新闻资讯 · 第 5 页

• Edge0 从 SSD 调入专家，降低模型内存占用

  Edge0 为消费级设备运行混合专家模型设计了预路由机制：提前预测下一层需要的专家权重，再从 SSD 加载，尽量让读盘与计算重叠。团队还训练了恢复适配器，缓解量化和路由替换带来的质量损失。

• AgentScope 把工具调用、评测和运行环境接起来

  AgentScope 1.0 的论文介绍了面向开发者的智能体应用框架：统一模型和工具接口，以异步设计支持人与智能体、智能体之间的交互，并将 ReAct 工作方式作为基础。

• 研究回顾：vLLM 如何减少推理缓存浪费

  PagedAttention 借鉴操作系统的虚拟内存分页方式，管理推理请求不断增长的 KV 缓存，减少碎片和重复副本，并允许请求之间共享适当的数据。vLLM 建立在这类机制之上。

• MOSS-Image 瞄准长文字与复杂版式生成

  MOSS-Image 技术报告提出一套面向图文密集场景的生成系统。团队从头训练 5B 扩散 Transformer，并用意图感知的提示增强模块，把用户要求展开成内容和版式细节。

• OpenHands：让 AI 在沙箱里写代码、用终端

  OpenHands 的早期论文介绍了通用软件开发智能体平台，支持编写代码、使用命令行和浏览网页，并把执行过程放入沙箱环境。它也允许多个智能体协作和接入评测基准。

• IDM 改善少步生图中的文字和细节

  Intrinsic Distribution Matching 在分布匹配蒸馏中加入显式的特征统计约束，用生成器自身的指数移动平均副本提供特征，避免额外引入独立的特征编码器。

• nanoMuse 探索跨手机和电脑的个人智能体

  nanoMuse 技术报告提出跨设备共享对话的个人智能体，由用户自行运行中继服务，并选择底层模型。记忆以可阅读文件保存，动作经过专门的检查环节。

• MinerU2.5 先看版式，再识别文档细节

  MinerU2.5 的研究采用两阶段文档解析：先在低分辨率图像中识别全局结构，再根据版式从原图裁出文字、公式和表格，进行局部精细识别。

• 投资研究基准给 AI 加上信息时间边界

  Investor’s Last Exam 用带版本和时间戳的金融数据库测试智能体，要求模型只能使用决策时已经存在的材料，避免在预测过去事件时偷看后来的结果。

• ReLift 通过修补轨迹改善视频 3D 跟踪

  ReLift 先利用现有二维跟踪器和几何模型得到初始三维轨迹，再专门修复深度错误、对应关系错误和被遮挡部分的运动。

• 研究回顾：Mem0 为智能体整理长期记忆

  Mem0 从持续对话中提取、合并并检索重要信息，避免每次都把全部历史塞进上下文。论文还介绍了使用图结构表示记忆关系的变体。

• PaddleOCR VL 1.6 针对薄弱区域改进训练

  PaddleOCR-VL-1.6 沿用紧凑文档解析模型的方向，先找出上一版中不稳定、覆盖不足或标注不可靠的区域，再针对这些问题增强数据。

• ARIS 用不同模型交叉审查自动科研结果

  ARIS 是一个自动科研执行框架，默认建议由一个模型推进研究，另一个模型家族的审查者检查中间产物并要求修改。它特别关注看似成功、实际上证据不足的实验结论。

• SmolDocling 用小模型保留文档结构与位置

  SmolDocling 采用约 256M 参数的视觉语言模型，把整页文档转换为 DocTags 标记，记录内容、结构和空间位置，覆盖表格、代码、公式与列表等元素。

• NCM 先生成概念层次，再细化文本

  Next-Concept Modeling 把文本编码成多层离散表示，先确定较粗的概念，再逐层细化；同一层中的编码可以并行预测，减少逐字生成的串行开销。

• OmniFlatten 研究能打断、能接话的语音对话

  OmniFlatten 探索全双工语音对话，让系统在接收声音的同时生成回应，更接近人类对话中的插话、简短回应和语音重叠。

• SUPRA Tex 按参考图补全 3D 材质

  SUPRA-Tex 将单图材质生成分成可见材质估计、表面对齐和未见区域补全，先保留参考图中已有的证据，再生成其余部分。

• 研究尝试让 AI 文本检测结果可以解释

  一项研究使用稀疏自编码器提取文本检测器内部的特征，再筛选可用人类语言解释的概念，训练一个较轻的分类器。目标是说明模型为什么把一段文字判为 AI 生成。

• Hy Nomas 让视频世界模型连续接受指令

  Hy-Nomas 采用 8B 扩散主干，支持多轮文字指令与连续相机控制。模型结合当前输入和缓存历史生成不同长度的视频片段，并让动作指令只作用于对应时间范围。

• YuE2 先写乐谱，再生成完整歌曲

  YuE2 将符号音乐规划和音频生成放进同一个系统：先生成可阅读的旋律与和声结构，再展开为音乐 token，最后生成完整歌曲音频。

• 研究回顾：时间序列也能预训练基础模型

  一篇时间序列研究借鉴语言模型的预训练方法，将大量序列切成片段交给解码式注意力模型，尝试不针对每个数据集单独训练就进行预测。

• CaPtain 训练小模型用代码控制机器人

  CaPtain 将机器人控制表达为调用感知、几何和受保护运动接口的代码，再通过监督微调及多轮强化学习训练小型视觉语言模型。

• AI Infra Guard 分层检查智能体安全

  AI-Infra-Guard 将安全检查分成基础设施、工具协议、智能体行为和模型四层，分别采用规则匹配、代码审查和行为测试等方式，而不是用一种检测器覆盖全部风险。

• 研究回顾：Transformers 如何统一模型接口

  Hugging Face 的 Transformers 早期论文介绍了统一模型架构接口和预训练模型集合的设计，让研究者能够扩展新架构，也让开发者更容易复用已有模型。