1REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum ControlREA:面向异步大脑-小脑控制的路由式具身智能体运行时REA: 非同期の脳-小脳制御に向けたルーティング型身体化エージェント・ランタイム43 UPVOTES · PENGFEI ZHOU ET AL. · ARXIV 2610.42053REA is a runtime that lets a slow reasoning model, a router and fast reactive policies share one embodied control loop under the rule that no running policy waits on the model. It records each policy's measured success in a route memory and consults the model only at task boundaries. On 60 LIBERO-Pro tasks it reports 95.9 percent success against 94.7 for the best single agent, with 25 percent fewer control steps.REA 是一个运行时,让慢速推理模型、路由器与快速反应策略共享同一个具身控制回路,并遵循一条准则:正在执行的策略绝不等待推理模型。它把每个策略实测的成功率存入路由记忆,仅在任务边界处询问模型。在 60 项 LIBERO-Pro 任务上,其成功率为 95.9%,高于最佳单智能体基线的 94.7%,同时控制步数减少 25%。REA は、低速な推論モデル、ルーター、高速な反応的ポリシーが一つの身体化制御ループを共有するランタイムで、実行中のポリシーは推論モデルを待たないという原則に従う。各ポリシーの実測成功率をルートメモリに保存し、タスクの境界でのみモデルに問い合わせる。60 件の LIBERO-Pro タスクで成功率 95.9% を報告し、最良の単一エージェント 94.7% を上回りつつ、制御ステップを 25% 削減した。
2Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool UseApriel Voice 27B Preview:面向语音、推理与工具调用的开放模型Apriel Voice 27B Preview: 音声・推論・ツール利用のためのオープンモデル32 UPVOTES · AMAN TIWARI ET AL. · SERVICENOW-AI · ARXIV 2610.40738ServiceNow describes Apriel Voice 27B Preview, an open speech-language model that takes speech in and emits both replies and tool calls from one backbone, with no separate dialogue model. It is built on a post-trained Gemma 4 26B-A4B checkpoint and adapted to speech in two stages with online distillation. In thinking mode it reports 98.90 on Big Bench Audio and 1.91 seconds mean latency.ServiceNow 介绍了 Apriel Voice 27B Preview,这是一个开放的语音语言模型,直接接收语音输入,并由同一主干同时输出回复与工具调用,无需另设对话模型。它基于后训练的 Gemma 4 26B-A4B 检查点,通过两阶段训练与在线蒸馏适配语音。在思考模式下,Big Bench Audio 得分 98.90,平均延迟 1.91 秒。ServiceNow は、音声を直接入力として受け取り、同一のバックボーンから応答とツール呼び出しの両方を生成するオープンな音声言語モデル Apriel Voice 27B Preview を紹介した。別個の対話モデルは不要で、事後学習済みの Gemma 4 26B-A4B チェックポイントを基に、2 段階の学習とオンライン蒸留で音声に適応させている。思考モードでは Big Bench Audio で 98.90、平均レイテンシ 1.91 秒を報告している。
3WeFair: Fidelity-Aware Alignment from Human Feedback for Personalized Query Rewriting in Short-Video SearchWeFair:短视频搜索个性化查询改写的保真度感知人类反馈对齐WeFair: ショート動画検索における個人化クエリ書き換えのための忠実度を考慮した人間フィードバック整合26 UPVOTES · YINGTAO REN ET AL. · TENCENT · ARXIV 2610.16927Tencent trains a compact query rewriter for WeChat short-video search by grading human feedback on how directly it reveals personalized intent, across demonstration, preference and verification stages. The paper argues that optimizing for what users watch next drifts from what they asked for. An online A/B test reports a 2.593 percent relative lift in effective video views and 2.350 percent fewer reformulations.腾讯按人类反馈反映个性化意图的直接程度为其分级,分演示、偏好与验证三个阶段,训练出一个用于微信短视频搜索的小型查询改写模型。论文指出,一味优化用户后续观看行为会让改写结果偏离其原本的搜索意图。线上 A/B 实验显示,有效视频播放率相对提升 2.593%,查询改写率相对下降 2.350%。テンセントは、人間のフィードバックが個人化された意図をどれだけ直接的に示すかで等級付けし、デモンストレーション・選好・検証の 3 段階で WeChat のショート動画検索向けに小型のクエリ書き換えモデルを学習させた。論文は、その後の視聴行動を重視しすぎると利用者が本来求めた内容から逸れると指摘する。オンライン A/B テストでは、有効動画視聴率が相対で 2.593% 向上し、クエリの再入力率が 2.350% 減少した。
4Latent Reasoning in Continuous Space for Unified Multimodal Models统一多模态模型在连续空间中的潜在推理統一マルチモーダルモデルのための連続空間における潜在推論24 UPVOTES · BYUNGWOO JEON ET AL. · KAIST AI · ARXIV 2610.42149KAIST AI proposes LARC, which moves chain-of-thought reasoning for image generation out of discrete tokens and into continuous hidden states. The authors blame that modality mismatch for unified models failing to inherit test-time scaling, and train in two stages: curriculum fine-tuning, then reinforcement learning on information gain without ground truth. LARC reports a 7 point GenEval gain over BAGEL.KAIST AI 提出 LARC,把图像生成的思维链推理从离散 token 迁移到连续隐状态中进行。作者认为正是这种模态不匹配导致统一多模态模型无法继承测试时扩展能力,并采用两阶段训练:先做课程式监督微调,再以信息增益为目标、无需真值标注地进行强化学习。LARC 在 GenEval 上比 BAGEL 高出 7 个百分点。KAIST AI は、画像生成の思考連鎖推論を離散トークンから連続的な隠れ状態へ移す LARC を提案した。著者らは、このモダリティの不一致が統一マルチモーダルモデルがテスト時スケーリングを受け継げない原因だとし、カリキュラム型の教師ありファインチューニングと、正解を用いない情報利得による強化学習の 2 段階で学習する。LARC は GenEval で BAGEL を 7 ポイント上回ったと報告している。
5OSWAM: An Effective World Action Model with One-Step Action GenerationOSWAM:单步动作生成的高效世界动作模型OSWAM: 一ステップで行動を生成する効果的なワールドアクションモデル22 UPVOTES · GUOWEN ZHANG ET AL. · THE HONG KONG POLYTECHNIC UNIVERSITY · ARXIV 2610.35850OSWAM cuts world action models for driving and embodied control down to a single diffusion step. Instead of random noise, it seeds the process with imagination tokens that carry physical and action-conditioned priors, and adds privileged information distillation with future conditioning. The authors report quality on par with models needing tens of steps, about a 3x speedup and 40 ms latency on an RTX 5090.OSWAM 把用于自动驾驶与具身控制的世界动作模型压缩到单个扩散步。它不再从随机噪声出发,而是以携带物理先验与动作条件表征的「想象 token」初始化扩散过程,并引入带未来条件的特权信息蒸馏。作者称其质量与需要数十步的模型相当,速度约提升 3 倍,在 RTX 5090 上延迟低至 40 毫秒。OSWAM は、自動運転と身体化制御向けのワールドアクションモデルを拡散 1 ステップにまで削減する。ランダムノイズから始める代わりに、物理的な事前知識と行動条件付き表現を担う「イマジネーショントークン」で拡散過程を初期化し、さらに未来条件付きの特権情報蒸留を加える。著者らは、数十ステップを要するモデルと同等の品質で約 3 倍の高速化、RTX 5090 上で 40 ミリ秒という低遅延を報告している。
2026-10-31 · SATURDAY · 13:10 PDT
1IntReal: A Real-World Dataset and Benchmark for Multimodal Interleaved GenerationIntReal:面向多模态交错生成的真实世界数据集与基准IntReal: マルチモーダル交互生成のための実世界データセットとベンチマーク15 UPVOTES · SHAOHAN YU ET AL. · LONGCAT · ARXIV 2610.38425IntReal is a paired dataset and benchmark for multimodal interleaved generation, where text and images alternate within a single output. The authors argue the area has stalled for two reasons: no well-defined interleaved tasks with matching training data, and no fine-grained protocol able to diagnose which capability a model lacks.IntReal 提出了一组配套的数据集与基准,面向文本与图像在同一输出中交替出现的多模态交错生成任务。作者认为该方向进展迟缓有两个原因:缺少定义清晰的交错生成任务及相应训练数据,也缺少能细粒度诊断模型具体短板的评测协议。IntReal は、テキストと画像が一つの出力の中で交互に現れるマルチモーダル交互生成のためのデータセットとベンチマークを組み合わせて提供する。著者はこの分野の停滞の原因を二つ挙げる。明確に定義された交互生成タスクと対応する学習データがないこと、そしてモデルのどの能力が不足しているかを細かく診断できる評価手法がないことである。
2CoSTA: Compressed Speech Token Adaptation for Efficient Spoken Dialogue ModelsCoSTA:面向高效口语对话模型的压缩语音 token 适配CoSTA: 効率的な音声対話モデルのための圧縮音声トークン適応12 UPVOTES · YINGZHUO DENG ET AL. · CHINESE ACADEMIC OF SCIENCE INSTITUTE OF AUTOMATION · ARXIV 2610.21143CoSTA is a post-hoc framework that separates the generation and synthesis token spaces of spoken dialogue models while keeping the original speech tokenizer and decoder in place. Such models usually share one token space, which makes autoregressive sequences long and inference expensive; CoSTA instead extends the generation space with compressed representations.CoSTA 是一个事后适配框架,在保留原有语音分词器和解码器的前提下,把口语对话模型的生成 token 空间与合成 token 空间解耦。这类模型通常共用一个语音 token 空间,导致自回归序列过长、推理成本偏高;CoSTA 改为用压缩表示扩展生成空间。CoSTA は、元の音声トークナイザとデコーダをそのまま保ちながら、音声対話モデルの生成用トークン空間と合成用トークン空間を切り離す事後適応フレームワークである。この種のモデルは通常一つのトークン空間を共有するため、自己回帰系列が長くなり推論コストが高い。CoSTA は代わりに圧縮表現で生成側の空間を拡張する。
3WebAnything: From the Wild Web to Scalable Agent EnvironmentsWebAnything:从真实网络到可扩展的智能体环境WebAnything: 現実のウェブからスケーラブルなエージェント環境へ12 UPVOTES · TIANCI XIE ET AL. · ARXIV 2610.37786WebAnything automatically rebuilds executable, resettable web environments from real URLs so that web agents can be trained and evaluated reproducibly without per-site engineering. An Explorer-Builder loop reconstructs source-grounded sites, avoiding both the manual cost of human-assisted mirrors and the drift of purely generative construction.WebAnything 能从真实 URL 自动重建可执行、可重置的网页环境,使网页智能体的训练与评测具备可复现性,且无需针对每个站点单独开发。其 Explorer-Builder 流程重建以源站为依据的站点,既避免了人工镜像的成本,也避免了纯生成式构建带来的偏离。WebAnything は実在する URL から、実行可能でリセット可能なウェブ環境を自動的に再構築し、サイトごとの個別実装なしにウェブエージェントの学習と評価を再現可能にする。Explorer-Builder のループが元サイトに忠実な環境を組み立て、人手によるミラー構築のコストと、純粋な生成による乖離の両方を回避する。
4Multi-Token Prediction Done Right多 token 预测的正确做法マルチトークン予測の正しいやり方11 UPVOTES · JAYDEN TEOH ET AL. · MASSACHUSETTS INSTITUTE OF TECHNOLOGY · ARXIV 2610.38331This single-author paper identifies a flaw in standard multi-token prediction training: a residual component of the MTP gradient interferes with both next-token and multi-token learning, and the interference grows with scale. The gradient is decomposed exactly into a KL self-distillation term that helps speculative decoding and the residual term that does the damage.这篇独作论文指出了标准多 token 预测训练中的一个缺陷:MTP 梯度中的残差项会同时干扰下一 token 预测和多 token 学习,且规模越大干扰越严重。作者把该梯度精确分解为两部分:有助于投机解码的 KL 自蒸馏项,以及造成干扰的残差项。単著の本論文は、標準的なマルチトークン予測(MTP)学習の欠陥を指摘する。MTP 勾配の残差成分が次トークン予測とマルチトークン学習の双方を妨げ、その干渉は規模が大きくなるほど強まる。著者は勾配を、投機的デコーディングに寄与する KL 自己蒸留項と、害をもたらす残差項とに厳密に分解する。
5Investor's Last Exam: Can AI Agents Do Equity Investment Without Seeing the Future?投资者的最后考试:AI 智能体能在看不到未来的情况下做股票投资吗?Investor's Last Exam: AI エージェントは未来を見ずに株式投資ができるか11 UPVOTES · HUANGFEI JIANG ET AL. · ARXIV 2610.38342Investor's Last Exam is an equity-research benchmark led by experienced buy-side investors and fund managers, built around a strictly frozen information set so an agent cannot see past its decision date. It pairs a versioned financial database of 3.43 million document versions across nine source categories with professional evaluation criteria.Investor's Last Exam 是一个由资深买方投资人和基金经理主导的股票研究基准,核心是严格冻结的信息集,使智能体无法看到决策时点之后的信息。它将一个覆盖九类来源、包含 343 万个文档版本的带版本财务数据库与专业评价标准结合起来。Investor's Last Exam は、経験豊富なバイサイドの投資家とファンドマネージャーが主導する株式リサーチのベンチマークで、情報集合を厳格に凍結し、エージェントが意思決定時点より先を見られないようにしている。九つの情報源カテゴリにまたがる 343 万件の文書バージョンを持つ財務データベースと、専門的な評価基準を組み合わせる。
2026-10-30 · FRIDAY · 13:15 PDT
1Youtu-Parsing-Omni: One Encoder, One Schema, All ModalitiesYoutu-Parsing-Omni:一个编码器、一套 schema、覆盖所有模态Youtu-Parsing-Omni: 一つのエンコーダ、一つのスキーマ、すべてのモダリティ38 UPVOTES · YUNHANG SHEN ET AL. · TENCENT · ARXIV 2610.39301Tencent's Youtu-Parsing-Omni turns documents, images, audio and video into structured records using one encoder for every modality and one output schema for all ten parsing tasks. A single 5B-parameter checkpoint scores 96.96 overall on OmniDocBench v1.6 and leads open-weight models on OmniParsingBench at 75.08 average, with its margin concentrated on audio and video. Code and weights are public.腾讯的 Youtu-Parsing-Omni 把文档、图像、音频与视频统一转为结构化记录,所有模态共用一个编码器,十项解析任务共用一套输出 schema。单个 50 亿参数检查点在 OmniDocBench v1.6 上总分 96.96,在 OmniParsingBench 上以 75.08 的平均分领先所有开放权重模型,优势集中在音频与视频。代码与权重均已公开。テンセントの Youtu-Parsing-Omni は、文書・画像・音声・映像を構造化レコードに変換する。すべてのモダリティで一つのエンコーダを共有し、10 種の解析タスクで一つの出力スキーマを使う。50 億パラメータの単一チェックポイントで OmniDocBench v1.6 の総合 96.96、OmniParsingBench では平均 75.08 でオープンウェイト勢の首位に立ち、強みは音声と映像に集まる。コードと重みは公開されている。
2L3G-World: Real-Time Infinite World Generation with Latent 3D Gaussian MemoryL3G-World:用潜空间 3D 高斯记忆实现实时无限世界生成L3G-World: 潜在 3D ガウシアン記憶によるリアルタイム無限世界生成34 UPVOTES · JINHYEOK CHOI ET AL. · KAIST AI · ARXIV 2610.40614L3G-World keeps an interactive world model spatially consistent by holding the scene as latent 3D Gaussians, so memory grows with the extent of the scene rather than the length of the generated stream. Each Gaussian stores a VAE latent, letting the memory render straight into the diffusion transformer's latent space with no re-encoding. The authors report real-time generation at 9 frames per second.L3G-World 把场景保存为潜空间中的 3D 高斯,从而让交互式世界模型维持空间一致性:显存随场景范围增长,而不是随生成流的长度增长。每个高斯都附带一个 VAE 潜向量,使记忆可以直接渲染进扩散 Transformer 的潜空间,无需重新编码。作者称可实现 9 帧每秒的实时生成。L3G-World はシーンを潜在空間の 3D ガウシアンとして保持することで、インタラクティブな世界モデルの空間的一貫性を保つ。メモリは生成ストリームの長さではなくシーンの広がりに応じて増える。各ガウシアンが VAE の潜在特徴を持つため、再エンコードなしに記憶を拡散トランスフォーマの潜在空間へ直接レンダリングできる。著者らは 9 フレーム毎秒のリアルタイム生成を報告している。
3TAO: Tool-Aware Joint Scheduling for LLM-Based Agentic ServingTAO:面向大模型智能体服务的工具感知联合调度TAO: LLM エージェント・サービングのためのツール認識型同時スケジューリング29 UPVOTES · SHUHUAI LI ET AL. · AIOR · ARXIV 2610.37230TAO schedules agentic serving by accounting for when external tool calls will return, rather than treating GPU inference and CPU tools as separate queues. A dynamic program places waiting sessions using tool readiness, a time-decayed cache credit per node and token footprint. Across 12 model, workload and concurrency settings it cuts latency by up to 26.8 percent and raises decode throughput by up to 29.5 percent.TAO 在调度智能体服务时把外部工具调用何时返回纳入考量,而不再把 GPU 推理与 CPU 工具当成两条互不相干的队列。一个动态规划依据近期工具就绪度、按节点计算并随时间衰减的缓存信用以及 token 占用量,来决定等待会话的准入与放置。在 12 组模型、负载与并发配置下,它最多降低 26.8% 的延迟,并把解码吞吐提升最多 29.5%。TAO は、外部ツール呼び出しがいつ戻るかを考慮してエージェント・サービングをスケジュールする。GPU 推論と CPU 側ツールを別個のキューとして扱わない点が従来と異なる。動的計画法が、直近のツール準備度、ノードごとの時間減衰するキャッシュ信用、トークン占有量をもとに待機セッションの受け入れと配置を決める。モデル・負荷・並列度の 12 設定で、遅延を最大 26.8% 削減し、デコードのスループットを最大 29.5% 高めた。
4A Broader Look into MLLM's Retrieval Heads更广视角下的多模态大模型检索头マルチモーダル LLM の検索ヘッドをより広く見る28 UPVOTES · JIA WANG ET AL. · TENCENT · ARXIV 2610.32411Across 18 language, vision-language and omni-modal checkpoints, the sparse attention heads that pull evidence out of long inputs are largely shared across modalities. The shared heads are under 2 percent of all heads, yet ablating them also degrades document understanding, spatial perception and visual math. Training them with a ranking objective lifts Qwen3-VL-8B's page Recall@1 on MMDocIR by 6.03 points.在 18 个语言、视觉语言与全模态检查点上,那些负责从长输入中抽取证据的稀疏注意力头被发现在很大程度上跨模态共用,全模态模型基本保留了其骨干模型的检索头。这些跨模态共用的头不足全部注意力头的 2%,但把它们消融后,文档理解、空间感知与视觉数学同样明显退化。用排序目标训练这些头,可把 Qwen3-VL-8B 在 MMDocIR 上的页面 Recall@1 提高 6.03 个点。言語・視覚言語・オムニモーダルの 18 のチェックポイントを調べると、長い入力から根拠を引き出す疎なアテンションヘッドはモダリティ間で大きく共有されており、オムニモーダルモデルはおおむねバックボーンのヘッドを保っていた。共有されるヘッドは全体の 2% 未満だが、これを除去すると文書理解・空間認識・視覚数学も劣化する。ランキング目的で学習させると、Qwen3-VL-8B の MMDocIR におけるページ Recall@1 が 6.03 ポイント向上した。
5Proving and Improving the Platonic Representation Hypothesis with JEPAs用 JEPA 证明并改进柏拉图表征假设JEPA でプラトン的表現仮説を証明し、改良する25 UPVOTES · RANDALL BALESTRIERO ET AL. · GALILAI-GROUP · ARXIV 2610.39302The paper turns the Platonic Representation Hypothesis into a theorem: joint-embedding predictive architectures trained separately on any number of modalities learn the same representation up to one rotation, provided their positive pairs are two observations of a single scene. It casts next-token prediction as a JEPA with bad views, needing 42 times more samples to reach the same alignment.这篇论文把柏拉图表征假设变成了定理:只要正样本对是同一场景的两次观测,分别在任意多个模态上训练的联合嵌入预测架构(JEPA)所学到的表征就只相差一个旋转。论文进而把下一个 token 预测看作使用了劣质视图的 JEPA,要达到同等对齐需要多出 42 倍的样本量。一个 1.09 亿参数的文本 JEPA 与 DINOv2、CLIP 的对齐程度,胜过所测试的全部语言模型,包括 720 亿参数规模。本論文はプラトン的表現仮説を定理に変える。正例ペアが同一シーンの二つの観測であれば、任意の数のモダリティで別々に学習した JEPA は、一つの回転を除いて同じ表現を学ぶという主張である。さらに次トークン予測を「悪い視点」を使う JEPA と位置づけ、同じ整合度に達するには 42 倍の試料が必要だと示す。1.09 億パラメータのテキスト JEPA は、720 億までの検証したすべての言語モデルより DINOv2 と CLIP に整合した。
2026-10-29 · THURSDAY · 13:18 PDT
1CodeCap-Bench: Can Code Serve as a Good Video Caption?CodeCap-Bench:代码能否充当优秀的视频字幕?CodeCap-Bench: コードは優れた動画キャプションになり得るか?50 UPVOTES · JIAFU TANG ET AL. · ARXIV 2610.37341Jiafu Tang and 13 co-authors propose Code as Video Caption, where an executable program describes a video through graphical primitives, layout rules and functions of time. CodeCap-Bench then tests whether those code captions preserve as much information as natural language, which the paper argues grows long and ambiguous on fine spatial structure and temporal dynamics.Jiafu Tang 与 13 位合作者提出 Code as Video Caption:用可执行程序,通过图形基元、布局规则和随时间变化的函数来描述视频。CodeCap-Bench 随后检验这类代码字幕能否与自然语言同样完整地保留视频信息——论文认为自然语言在描述细粒度空间结构和时间动态时会变得冗长且含义模糊。Jiafu Tang ら 14 名は、実行可能なプログラムが図形プリミティブ、レイアウト規則、時間の関数を通じて動画を記述する「Code as Video Caption」を提案した。CodeCap-Bench は、そうしたコードによるキャプションが自然言語と同程度に情報を保持できるかを検証する。論文は、細かな空間構造や時間変化を自然言語で表そうとすると記述が長く曖昧になると論じている。
2LociArt: A Unified Paradigm for Free-Style Local Video StylizationLociArt:自由风格局部视频风格化的统一范式LociArt: 自由なスタイルによる局所的動画スタイル変換の統一パラダイム45 UPVOTES · YUXUAN CHEN ET AL. · XIAOMI RESEARCH · ARXIV 2610.36456Xiaomi Research introduces LociArt, a paradigm for local video stylization that states both where to stylize and which style to apply while leaving the rest of the frame intact. Its GRNStyle core builds on Generative Refinement Networks and adds a polar style-aware mask that embeds style identities as equal-norm directions inside the selected regions.小米研究院提出 LociArt,一套局部视频风格化范式,既指定在何处施加风格,也指定施加哪种风格,同时保持画面其余部分不变。其核心 GRNStyle 建立在生成式精修网络(GRN)之上,并引入一种极坐标风格感知掩码,把风格身份嵌入所选区域内等范数的方向上。シャオミ研究院は、局所的な動画スタイル変換のパラダイム LociArt を発表した。どこに適用するかとどのスタイルを当てるかの双方を明示し、画面の残りの部分はそのまま保つ。中核の GRNStyle は Generative Refinement Networks を基礎とし、選択領域内でスタイルの同一性を等ノルムの方向として埋め込む極座標型のスタイル認識マスクを加えている。
3OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View ImagesOmniShowcase:基于多视角图像的全向主体一致视频生成OmniShowcase: 多視点画像からの全方向・被写体一貫動画生成41 UPVOTES · JUNYEONG AHN ET AL. · KAIST AI · ARXIV 2610.35684A KAIST AI team presents OmniShowcase for generating video of a specific subject from a few reference views. Earlier subject-to-video methods condition on a single image and must invent the surfaces a moving camera later reveals; multi-view successors add information but, the paper argues, never state the 3D structure that ties those observations together.KAIST AI 团队提出 OmniShowcase,用少量参考视角生成特定主体的视频。早期的主体到视频方法仅以单张图像为条件,因此必须凭空补出镜头移动后才露出的表面;后来的多视角方法虽提供了更多信息,但论文认为它们从未明确给出把这些观测串联起来的三维结构。KAIST AI のチームは、数枚の参照視点から特定の被写体の動画を生成する OmniShowcase を発表した。初期の subject-to-video 手法は 1 枚の画像だけを条件とするため、カメラが動いて初めて現れる面を推測で補わなければならない。多視点に拡張した後続手法は情報を増やすが、それらの観測をつなぐ 3 次元構造を明示していないと論文は指摘する。
4RSI Arena: Towards Recursive Self-Improvement with Human FeedbackRSI Arena:面向带人类反馈的递归自我改进RSI Arena: 人間のフィードバックによる再帰的自己改善に向けて31 UPVOTES · YUE HUANG ET AL. · RSI ARENA · ARXIV 2610.33624RSI Arena asks whether AI agents can post-train useful language models on their own. Ten frontier models each act as a training agent starting from NVIDIA Nemotron 3.5 Lightning 30B-A3B Base, with 1,000 GPU-hours and $300 of API credit over a six-day stage on a shared 64-GPU cluster, choosing their own data, procedure and checkpoints. The results are scored on 20 benchmarks and by blind human evaluation.RSI Arena 要回答的问题是:AI 智能体能否独立完成有用语言模型的后训练。十个前沿模型各自充当训练智能体,均从 NVIDIA Nemotron 3.5 Lightning 30B-A3B Base 起步,在共享的 64 卡集群上以六天为一阶段,各获 1000 GPU 小时和 300 美元 API 额度,自行选择数据、训练流程与检查点。结果由 20 项基准测试和盲测人工评估共同打分。RSI Arena は、AI エージェントが自力で有用な言語モデルを事後学習できるかを問う。10 のフロンティアモデルがそれぞれ訓練エージェントとなり、いずれも NVIDIA Nemotron 3.5 Lightning 30B-A3B Base から出発する。共有の 64 GPU クラスタ上で 6 日間の段階を与えられ、1000 GPU 時間と 300 ドルの API クレジットの範囲で、データ・手順・チェックポイントを自ら選ぶ。成果は 20 のベンチマークと盲検による人間評価で採点される。
5Nemotron-Labs-Diffusion-Uni: Elastic Self-Refining Unified Diffusion LLM with Cross-Paradigm On-Policy DistillationNemotron-Labs-Diffusion-Uni:带跨范式在线策略蒸馏的弹性自精修统一扩散大模型Nemotron-Labs-Diffusion-Uni: クロスパラダイム・オンポリシー蒸留による弾性的自己精緻化統一拡散 LLM27 UPVOTES · SHUFAN LI ET AL. · NVIDIA · ARXIV 2610.36466NVIDIA proposes NLD-Uni, a unified discrete diffusion language model covering both visual understanding and generation. It is trained by cross-paradigm on-policy distillation, which transfers understanding from autoregressive VLMs and generation from continuous flow models into one diffusion model, and it adds a progressive self-refining diffusion process that corrupts each token gradually.英伟达提出 NLD-Uni,一个同时覆盖视觉理解与生成的统一离散扩散语言模型。它采用跨范式在线策略蒸馏进行训练,把自回归视觉语言模型的理解能力与连续流模型的生成能力一并迁移进单个扩散模型,并引入一种逐步加噪每个词元的渐进式自精修扩散过程。NVIDIA は、視覚理解と生成の両方を扱う統一的な離散拡散言語モデル NLD-Uni を提案した。学習にはクロスパラダイム・オンポリシー蒸留を用い、自己回帰型 VLM の理解能力と連続フローモデルの生成能力を一つの拡散モデルへ移す。さらに、各トークンを段階的に劣化させる漸進的な自己精緻化拡散プロセスを導入している。
2026-10-28 · WEDNESDAY · 13:18 PDT
1Multiscale Policy Optimization for Long-Horizon LLM Agents面向长程大模型智能体的多尺度策略优化長期タスクを担う LLM エージェントのためのマルチスケール方策最適化316 UPVOTES · TAO REN ET AL. · IQUEST · ARXIV 2610.35013The paper argues that long-horizon LLM agents should be optimized at the turn scale: critic values vary mainly across assistant turns, not across the tokens inside them. Multiscale Policy Optimization pairs multiscale advantage estimation with turn-level importance sampling so credit assignment and policy updates share that scale. Experiments on search, tool-use and automation tasks report consistent gains.论文认为,长程大模型智能体应在“轮次”这一尺度上优化,因为评论者价值主要在助手轮次之间变化,而非在单轮内的 token 之间变化。多尺度策略优化将多尺度优势估计与轮次级重要性采样结合,使信用分配与策略更新处于同一尺度。在搜索、工具调用和自动化任务上,使用 4B 与 30B-A3B 模型的实验报告了稳定的提升。本論文は、長期タスクの LLM エージェントはターン単位で最適化すべきだと主張する。クリティックの価値はターン内のトークン間よりも、アシスタントのターン間で主に変動するためだ。Multiscale Policy Optimization は多尺度のアドバンテージ推定とターン単位の重要度サンプリングを組み合わせ、信用割当と方策更新を同じ尺度に揃える。検索、ツール利用、自動化の各タスクで 4B と 30B-A3B のモデルを用いた実験は一貫した改善を報告している。
2VibeVideoBench: Evaluating Multimodal Agents on Code-Driven Video GenerationVibeVideoBench:评测多模态智能体的代码驱动视频生成VibeVideoBench: コード駆動の動画生成でマルチモーダルエージェントを評価する143 UPVOTES · MUXI DIAO ET AL. · ARXIV 2610.35864VibeVideoBench evaluates multimodal agents that write code to render every frame and synthesize every sound, instead of sampling from a diffusion model. Its 239 tasks in English and Chinese span 12 categories, from data stories to classroom lessons and paper explainers, each run in the agent's native harness. The premise is that diffusion video cannot reliably render an exact formula or a correct chart.VibeVideoBench 评测的是通过写代码渲染每一帧、合成每一段声音的多模态智能体,而不是从扩散模型中采样片段。它包含 239 个自包含任务,覆盖中英文和 12 个类别,从数据故事、音乐驱动作品到课堂讲解和论文解读,每个任务都在智能体原生的运行框架中执行。其出发点是:扩散视频无法稳定地渲染准确的公式、正确的图表或与画面同步的解说。VibeVideoBench は、拡散モデルからクリップを生成するのではなく、コードを書いて全フレームを描画し全音声を合成するマルチモーダルエージェントを評価する。英語と中国語の自己完結型タスク 239 件が 12 カテゴリにわたり、データストーリーや音楽主導の作品から授業や論文解説までを含み、各タスクはエージェント本来のハーネス上で実行される。前提は、拡散動画では正確な数式や正しいグラフ、画面と同期したナレーションを確実に描けないという点だ。
3Memory Tax: Dissecting the Net Value of Agent Memory记忆税:拆解智能体记忆的净价值メモリ税: エージェント記憶の純価値を分解する99 UPVOTES · XUAN HE ET AL. · UNIVERSITY OF ILLINOIS AT URBANA-CHAMPAIGN · ARXIV 2610.34073A large-scale evaluation across multiple benchmarks and model backbones finds that many dedicated agent memory systems underperform naive retrieval-augmented generation, leaving a negative net value. Taking RAG as the reference point, the authors split memory's net value into a memory benefit and a memory tax, both arising because the memory process changes how raw history is organized and accessed.一项跨多个基准与多种模型底座的大规模评测发现,许多专用的智能体记忆系统表现不如朴素的检索增强生成,净价值为负。作者以 RAG 作为参照,把记忆的净价值拆解为“记忆收益”与“记忆税”,二者都源于记忆过程改变了原始历史的组织方式与访问方式。複数のベンチマークとモデル基盤にまたがる大規模な評価により、専用のエージェント記憶システムの多くが素朴な検索拡張生成に劣り、純価値がマイナスになることが示された。著者らは RAG を基準として記憶の純価値を「記憶の利得」と「メモリ税」に分解する。いずれも記憶処理が生の履歴の整理方法とアクセス方法を変えることから生じる。
4Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?离散 token 能否作为视觉信号的语义无损表示?離散トークンは視覚信号の意味的に無損失な表現になり得るか81 UPVOTES · JIALV ZOU ET AL. · LONGCAT · ARXIV 2610.37662The paper revisits the widely held assumption that quantization error forces discrete visual tokens to lose semantics, capping them below continuous representations. Using multimodal understanding as a proxy for semantic fidelity, it reports that quantization error is an unreliable indicator of that loss. Discrete tokens let vision share a next-token prediction objective with language.论文重新检验了一个被广泛接受的假设:量化误差必然使离散视觉 token 丢失语义,从而把连续视觉表示当作内在上界。以多模态理解作为语义保真度的代理指标,论文发现量化误差并不是这种语义损失的可靠指标。离散 token 之所以重要,是因为它让视觉能与语言共享同一个下一 token 预测目标。本論文は、量子化誤差によって離散的な視覚トークンは必然的に意味を失い、連続的な視覚表現が本質的な上限になるという広く受け入れられた前提を再検討する。意味的忠実度の代理としてマルチモーダル理解を用いた結果、量子化誤差はその損失の信頼できる指標ではないと報告している。離散トークンが重要なのは、視覚が言語と同じ次トークン予測の目的関数を共有できるようになるからだ。
5Representation Redistribution in Sparse Autoencoders稀疏自编码器中的表示再分配スパースオートエンコーダにおける表現の再分配56 UPVOTES · ZIYE MEI ET AL. · OPENSAE · ARXIV 2610.21240Sparse autoencoders decompose language model activations into sparse features, but rewriting a prompt to preserve the same request can redistribute activity across them. The authors introduce a redistribution sensitivity score that keeps only large feature responses recurring in a consistent direction, then test them on held-out prompt variants. The study covers 27 pretrained SAEs across eight language models.稀疏自编码器把语言模型的激活分解为稀疏特征,但在保持同一底层请求的前提下改写提示,活跃度会在这些特征之间重新分配。作者提出“再分配敏感度分数”,只保留在一致方向上反复出现的强特征响应,再用未参与挑选的提示变体检验所选支撑集。研究覆盖横跨八个语言模型的 27 个预训练稀疏自编码器。スパースオートエンコーダは言語モデルの活性化をスパースな特徴に分解するが、同じ要求を保つよう書き換えたプロンプトでも、活性はそれらの特徴間で再分配されうる。著者らは、一貫した方向で繰り返される大きな特徴応答のみを残す再分配感度スコアを導入し、選択に使わなかったプロンプト変種で選ばれたサポートを検証する。調査は 8 つの言語モデルにまたがる 27 個の学習済み SAE を対象とする。
2026-10-27 · TUESDAY · 13:18 PDT
1Function-Space Temporal Self-Distillation for Policy Optimization面向策略优化的函数空间时间自蒸馏方策最適化のための関数空間における時間的自己蒸留130 UPVOTES · ARYAN DAS ET AL. · INDIAN INSTITUTE OF TECHNOLOGY, KANPUR · ARXIV 2610.19687A team at IIT Kanpur introduces Function-Space Policy Optimization, a single-policy method for reinforcement learning with verifiable rewards. It keeps the dense token-level signal of self-distillation, which compares an unassisted policy with a feedback-informed self-teacher, but consolidates targets in function space over time so the teacher stops drifting with the student. It leads the day's pool with 130 upvotes.印度理工学院坎普尔分校的团队提出函数空间策略优化(FSPO),一种用于可验证奖励强化学习的单策略方法。它保留了自蒸馏在词元层面更密集的监督信号,即把无辅助的策略与获得反馈的自教师相比较,同时在函数空间中对目标做时间维度的整合,使教师不再随学生一同漂移。该论文以 130 个赞领跑当日候选。インド工科大学カンプール校のチームは、検証可能な報酬による強化学習向けの単一方策手法 Function-Space Policy Optimization を提案した。補助なしの方策とフィードバックを得た自己教師を比べる自己蒸留のトークン単位の密な信号を保ちつつ、目標を関数空間で時間方向に統合し、教師が学生とともに漂流するのを防ぐ。当日の候補で最多の 130 の賛同を集めた。
2Work Agents: Systems, Capabilities, and Optimization工作智能体:系统、能力与优化ワークエージェント: システム、能力、最適化97 UPVOTES · ZISHAN XU ET AL. · SHANGHAI JIAO TONG UNIVERSITY · ARXIV 2610.35845A survey led from Shanghai Jiao Tong University treats work agents as systems rather than models: a foundation model plus a runtime harness that executes tasks in stateful workspaces and delivers verifiable outcomes. It organizes the field along two dimensions, work persistence and work openness, to compare how reliably agents finish delegated work.上海交通大学牵头的综述把工作智能体视为系统而非模型:基础模型加上运行时宿主,在有状态的工作空间中执行任务并交付可验证的结果。文章提出工作持续性与工作开放性两个互补维度,用以比较智能体完成受托工作的可靠程度。上海交通大学が主導する展望論文は、ワークエージェントをモデルではなくシステムとして捉える。基盤モデルとランタイムハーネスが組み合わさり、状態を持つワークスペースでタスクを実行し、検証可能な成果を届けるという見方だ。作業の持続性と開放性という二つの軸を導入し、委ねられた仕事をどれだけ確実にやり遂げるかを比較する。
3Continual Learning Exam: Benchmarking Long-Horizon RSI and Experiential Learning in LLM Agents持续学习考试:评测大模型智能体的长周期自我改进与经验学习継続学習試験: LLM エージェントの長期的な自己改善と経験学習を測る43 UPVOTES · HAOYU ZHAO ET AL. · UNIVERSITY COLLEGE LONDON · ARXIV 2610.33956University College London introduces the Continual Learning Exam, a benchmark built with more than 50 domain experts to measure whether an LLM agent improves from accumulated experience rather than on isolated tasks. It comprises 120 human-authored tasks set in realistic professional workflows, the long-horizon dimension that current evaluations largely leave untested.伦敦大学学院提出持续学习考试(CLE),这是一个由 50 多位领域专家共同构建的基准,衡量大模型智能体能否凭借积累的经验不断改进,而不只是看单个任务的成绩。基准包含 120 项由人工编写、取自真实职业工作流的任务,针对的正是现有评测基本没有覆盖的长周期维度。ユニバーシティ・カレッジ・ロンドンは継続学習試験(CLE)を公開した。50 名を超える専門家が作成したベンチマークで、LLM エージェントが個々のタスクの成績ではなく、蓄積した経験によって改善していけるかを測る。実際の専門業務を題材に人手で作られた 120 のタスクからなり、既存の評価がほとんど手をつけてこなかった長期の軸を対象とする。
4WorldCast: World-Consistent Character Video Generation with Large-Angle Camera ControlWorldCast:支持大角度相机控制的世界一致角色视频生成WorldCast: 大角度のカメラ制御に対応する世界一貫なキャラクター動画生成42 UPVOTES · LEI CAO ET AL. · ARXIV 2610.33135WorldCast takes on character video generation along large-angle camera trajectories, where combined rotation, translation and radius changes reveal regions absent from the first frame and bring geometric distortion, appearance degradation and identity drift. The authors release CLACT, a large character-centric dataset and benchmark with accurate camera geometry, to study those coupled failures.WorldCast 处理大角度相机轨迹下的角色视频生成:旋转、平移与半径变化叠加在一起时,会暴露首帧中看不到的身体区域,带来几何畸变、外观劣化和身份漂移。作者同时发布 CLACT,一个以角色为中心、带有准确相机几何标注的大规模数据集与基准,用于系统研究这些相互纠缠的问题。WorldCast は大角度のカメラ軌道におけるキャラクター動画生成に取り組む。回転・並進・半径変化が重なると最初のフレームに写っていない部分が現れ、形状の歪みや見た目の劣化、同一性のずれが生じる。著者らは、正確なカメラ幾何を備えたキャラクター中心の大規模データセットとベンチマーク CLACT を公開し、これらが絡み合う課題を体系的に調べる。
5Spatial Audio Generation and Editing with Executable Plans and Self-Distilling Transfusion基于可执行方案与自蒸馏 Transfusion 的空间音频生成与编辑実行可能なプランと自己蒸留 Transfusion による空間オーディオの生成と編集38 UPVOTES · KAM MAN WU ET AL. · NOIZAI · ARXIV 2610.34415NoizAI presents AMBIT, a framework for generating and editing native first-order Ambisonics audio. A shared Transfusion backbone couples autoregressive planning with rectified-flow rendering through executable ScenePlans that set each source's content, activity and 3D trajectory; for an edit the plan describes the whole target scene, including the sources to retain.NoizAI 提出 AMBIT,一个用于原生一阶 Ambisonics 空间音频生成与编辑的统一框架。共享的 Transfusion 主干通过可执行的 ScenePlan 把自回归的规划与修正流渲染衔接起来,方案中写明每个声源的内容、活动状态与三维轨迹;在编辑场景下,方案描述的是完整的目标声场,包括需要保留的声源。NoizAI は、一次アンビソニックスを直接扱う音響生成・編集の統合フレームワーク AMBIT を提案した。共有の Transfusion バックボーンが、各音源の内容・活動・三次元軌道を記述した実行可能な ScenePlan を介して、自己回帰的なプランニングと rectified flow によるレンダリングを結び付ける。編集時には残す音源も含めた目標シーン全体をプランが記述する。
2026-10-26 · MONDAY · 13:16 PDT
1Reading, Writing, Sharing, and Interacting with the World through Video通过视频读取、书写、共享世界并与之交互映像を通じて世界を読み、書き、共有し、世界と関わる211 UPVOTES · SHENGQIONG WU ET AL. · UNIVERSITY OF OXFORD · ARXIV 2610.31668A survey from the University of Oxford adopts world modeling as a single lens on both video foundation models and video world models. Treating an observed video as a partial, lossy and temporally ordered projection of a latent world, it organizes the literature around four complementary operations: reading, writing, sharing and interacting. It drew 211 upvotes, far ahead of the rest of the day's pool.牛津大学的一篇综述以世界建模为统一视角,重新审视视频基础模型与视频世界模型这两条路线。文章把观测到的视频视为潜在时序世界的一次局部、有损且按时间排序的投影,并据此将相关文献归纳为四种互补操作:读取、书写、共享与交互。该论文获得 211 个赞,远高于当日候选中的其他论文。オックスフォード大学のサーベイ論文が、映像基盤モデルと映像世界モデルの双方を世界モデリングという一つの視点から整理した。観測された映像を、潜在的な時間的世界の部分的で損失を伴う時系列的な投影とみなし、関連研究を読む・書く・共有する・関わるという四つの補完的な操作に沿って分類する。211 件の支持を集め、当日の候補の中で群を抜いた。
2Every Weight Is a Path of Shared Discrete Decisions每个权重都是一条共享离散决策构成的路径すべての重みは共有された離散的決定の経路である18 UPVOTES · AMMAR ALI ET AL. · ITMO UNIVERSITY · ARXIV 2610.31931ITMO University proposes TWIG, or Tree-structured Weights with Inherited Gates, a representation in which every network weight is the endpoint of a path of small discrete decisions: a sign, a shift by a power of two, a zero gate and an index into a shared table. Weights that belong together share the upper part of their paths, so each decision is stored and applied once. Any trained network can be rewritten this way.ITMO 大学提出 TWIG,即带继承门控的树结构权重表示:网络中每个权重都是一串细小离散决策的终点,这些决策包括符号、按 2 的幂次移位、置零门控,以及指向共享查找表的索引。归属同一分支的权重共享路径的上半部分,因此每个决策只需存储一次、执行一次。任何训练好的网络都可以改写成这种形式。ITMO 大学が TWIG(継承ゲート付き木構造重み)を提案した。ネットワークの各重みを、符号、2 のべき乗によるシフト、ゼロゲート、共有テーブルへのインデックスという小さな離散的決定の連なりの終点として表現する。同じ枝に属する重みは経路の上部を共有するため、各決定は一度だけ保存され一度だけ適用される。学習済みのネットワークはいずれもこの形式に書き換えられるという。
3Dual Exam: Controlled Evaluation of Multimodal Agents and World ModelsDual Exam:多模态智能体与世界模型的受控评测Dual Exam: マルチモーダルエージェントと世界モデルの統制された評価16 UPVOTES · ZHEFAN RAO ET AL. · ARXIV 2610.31066Dual Exam pulls apart the evaluation of multimodal agents and world models, testing agents under fixed environment responses and world models under fixed action interventions across physical, digital, social and scientific domains. The agent track compares 10 configurations on 1,088 items in 15 reporting categories; the world model track holds 400 cases across eight scenarios.Dual Exam 把多模态智能体与世界模型的评测拆分开来:在固定的环境响应机制下考查智能体,在固定的动作干预下考查世界模型,覆盖物理、数字、社会与科学四类领域。智能体赛道在 15 个报告类别下,用 1,088 道题比较 10 种配置;世界模型赛道则包含八个场景下的 400 个案例。Dual Exam は、マルチモーダルエージェントと世界モデルの評価を切り分ける枠組みである。環境の応答を固定してエージェントを、行動介入を固定して世界モデルを、物理・デジタル・社会・科学の各領域にわたって検証する。エージェント側は 15 の報告カテゴリーのもとで 1,088 項目により 10 構成を比較し、世界モデル側は 8 つのシナリオにわたる 400 事例を収める。
4DirCast: Live Esports Directing and Commentary with a Single Streaming Video-Language ModelDirCast:用单个流式视频语言模型完成电竞直播的导播与解说DirCast: 単一のストリーミング映像言語モデルによる e スポーツのライブ演出と実況15 UPVOTES · ZIXIAN GAO ET AL. · ARXIV 2610.31734DirCast is a single streaming video-language model that both directs and commentates a live esports broadcast, taking every player's raw camera feed and working only from what has already happened. Earlier streaming models learned to commentate, but only over a broadcast a human director had already cut. Each second DirCast scans all cameras at low resolution before deciding what goes on air.DirCast 是一个流式视频语言模型,同时承担电竞直播的导播与解说:它接收每位选手的原始机位画面,并且只能依据已经发生的内容作出判断。此前的流式模型虽然学会了解说,但只能在人类导播已经切好的画面上进行。DirCast 每秒以低分辨率扫描全部机位,再决定推送哪一路画面上屏。DirCast は、e スポーツのライブ配信において演出(カメラ切り替え)と実況の双方を担う単一のストリーミング映像言語モデルである。全選手の生のカメラ映像を受け取り、これまでに起きたことだけを手がかりに判断する。従来のストリーミングモデルは実況を学習していたものの、人間のディレクターが既に切り替えた映像の上でしか機能しなかった。DirCast は毎秒すべてのカメラを低解像度で走査したうえで、どの映像を本線に出すかを決める。
5TenetBench: A Clause-Anchored Russian Corpus for Evaluating Language Models against Professional Codes of EthicsTenetBench:以条款为锚、对照职业道德准则评估语言模型的俄语语料库TenetBench: 職業倫理規程に照らして言語モデルを評価する、条項に紐づくロシア語コーパス12 UPVOTES · YEGOR ANICHKOV ET AL. · ARXIV 2610.29477TenetBench tests whether an assistant breaches a specialist's professional code, or helps them breach it, without either party noticing. It pairs 3,433 requests that conflict with clauses of fifteen Russian-language professional codes against benign twins differing only in the legitimacy of what is asked, so each case points at a specific provision rather than a broad harm category.TenetBench 用于检验大模型助手是否会违反专业人士所受的职业道德准则,或在双方都未察觉的情况下帮助用户违反准则。它把 3,433 条与十五部俄语职业准则条款相抵触的请求,与仅在请求正当性上有差别的良性对照样本配成对,使每个案例都能指向具体条款,而非笼统的危害类别。TenetBench は、LLM アシスタントが専門職の倫理規程に違反したり、利用者が違反するのを双方気づかぬまま手助けしたりしないかを検証する。ロシア語の職業倫理規程 15 件の条項に抵触する 3,433 件の要求を、求める内容の正当性だけが異なる無害な対の事例と組み合わせることで、各ケースを漠然とした危害分類ではなく具体的な条項に結び付ける。