AutoIndex:把“文档如何入库”变成可学习的检索优化问题
AutoIndex 提出了一种面向检索系统的新思路:不急着改检索器或重排器,而是学习一套可执行的文档表示程序,在索引前自动改造文档。论文在 CRUMB 基准上固定使用 BM25,仍在 8 个任务中取得了稳定提升。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2320 篇文章
RSS 订阅AutoIndex 提出了一种面向检索系统的新思路:不急着改检索器或重排器,而是学习一套可执行的文档表示程序,在索引前自动改造文档。论文在 CRUMB 基准上固定使用 BM25,仍在 8 个任务中取得了稳定提升。
阅读全文Alaya Lab 提出的 AlayaRenderer-Flash 将生成式世界渲染从 0.56 FPS 提升到 31.54 FPS,让由物理引擎驱动的交互式场景接近实时可玩。它不是用文本直接“想象”视频,而是在保留世界状态和动力学的前提下合成 RGB 画面。
阅读全文这项工作瞄准多视角 HOI 合成中最棘手的两个问题:画面要一致,手的三维运动也要对齐。HarmoHOI 通过联合扩散建模 RGB 视频与 3D 点轨迹,把外观和几何放进同一个生成过程里。
阅读全文这篇论文把文本世界模型重新定义为可控的状态转移问题,并提出用 Masked Diffusion Language Models 缓解自回归模型的左到右偏置。实验显示,MDLM 在一致性、扎根性和 rollout 多样性上优于更大参数量的自回归模型。
阅读全文API 调用型智能体要学会“做事”,离不开大量高质量轨迹,但真实环境往往难搭、难扩、难覆盖。新论文提出用 LLM 直接模拟状态化环境,在只有 API 规格的情况下合成训练数据。
阅读全文这篇论文尝试把传统的“裁判式”反馈,升级为更高带宽的“教练式”经验知识。它的目标不是只给一个分数,而是把评估中的细粒度判断转化为可迁移的学习信号。
阅读全文长上下文并不总是越多越好,尤其在编码代理处理工具输出时,冗余信息会迅速吞噬窗口。SWE-Pruner Pro 的思路是把“保留还是丢弃”直接交回给模型内部表示来判断。
阅读全文这篇工作聚焦长录音中的时间定位问题,提出一种面向音频的时间感知 LLM,能够在最长 120 分钟的输入中给出带明确时间戳的回答,并支持片段描述与摘要生成。 它的核心思路,是把周期性的时间标记与连续音频 token 交错输入,再借助大规模合成监督训练。
阅读全文DiFA 是一个无需重新训练的扩散模型推理框架,试图用前向扩散过程的统计结构来校准反向生成轨迹。它将历史预测视为相关观测,通过时间共识和偏差引导提升生成稳定性与细节保留。
阅读全文RynnBrain 1.1 试图把感知、空间推理、定位与规划放进同一套具身框架中,并进一步把输出对齐到机器人操作。它的重点不只是“看懂世界”,而是让模型更接近真实执行。
阅读全文这项工作提出了一种新的离策略后训练方法 TOPL,不是直接教模型“照着错误输出学”,而是让模型学会判断每个 token 是否正确。结果表明,它在摘要和翻译等忠实生成任务上,都展现出更强的跨数据集泛化能力。
阅读全文这项工作把“文学世界模拟”从静态角色扮演推进到长程演化:角色会变化,场景会推进,世界状态也会被持续更新。它的重点不是单次生成,而是让多轮互动保持一致性与延续性。
阅读全文GEPO 是对 GRPO 的轻量改造,核心不是简单压高熵或保低熵,而是按 prompt 分组的熵状态,去做更细粒度的优势项塑形。它试图解决混合任务训练中,不同题型探索需求不一致、导致统一熵控制失灵的问题。
阅读全文这篇论文的重点不是再造一个更大的通用模型,而是给搜索型工具代理搭建一个“能验证对错”的训练场。研究者希望借助自蒸馏,把代理从自己的轨迹中持续改进。
阅读全文这篇工作试图解决一个长期痛点:视频编辑数据难采、成本高、任务类型又不够丰富。FlowMimic提出一种不用掩码的生成与编辑框架,把图像编辑样本实时转成视频编辑样本,并让模型在图像与视频两种模态之间相互“模仿”。
阅读全文Insilico Medicine 等作者提出 3D-Fit,用于评估通用大语言模型在结构化药物设计中处理三维空间约束的能力。结果显示,LLM 已能跟随多种局部空间指令,但距离物理可靠的分子生成仍有明显差距。
阅读全文TimeLens2 将视频时序定位重新表述为“区间集合”问题,让模型不仅回答视频里发生了什么,还能给出支撑答案的时间片段。其 2B、4B、8B 版本在多项基准中相对 Qwen3-VL 骨干模型取得明显提升。
阅读全文NexForge 试图解决 LLM Agent 训练数据难以规模化的问题:不再围绕固定工具或代码库造题,而是从高层能力需求出发,自动生成可执行任务与专家轨迹。
阅读全文Open-AoE 试图解决具身学习里最现实的问题:数据怎么来、怎么整理、怎么直接用。它把手机采集、结构化标注和下游训练工具串成了一条开源流水线。
阅读全文SeerGuard 针对移动端 GUI 代理的安全痛点,提出了一套执行前防护框架。它通过指令筛查和动作风险评估,把危险操作拦在真实设备受损之前。
阅读全文这项工作试图让 AI 不只是“看见”视频,而是把视频中的人、物、变化和事件真正记住。它的关键思路,是把记忆从按帧存储,转向围绕实体组织。
阅读全文