn't Need Transformers(权重空间编程不需要Transformer)
[] 🦾 ForceHarness: Turning Force into Action and Physics for Frozen Frontier Models(ForceHarness:为冻结的前沿模型把力转化为动作与物理信息)
[] 🩺 Breath-Dx: A Time Series Classification Benchmark for Disease Screening with eNose(Breath-Dx:使用电子鼻进行疾病筛查的时间序列分类基准)
[] 🌿 Multi-Branch Transformer(多分支Transformer)
[] 🧠 Self-Improvement Memory Enables Continual Recursive Self-Improvement(自我改进记忆使持续递归自我改进成为可能)
[] 🎯 TCP4D: A Unified Tool-Center-Point Tracking and Generation Model for Robot Manipulation(TCP4D:面向机器人操作的统一工具中心点跟踪与生成模型)
[] 🎬 FastFrames: Video Generation at Interactive Latency(FastFrames:实现交互级延迟的视频生成)
[] 🔍 VideoNexus: Video Perception Beyond the Reasoning Context(VideoNexus:超越推理上下文的视频感知)
[] 🤝 Heave-Ho: Decentralized Long-Horizon Multi-Humanoid Collaboration(Heave-Ho:去中心化的长时程多人形机器人协作)
[] 🗜️ FMT: Lossless Image Compression in a Fixed Number of Parallel Steps(FMT:以固定数量并行步骤实现无损图像压缩)
[] 🏥 MedJev: A System One Vision-Language Decision Model for Fast and Effective Medical Image Understanding(MedJev:用于快速有效医学图像理解的系统一视觉语言决策模型)
[] 🖼️ MPEG-Diffusion: Mixed-Resolution Video Generation(MPEG-Diffusion:混合分辨率视频生成)
[] 🔄 Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns(智能体同策略蒸馏会隐式重塑大语言模型的ReAct模式)

【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
电子鼻按采集周而非随机切分后,肺癌任务 AUC 从 0.812 降到 0.746,评测方式直接改变结论。
机械臂没有腕力传感器,只靠关节力矩估计接触力,六项任务从 2/60 提升到 54/60。
客服任务里学生没等用户回复就调用查询工具,这个失败例子把蒸馏带来的行动习惯退化讲得很具体。
AI 读完整集转写后给出的推荐理由
十一分钟过完十五篇论文,每篇都给出可核对的数字:2850 亿参数模型在 8192 张昇腾 910C 上预训练,机械臂靠关节力矩估计把六项任务从 2/60 提到 54/60,电子鼻按采集周切分后 AUC 从 0.812 掉到 0.746。最难得的是每篇都补一句作者自陈的局限,比如视频生成三十六毫秒不是批量帧率、医学影像模型不能代替临床判断。
由 AI 从整集转写生成,是创作者说明之外的补充
本期速递十五篇 2026 年 11 月 18 日的 AI 论文,主线是「让智能真正跑起来,往往要重新设计模型周围的系统」。内容涵盖国产芯片与框架协同设计(TeleChat 到 Xing4,2850 亿参数在 8192 张昇腾 910C 上预训练)、智能体优化昇腾内核的成本度量(AscendGYM,十七个内核中约七成加速低于 1.2 倍)、权重空间编程、力觉接口(ForceHarness,六项任务从 2/60 提升到 54/60)、电子鼻评测的时间切分(AUC 从 0.812 降到 0.746)、多分支 Transformer 与联合 KV、智能体自我改进记忆、机器人视频动作恢复、视频生成低延迟、多智能体视频推理、人形机器人声音协作搬运、无损图像压缩、医学影像候选评分、区域化扩散加速,以及同策略蒸馏带来的行动习惯退化。每篇都附有作者自陈的局限与未验证部分。
点一章从那里开始播 · 与创作者标的时间点各自独立
开场:十五篇论文与当日主线
TeleChat 到 Xing4:国产栈上的协同设计
AscendGYM:内核优化也要算成本
权重空间编程:不一定要 Transformer
ForceHarness:把力变成可调用的技能
Breath-Dx:电子鼻评测要更诚实
多分支 Transformer 与联合 KV
自我改进记忆:记住修改的理由
TCP4D:从视频恢复机器人动作
FastFrames 与 VideoNexus:视频的延迟与证据
Heave-Ho:靠声音同步的机器人搬运
FMT:把图像解码变成一棵树
MedJev:医学影像只需选一个候选
MPEG-Diffusion:把算力花在重要区域
同策略蒸馏会改变行动习惯
收尾:好模型还需要合适的执行方式
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,周末以周度热门论文盘点特辑补充,形成每日速递加周…
已收录 749 期 · 最近更新 11 月 21 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 →

2026.11.20 | 诊断机器人思行断点;声音画面联合理解
11 月 21 日 · 10 分钟

2026.11.19 | 并行决策生成图像;双路径适配天气预测
11 月 20 日 · 10 分钟

11 月 18 日 · 11 分钟