1An Open Recipe for IMO Gold: Training Nemotron for Olympiad MathematicsIMO 金牌的开放配方:为奥林匹克数学训练 NemotronIMO 金メダルへの公開レシピ: オリンピアード数学のための Nemotron 訓練22 UPVOTES · IVAN MOSHKOV ET AL. · NVIDIA · ARXIV 2609.10712NVIDIA researchers post-trained Nemotron 3 Ultra with supervised fine-tuning and reinforcement learning to write natural-language proofs for olympiad mathematics. The resulting test-time-compute pipeline runs entirely in natural language, with no formal prover, external tools or internet access, and combines the base model with two specialist checkpoints. The paper publishes the recipe behind its IMO gold claim.英伟达研究者以监督微调和强化学习对 Nemotron 3 Ultra 进行后训练,使其能用自然语言写出奥林匹克数学证明。由此构建的测试时计算流水线完全在自然语言中运行,不依赖形式化证明器、外部工具或联网,而是把通用模型与两个专用检查点结合使用。论文公开了支撑其 IMO 金牌主张的配方。NVIDIA の研究チームが、教師ありファインチューニングと強化学習で Nemotron 3 Ultra を後訓練し、オリンピアード数学の証明を自然言語で書かせた。構築した推論時計算パイプラインはすべて自然言語で動き、形式的証明器や外部ツール、インターネットを使わず、汎用モデルと 2 つの専用チェックポイントを組み合わせる。IMO 金メダルという主張の裏にあるレシピを公開した。
2FreeFlow: A Bias-free Hierarchical Transformer for Optical Flow EstimationFreeFlow:用于光流估计的无偏置层级 TransformerFreeFlow: 光流推定のためのバイアスのない階層型 Transformer22 UPVOTES · VLADISLAV BARGATIN ET AL. · ARXIV 2609.11486FreeFlow estimates optical flow with a hierarchical transformer that drops the correlation volumes, feature warping and iterative refinement the field normally relies on. In their place it uses a single feed-forward encoder-decoder mixing several attention variants, including window and shifted-window attention. The authors argue task-specific inductive biases limit expressivity and add pipeline cost.FreeFlow 用层级式 Transformer 估计光流,去掉了该领域惯用的相关性体积、特征扭曲和迭代细化等专用结构。取而代之的是单个前馈编码器-解码器,混合多种注意力形式,包括窗口注意力与移位窗口注意力。作者认为任务专用的归纳偏置限制了表达力,并推高了流水线复杂度与算力开销。FreeFlow は、相関ボリュームや特徴ワーピング、反復的な補正といった光流推定に固有の仕組みを捨て、階層型 Transformer で光流を推定する。代わりに単一のフィードフォワード型エンコーダ・デコーダを用い、ウィンドウ注意や shifted-window 注意など複数の注意機構を組み合わせた。タスク固有の帰納バイアスは表現力を狭め、計算コストも増やすと著者は主張する。
3MetroLLM-Bench: Evaluating Language Models as Transit Kiosk RuntimesMetroLLM-Bench:把语言模型当作地铁售票终端运行时来评测MetroLLM-Bench: 言語モデルを交通系券売機のランタイムとして評価する19 UPVOTES · REMCO HENDRIKS ET AL. · CONTINKER · ARXIV 2609.10016MetroLLM-Bench tests language models as the policy layer behind a transit ticket kiosk, with 955 cases across six real metro systems ranging from 37 to 414 stations. Models must call structured tools and return a machine-renderable terminal state carrying an outcome, a per-ticket fare quote where applicable and a kiosk action. Scoring splits into 14 deterministic components and eight semantic-quality ones.MetroLLM-Bench 把语言模型当作地铁售票终端的决策层来评测,覆盖 6 个真实地铁系统、955 个用例,线网规模从 37 站到 414 站。模型必须调用结构化工具,并返回可机器渲染的终端状态,其中包含处理结果、必要时的单票票价报价以及终端动作。评分分为 14 个确定性指标和 8 个语义质量指标。MetroLLM-Bench は、言語モデルを交通系券売機の判断層として評価するベンチマークで、37 駅から 414 駅までの実在する 6 つの地下鉄網から 955 ケースを集めた。モデルは構造化ツールを呼び出し、処理結果や必要な場合の券ごとの運賃見積り、端末の動作を含む機械描画可能な端末状態を返さなければならない。採点は決定的な 14 項目と意味的品質の 8 項目に分かれる。
4TempCloze: Can Video-LLMs Identify the Missing Middle?TempCloze:视频大模型能认出缺失的中间片段吗?TempCloze: 動画 LLM は欠けた中間を見分けられるか18 UPVOTES · WENQI PEI ET AL. · THE UNIVERSITY OF HONG KONG · ARXIV 2609.01515TempCloze asks video language models to pick the true missing middle of a clip from four candidates, given only its opening and closing segments. The benchmark holds 1,521 filtered videos, mainly long-take and egocentric footage, with distractors built from the same source to remove option-wording and language-prior shortcuts. It aims at visual temporal reasoning rather than reasoning mediated by text.TempCloze 只给出视频的开头和结尾片段,要求视频语言模型从四个候选中挑出真正缺失的中段。该基准收录 1521 段经筛选的视频,以长镜头和第一人称素材为主,干扰项取自同一来源,以消除选项措辞和语言先验带来的捷径。其目标是评测视觉时序推理,而非经由文本中介的推理。TempCloze は動画の冒頭と末尾だけを示し、4 つの候補から本当の中間部分を選ばせる動画言語モデル向けのベンチマーク。長回しや一人称視点を中心に厳選した 1,521 本の動画を収録し、誤答候補は同じ素材から作って選択肢の言い回しや言語的事前知識による近道を封じた。テキストを介した推論ではなく、視覚的な時間推論そのものを測る。
5Studying Image Tokenizers as Visual Languages in Unified Multimodal Models把图像分词器视作统一多模态模型中的视觉语言統合マルチモーダルモデルにおける視覚言語としての画像トークナイザー18 UPVOTES · SITING LI ET AL. · AMAZON FRONTIER AI & ROBOTICS · ARXIV 2609.09143The paper treats image tokenizers as the visual language of unified multimodal models and studies them in a controlled pure-autoregressive testbed. The authors track task-specific validation losses for text, image, text-to-image and image-to-text prediction during multimodal continual pretraining, and relate them to downstream performance. The goal is to judge tokenizers by how visual tokens behave with text.论文把图像分词器视作统一多模态模型的视觉语言,并在受控的纯自回归测试平台中加以研究。作者在多模态持续预训练过程中跟踪文本、图像、文生图与图生文四类预测的任务验证损失,再把这些曲线与下游表现对应起来。其目的是依据视觉 token 与文本联合建模时的实际表现来评价分词器。本論文は画像トークナイザーを統合マルチモーダルモデルの視覚言語と捉え、制御された純自己回帰のテストベッドで検証する。マルチモーダル継続事前学習の過程で、テキスト、画像、text-to-image、image-to-text それぞれの検証損失を追跡し、その推移を下流性能と結びつけた。視覚トークンがテキストと並んでどう振る舞うかでトークナイザーを評価することを狙う。
2026-09-11 · FRIDAY · 13:06 PDT
1SpatialBlock: Enhancing Spatial Intelligence in LVLMs via Synthetic Block-Stacking ProblemSpatialBlock:用合成积木堆叠任务提升视觉语言模型的空间智能SpatialBlock: 合成的な積み木課題による視覚言語モデルの空間知能の強化57 UPVOTES · SOOHYUN RYU ET AL. · KAIST AI · ARXIV 2609.07064KAIST AI researchers propose SpatialBlock, which trains spatial reasoning in vision-language models on synthetic block-stacking problems instead of annotated real scenes. The paradigm is drawn from human cognitive development, and sidesteps the cost and label noise of real-scene spatial QA datasets that depend on external perception modules. It drew 57 upvotes, the most of any paper today.KAIST AI 的研究者提出 SpatialBlock,用合成的积木堆叠任务来训练视觉语言模型的空间推理能力,而非依赖带标注的真实场景数据。该范式受人类认知发展启发,规避了构建真实场景空间问答数据集的高昂成本,以及因依赖外部感知模块而引入的标注噪声。该论文获得 57 次点赞,为今日最高。KAIST AI の研究チームは、注釈付きの実シーンデータではなく合成の積み木課題で視覚言語モデルの空間推論を鍛える SpatialBlock を提案した。人間の認知発達に着想を得た枠組みで、実シーンの空間 QA データセット構築にかかる高いコストと、外部の知覚モジュールに依存することで生じるラベルのノイズを回避する。本日最多となる 57 票を集めた。
2WearableQA: A Benchmark for Health Reasoning over Real-World Wearable DataWearableQA:面向真实可穿戴数据健康推理的基准WearableQA: 実世界のウェアラブルデータに対する健康推論ベンチマーク31 UPVOTES · JI SOO LEE ET AL. · META · ARXIV 2609.05405Meta introduced WearableQA, a benchmark of 4,084 ten-option questions built from the wearable time series, blood biomarkers and demographics of 200 real users, each with up to 500 days of daily measurements. It keeps the device noise and individual variation of real records rather than smoothing them, testing whether models can reason over a longitudinal health history. The paper drew 31 upvotes.Meta 推出 WearableQA 基准,包含 4,084 道十选一题目,取材于 200 名真实用户的可穿戴时序数据、血液生物标志物与人口统计信息,每人最长涵盖 500 天的日常测量。该基准保留了真实记录中的设备噪声与个体差异,而非加以平滑,用以检验模型能否对纵向健康记录进行推理。该论文获得 31 次点赞。Meta はベンチマーク WearableQA を公開した。実ユーザー 200 人のウェアラブル時系列、血液バイオマーカー、属性情報から作った 10 択問題 4,084 問で構成され、1 人あたり最長 500 日分の日次測定を含む。実記録に含まれる機器のノイズや個人差をならさずに残し、長期の健康履歴をモデルが推論できるかを試す。本論文は 31 票を集めた。
3SWE-Bench Pro Verified: A Reliable Benchmark for Software Engineering AgentsSWE-Bench Pro Verified:面向软件工程智能体的可靠基准SWE-Bench Pro Verified: ソフトウェア工学エージェントのための信頼できるベンチマーク21 UPVOTES · PUJUN ZHENG ET AL. · SHANGHAI AI LABORATORY · ARXIV 2609.08149Shanghai AI Laboratory released SWE-Bench Pro Verified, a cleaned version of the SWE-Bench Pro agent benchmark. The authors report the original is undermined by reward hacking, where gold solutions or hidden evaluation information leak to the agent, and by task quality problems such as misleading problem statements and improperly scoped tests. Both inflate scores and obscure real coding ability.上海人工智能实验室发布 SWE-Bench Pro Verified,即智能体基准 SWE-Bench Pro 的清洗版本。作者指出原版存在两类问题:一是奖励攻击,标准答案或隐藏的评测信息会泄露给智能体;二是任务质量缺陷,包括题面表述具有误导性、测试范围划定不当。两者都会抬高分数,掩盖智能体真实的编码能力。上海人工知能研究所は、エージェント評価ベンチマーク SWE-Bench Pro を精査した版として SWE-Bench Pro Verified を公開した。著者らは原版について、正解や隠されているはずの評価情報がエージェントに漏れる報酬ハッキングと、問題文の誤導やテスト範囲の不備といった課題品質の問題を指摘する。いずれもスコアを押し上げ、本来のコーディング能力を見えにくくするという。
4Mi-Ripple: Restoring Images Degraded by Iterative AI EditingMi-Ripple:修复经 AI 反复编辑而劣化的图像Mi-Ripple: AI による反復編集で劣化した画像の復元20 UPVOTES · JIAYIN CHEN ET AL. · MIYANG TECHNOLOGY (SHANGHAI) CO., LTD. · ARXIV 2609.11317Mi-Ripple targets the grid-like and granular texture, known as digital ripple, that builds up when an image is edited repeatedly by reference-conditioned models. The workflow first separates periodic lattice artifacts from texture entangled with content, then applies spectral notching, structure-aware smoothing or regeneration from a cleaned reference depending on the diagnosis. The paper drew 20 upvotes.Mi-Ripple 针对的是图像被参考条件模型反复编辑后累积出的网格状与颗粒状纹理,业内称之为数字波纹。该流程先将周期性的格状伪影与同内容缠绕的颗粒纹理区分开,再依据诊断结果分别采用频谱陷波、结构感知平滑,或基于净化参考图的重新生成。该论文获得 20 次点赞。Mi-Ripple は、参照条件付きモデルで画像を繰り返し編集した際に蓄積する格子状・粒状のテクスチャ、いわゆるデジタルリップルを対象とする。周期的な格子アーティファクトと、内容と絡み合った粒状テクスチャをまず切り分け、診断結果に応じてスペクトルのノッチ処理、構造を意識した平滑化、浄化した参照画像からの再生成を使い分ける。本論文は 20 票を集めた。
5PARSER: Read in Parallel, Reason in Depth for Long-Context LLM AgentsPARSER:面向长上下文 LLM 智能体的并行阅读与深度推理PARSER: 長文脈 LLM エージェントのための並列読解と深い推論17 UPVOTES · KUN LI ET AL. · ARXIV 2609.06702PARSER decouples reading from reasoning in long-context agents. A bank of lightweight subagents, each bound to one chunk, reads an entire document in parallel while a lead agent runs iterative scatter-gather rounds, broadcasting a query and aggregating the returns. The design targets two weaknesses of sequential memory agents: sensitivity to where evidence sits, and latency that grows with document length.PARSER 将长上下文智能体中的阅读与推理解耦。一组轻量子智能体各自绑定一个文本块,并行读完整篇文档,主智能体则通过多轮 scatter-gather 迭代推理:每轮向全部子智能体广播查询并汇总返回结果。该设计针对顺序记忆式智能体的两个弱点:对证据所在位置的敏感,以及延迟随文档长度增长。PARSER は長文脈エージェントにおける読解と推論を分離する。軽量なサブエージェント群が各々ひとつのチャンクを担当して文書全体を並列に読み、主エージェントは全サブエージェントへの問い合わせ配信と結果集約を繰り返す scatter-gather で推論を深める。逐次的なメモリ型エージェントが抱える、証拠の位置への敏感さと文書長に応じて延びる遅延という二つの弱点を狙う。
2026-09-10 · THURSDAY · 13:05 PDT
1Show-Harness: Just a VLM Agent Can Play RobotsShow-Harness:仅靠一个 VLM 智能体就能操控机器人Show-Harness: VLM エージェントだけでロボットを動かせる96 UPVOTES · YANZHE CHEN ET AL. · SHOW LAB · ARXIV 2609.10522Show-Harness is an embodied harness that lets vision-language models control robots through a compact semantic interface linking intent to action. The model reasons over discrete semantic action units, while embodiment-specific interpreters deterministically ground those units into local robot actions. The design keeps the VLM directly responsible for fine-grained physical decisions.Show-Harness 是一种具身框架,通过把意图与动作相连的紧凑语义接口,让视觉语言模型直接操控机器人。模型在离散的语义动作单元上进行推理,再由针对具体形体的解释器将这些单元确定性地落实为本地机器人动作。该设计使 VLM 仍需为细粒度的物理决策直接负责。Show-Harness は、意図と動作を結ぶ簡潔な意味インターフェースを通じて、視覚言語モデル(VLM)にロボットを操作させる身体化ハーネスである。モデルは離散的な意味的アクション単位の上で推論し、身体ごとのインタープリターがそれを決定論的に実機の動作へ変換する。この設計により、細かな物理的判断の責任は VLM 自身に残る。
2AgentGrad: Intervention-guided Prompt Optimization for Multi Agent SystemsAgentGrad:面向多智能体系统的干预引导式提示词优化AgentGrad: 介入に導かれるマルチエージェントシステムのプロンプト最適化64 UPVOTES · JAEWON CHU ET AL. · ARXIV 2609.08572AgentGrad addresses prompt optimization for LLM-based multi-agent systems, where textual gradient methods update each agent's prompt from natural-language feedback. The authors identify limitations at two stages, gradient extraction and gradient aggregation, noting that prior work picks a target prompt without checking whether changing it actually resolves the failure.AgentGrad 针对基于大语言模型的多智能体系统的提示词优化问题,这类系统通常用文本梯度方法,根据自然语言反馈更新每个智能体的提示词。作者指出现有方法在梯度提取与梯度聚合两个环节存在不足:此前的工作在选定待修改的提示词时,并未验证修改它是否真能解决相应的失败。AgentGrad は、LLM ベースのマルチエージェントシステムにおけるプロンプト最適化を扱う。この分野では、自然言語のフィードバックから各エージェントのプロンプトを更新するテキスト勾配法が主流となっている。著者らは勾配の抽出と集約という 2 段階に限界があると指摘し、従来手法が対象プロンプトを選ぶ際に、それを変えれば失敗が解消するのかを検証していない点を挙げる。
3Programmable World Model可编程世界模型プログラマブル・ワールドモデル62 UPVOTES · ZHENG-HUI HUANG ET AL. · ALAYA LAB · ARXIV 2609.10540Programmable World Model separates world-state evolution from visual observation generation so that video world models can hold persistent state across long interactions. An agent translates natural-language instructions into executable programs that specify entity states and state-transition rules, and a lightweight engine runs those programs to update the world before anything is rendered.可编程世界模型将世界状态的演化与视觉观测的生成解耦,使视频世界模型能够在长时间交互中保持持久状态。智能体把自然语言指令翻译成可执行程序,程序显式描述实体状态及状态转移规则,再由一个轻量引擎执行这些程序来更新世界,然后才生成画面。Programmable World Model は、世界状態の変化と映像としての観測生成を切り離し、長い対話のあいだも動画ワールドモデルが状態を保持できるようにする。エージェントは自然言語の指示を、実体の状態と状態遷移規則を記述した実行可能なプログラムへ変換し、軽量なエンジンがそれを実行して世界を更新したうえで描画する。
4SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout EvolutionSceneMosaic:通过混合式智能体布局演化高效生成多样的仿真就绪场景SceneMosaic: ハイブリッドなエージェント的レイアウト進化による効率的で多様なシミュレーション対応シーン生成41 UPVOTES · XINGJIAN RAN ET AL. · THE UNIVERSITY OF HONG KONG · ARXIV 2609.05594SceneMosaic generates diverse, simulation-ready indoor 3D scenes through what the authors call hybrid agentic layout evolution. It aims to combine the fidelity of VLM-driven agentic pipelines, which require costly iterative object placement and refinement, with the speed of parametric image-to-3D models, which are efficient but often yield imprecise or physically invalid scenes.SceneMosaic 通过作者所称的混合式智能体布局演化,生成多样且可直接用于仿真的室内三维场景。它试图兼顾两条路线的优点:由视觉语言模型驱动的智能体流水线保真度高,但需要代价高昂的反复摆放与优化;参数化的图像到三维模型效率高,却常生成不精确或违反物理规律的场景。SceneMosaic は、著者らが「ハイブリッドなエージェント的レイアウト進化」と呼ぶ手法で、多様かつそのままシミュレーションに使える屋内 3D シーンを生成する。忠実度は高いが物体配置の反復調整に高いコストがかかる VLM 主導のエージェント型パイプラインと、高速な一方で不正確だったり物理的に破綻したシーンを生みやすいパラメトリックな画像から 3D への手法、その双方の利点を狙う。
5BeaconKV: Key-Value Cache Compression Guided by Beacon Queries for Efficient Large Reasoning Model InferenceBeaconKV:以信标查询引导的键值缓存压缩,加速大型推理模型的推理BeaconKV: ビーコンクエリに導かれる KV キャッシュ圧縮による大規模推論モデルの効率的推論32 UPVOTES · JANGHYEON KIM ET AL. · ARXIV 2609.04971BeaconKV compresses the key-value cache of large reasoning models, whose caches grow linearly with the long chain-of-thought traces they generate and often exceed GPU capacity. The authors show that existing methods, which estimate future token importance from recent queries, break down in long-horizon reasoning at decoding steps that revisit earlier thoughts.BeaconKV 针对大型推理模型的键值缓存进行压缩:这类模型生成的长思维链会让缓存随序列长度线性增长,常常超出 GPU 显存容量。作者指出,现有方法依据最近的查询来估计未来 token 的重要性,而在长程推理中,一旦解码步骤回头修正先前的思路,这一假设便不再成立。BeaconKV は、大規模推論モデルの KV キャッシュを圧縮する手法である。こうしたモデルが生成する長い思考連鎖に伴いキャッシュは系列長に比例して膨らみ、GPU の容量を超えることも多い。著者らは、直近のクエリから将来のトークンの重要度を見積もる既存手法が、以前の思考を見直すデコード段階を含む長期的な推論では成り立たなくなることを示す。
2026-09-09 · WEDNESDAY · 13:06 PDT
1AuK Technical Report: An Open-Source Foundational Model for Speech Generation and EditingAuK 技术报告:面向语音生成与编辑的开源基础模型AuK テクニカルレポート: 音声生成と編集のためのオープンソース基盤モデル163 UPVOTES · ZIYANG MA ET AL. · TENCENT HUNYUAN · ARXIV 2609.08936Tencent Hunyuan released AuK, an open-source foundational model that unifies speech generation and editing behind natural-language instructions and audio context. The team reports about 3.03 billion instruction-audio instances and 1.95 million hours of effective supervision across five task families, from content editing to enhancement, separation and acoustic editing. It is the day's most upvoted paper at 163 votes.腾讯混元发布开源基础模型 AuK,以自然语言指令和音频上下文统一语音生成与编辑。团队称构建了约 30.3 亿条指令-音频样本、195 万小时有效监督数据,覆盖内容编辑、增强与分离、声学编辑等五类任务。该论文以 163 票位居当日榜首。テンセント混元は、自然言語の指示と音声コンテキストによって音声生成と編集を統合するオープンソース基盤モデル AuK を公開した。約 30.3 億件の指示と音声のデータ、195 万時間分の有効な教師信号を構築し、内容編集や強調と分離、音響編集など 5 系統のタスクを対象とするという。163 票で当日最多得票の論文である。
2OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model PretrainingOpenWAM:面向系统化世界-动作模型预训练的开放模块化探索OpenWAM: 体系的な世界行動モデル事前学習に向けたオープンでモジュラーな探究48 UPVOTES · YURAN WANG ET AL. · OPENWAM · ARXIV 2609.07398OpenWAM is an open research stack for pretraining world-action models, which turn video-generative priors into executable robot control. The authors argue existing systems are monolithic, with backbone, visual representation, architecture and training data tightly coupled, and factorize that design space into composable modules under unified training and inference. The aim is to show which design choices matter.OpenWAM 是一套用于世界-动作模型预训练的开放研究框架,这类模型把视频生成先验转化为可执行的机器人控制信号。作者认为现有系统过于一体化,生成骨干、视觉表征、架构与训练数据紧密耦合,因而将设计空间拆解为可组合模块,并统一训练与推理流程。目标是厘清哪些设计选择真正起作用。OpenWAM は、映像生成の事前知識を実行可能なロボット制御へと変換する世界行動モデルの事前学習に向けたオープンな研究基盤である。著者らは、既存システムが生成バックボーンや視覚表現、アーキテクチャ、学習データを密結合させた一枚岩だと指摘し、その設計空間を組み合わせ可能なモジュールへ分解して学習と推論を統一した。どの設計判断が効いているのかを見極めることが狙いだ。
3Marigold V2: Revisiting Diffusion Transformers for Monocular Depth EstimationMarigold V2:重新审视用于单目深度估计的扩散 TransformerMarigold V2: 単眼深度推定に向けた拡散トランスフォーマーの再検討44 UPVOTES · IGOR PAVLOVIC ET AL. · HUAWEI BAYER LAB · ARXIV 2609.08084Marigold V2 revisits the recipe for turning diffusion transformer image models into monocular depth estimators, this time targeting single-step inference. The authors note that despite the field's maturity, current models still fail to generalize to out-of-distribution inputs and produce blurry depth maps. Depth estimation feeds scene reconstruction, computational photography and robotics.Marigold V2 重新梳理了把扩散 Transformer 图像模型改造为单目深度估计器的方法,这一次针对单步推理。作者指出,尽管该领域已相当成熟,现有模型在分布外输入上仍难以泛化,输出的深度图也不够锐利。深度估计是场景重建、计算摄影与机器人技术的基础环节。Marigold V2 は、拡散トランスフォーマーの画像モデルを単眼深度推定器へ転用する手法を、今回は 1 ステップ推論を狙って再検討したものである。著者らは、分野の成熟にもかかわらず、既存モデルが分布外の入力にうまく汎化できず、鮮明な深度マップを出せていない点を挙げる。深度推定はシーン再構成や計算写真、ロボティクスの土台となる。
4Miles v0.1: Production-Level Post-TrainingMiles v0.1:生产级后训练系统Miles v0.1: プロダクション水準の事後学習44 UPVOTES · RADIXARK ET AL. · RADIXARK · ARXIV 2609.08368RadixArk published Miles v0.1, a full-stack system for frontier post-training built on the design of slime. Rollout engines run on SGLang and the trainer offers a choice of two backends, one of them NVIDIA Megatron-LM, with every stage of the reinforcement-learning loop built to be verified, clean and customizable. The report walks the pipeline end to end.RadixArk 发布 Miles v0.1,一套基于 slime 设计的前沿后训练全栈系统。推理采样引擎构建在 SGLang 之上,训练端提供两种后端可选,其中之一为 NVIDIA Megatron-LM,强化学习闭环的每个阶段都要求可验证、干净且可定制。报告对整条流水线做了端到端说明。RadixArk は、slime の設計を土台にしたフロンティア事後学習のフルスタック基盤 Miles v0.1 を公開した。ロールアウトエンジンは SGLang 上で動き、トレーナーは NVIDIA Megatron-LM を含む 2 種類のバックエンドから選べる。強化学習ループの各段階は検証可能で、簡潔かつ改変しやすい設計を掲げる。報告書はパイプラインを端から端まで解説している。
5Mask Forcing: Improving Autoregressive Video Diffusion Distillation via Dual-Noise Masking RolloutMask Forcing:用双噪声掩码 rollout 改进自回归视频扩散蒸馏Mask Forcing: デュアルノイズマスキングロールアウトによる自己回帰動画拡散蒸留の改善43 UPVOTES · ZHUORAN ZHAO ET AL. · ARXIV 2609.09123Mask Forcing targets the quality loss when bidirectional video diffusion models are distilled into causal autoregressive students for real-time generation. The authors trace the over-saturated, over-smoothed output to the mode-seeking behavior of the reverse KL objective in distribution matching distillation, which can collapse the student onto a few of the teacher's modes. The fix is a dual-noise masking rollout.Mask Forcing 针对的是把双向视频扩散模型蒸馏为因果自回归学生模型以实现实时生成时出现的画质下降。作者将过饱和、过平滑的输出归因于分布匹配蒸馏中反向 KL 目标的寻模行为,它会让学生模型坍缩到教师模型的少数几个模式上。他们给出的解法是双噪声掩码 rollout。Mask Forcing は、双方向の動画拡散モデルをリアルタイム生成向けに因果的な自己回帰モデルへ蒸留した際に生じる品質低下に取り組む。著者らは、彩度や平滑化が過剰になる原因を、分布マッチング蒸留における逆 KL 目的のモード探索的な性質に求める。これは生徒モデルを教師モデルの一部のモードへ崩壊させうる。対策として提案するのがデュアルノイズマスキングロールアウトである。
2026-09-08 · TUESDAY · 13:07 PDT
1Dr. Claw: An AI Scientist Workspace for Vibe ResearchDr. Claw:面向「氛围式研究」的 AI 科学家工作空间Dr. Claw:バイブ・リサーチのための AI サイエンティスト・ワークスペース123 UPVOTES · DINGJIE SONG ET AL. · ARXIV 2609.00365The paper presents Dr. Claw, an open-source workspace that wraps command-line coding agents such as Claude Code and Gemini CLI in a human-in-the-loop workflow instead of adding another autonomous agent. Persistent state objects, a reusable skill library and multi-executor coordination link human decisions to agent execution. It is the day's most upvoted paper at 123.论文提出 Dr. Claw,一个开源工作空间,将 Claude Code、Gemini CLI 等命令行编程智能体纳入人在回路的可控流程,而不是再造一个自主智能体。持久化状态对象、可复用技能库与多执行器协同,把人的决策与智能体的执行连接起来。该文以 123 票成为当天获赞最多的论文。本論文は、Claude Code や Gemini CLI といったコマンドライン型のコーディングエージェントを、新たな自律エージェントを足すのではなく人間が介在する制御可能なワークフローに組み込むオープンソースのワークスペース Dr. Claw を提案する。永続的な状態オブジェクト、再利用可能なスキルライブラリ、複数エグゼキュータの協調により、人間の判断とエージェントの実行が結び付く。123 票を集め当日最多の支持を得た。
2Unlocking Lossless Speedups in LLMs via Discrete Diffusion通过离散扩散实现大模型的无损加速離散拡散による LLM の無損失な高速化67 UPVOTES · SUBHAM SEKHAR SAHOO ET AL. · INSTITUTE OF FOUNDATION MODELS · ARXIV 2609.04010The paper introduces diffusion-augmented LLMs, which keep an autoregressive model distribution but use diffusion to draw several tokens from it in parallel. Parameters are split into AR weights trained with standard next-token prediction and lightweight diffusion weights trained to emit multiple tokens at once. The aim is to break the sequential decoding bottleneck without changing the model's distribution.论文提出「扩散增强的大模型」:仍然定义自回归的模型分布,但用扩散从该分布中并行采样多个 token。参数被拆分为按标准下一 token 预测训练的自回归权重,以及用于同时生成多个 token 的轻量扩散权重。目标是在不改变模型所定义分布的前提下,打破逐字解码的瓶颈。本論文は、自己回帰モデルの分布を保ったまま、拡散を用いてそこから複数トークンを並列にサンプリングする「拡散拡張 LLM」を提案する。パラメータは、標準的な次トークン予測で学習する自己回帰の重みと、複数トークンを同時に生成する軽量な拡散の重みに分離される。モデルが定める分布を変えずに逐次デコードのボトルネックを解消することを狙う。
3FlowBalance: Verifier-Grounded Self-Improvement from On-Policy Reasoning ExperienceFlowBalance:以验证器为基础、从同策略推理经验中自我改进FlowBalance:検証器に基づく、オンポリシー推論経験からの自己改善58 UPVOTES · ZIXUN HUANG ET AL. · TENCENT HUNYUAN · ARXIV 2609.03241FlowBalance is a verifier-grounded self-improvement method for reasoning models: it learns a normalized distribution over complete responses rather than leaning on sparse terminal verifiers alone. A frozen view of the same policy, given privileged context, produces token-level log-probability gains that are aggregated per trajectory. It targets dense same-model guidance that reinforces false confidence.FlowBalance 是一种以验证器为基础的推理模型自我改进方法:它学习覆盖完整回答的归一化分布,而不只依赖稀疏的终端验证信号。同一策略的冻结视图在获得特权上下文后给出 token 级的对数概率增益,再聚合为轨迹级信号。该方法针对的是同模型密集指导容易强化错误自信的问题。FlowBalance は、検証器を土台とした推論モデルの自己改善手法である。まばらな終端検証だけに頼らず、完全な応答全体にわたる正規化された分布を学習する。同一方策の凍結されたビューが特権的な文脈を与えられてトークン単位の対数確率の増分を出し、それを軌跡単位で集約する。同一モデルによる密な指導が誤った自信を強めてしまう問題に対処する。
4Iris: Climbing to the Search FrontierIris:攀登搜索能力的前沿Iris:検索能力のフロンティアを登る53 UPVOTES · ZIYUAN LIU ET AL. · ALLSPARK RESEARCH · ARXIV 2609.04304AllSpark Research presents Iris-mini and Iris-pro, two search agents trained at the 35B-A3B and 397B-A17B scales, with the data pipeline and recipe behind them. Tasks are reverse-constructed from a web corpus's hyperlink structure: multi-hop chains over an entity graph, with each non-answer entity rewritten as a descriptive reference so no clue yields to string matching.AllSpark Research 发布 Iris-mini 与 Iris-pro 两款搜索智能体,规模分别为 35B-A3B 与 397B-A17B,并公开了背后的数据流水线与训练配方。任务由网页语料的超链接结构反向构造:在实体图上编写多跳链条,并把答案以外的实体改写为描述性指代,使任何线索都无法靠字符串匹配解决。AllSpark Research は、35B-A3B と 397B-A17B の規模で学習した検索エージェント Iris-mini と Iris-pro を、その背後にあるデータパイプラインと学習レシピとともに公開した。タスクはウェブコーパスのハイパーリンク構造から逆向きに構成され、エンティティグラフ上に多段の連鎖を作り、答え以外のエンティティを説明的な言い換えに置き換えることで、文字列一致では手掛かりを解けないようにしている。
5Motion-Omni: End-to-End Joint Speech and Full-Body Motion for Spoken DialogueMotion-Omni:面向口语对话的语音与全身动作端到端联合生成Motion-Omni:音声対話のための音声と全身モーションのエンドツーエンド統合生成38 UPVOTES · CHENGQIAN MA ET AL. · PEKING UNIVERSITY · ARXIV 2609.04250Motion-Omni is an end-to-end framework in which a spoken dialogue model natively outputs both speech and full-body motion, rather than cascading a motion model over already-generated audio. That cascade needs a second full inference pass and rules out joint optimization between what an avatar says and how it moves. The work comes from Peking University.Motion-Omni 是一个端到端框架,让口语对话模型直接同时输出语音与全身动作,而不是在生成好的音频之后再串接一个动作模型。级联做法需要第二次完整推理,也无法对「说什么」与「怎么动」进行联合优化。该研究来自北京大学。Motion-Omni は、生成済みの音声に対してモーションモデルを後段でつなぐのではなく、音声対話モデルが音声と全身のモーションをそのまま同時に出力するエンドツーエンドの枠組みである。従来のカスケード方式は 2 回目の推論を丸ごと必要とし、何を話すかとどう動くかを一体で最適化することもできない。北京大学による研究。
2026-09-07 · MONDAY · 13:03 PDT
1Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems双层协同反思:多智能体大模型系统的博弈论方法二層協調リフレクション:マルチエージェント LLM システムへのゲーム理論的アプローチ91 UPVOTES · YIHANG CHEN ET AL. · ARXIV 2609.02750The paper models orchestrator-worker interaction in multi-agent LLM systems as a bilevel coordination game. Under bounded coupling it treats the workers' local-update game as an approximate potential game whose equilibrium slack is controlled by decomposition quality, and analyzes textual reflection as stochastic movement over semantic memory states. It is the day's most upvoted paper at 91.该论文将多智能体大模型系统中编排者与执行者的交互建模为双层协同博弈。在有界耦合条件下,执行者的局部更新博弈被视为近似势博弈,其均衡松弛由任务分解质量决定;文本反思则被分析为在语义记忆状态上的随机游走。这是当天获赞最多的论文,共 91 票。本論文は、マルチエージェント LLM システムにおけるオーケストレータとワーカーの相互作用を二層協調ゲームとして定式化する。結合が有界な条件下でワーカーの局所更新ゲームを近似ポテンシャルゲームとみなし、その均衡のずれは分解の質に左右されるとし、テキストによる内省を意味記憶状態上の確率的な遷移として解析する。91 票を集め当日最多の支持を得た。
2The Attention Triangle in Audio-Video Models音视频模型中的注意力三角音声・映像モデルにおけるアテンションの三角形25 UPVOTES · SAGI POLACZEK ET AL. · TEL AVIV UNIVERSITY · ARXIV 2609.03586Tel Aviv University researchers probe what they call the attention triangle in audio-video diffusion models: the three cross-attention edges linking text, audio and video. Routing along the audio-video edge turns out to be bidirectional, so audio can influence generated video and video can influence generated audio. The same mechanism that coordinates the modalities also leaks semantics between them.特拉维夫大学的研究者剖析了音视频扩散模型中的“注意力三角”,即连接文本、音频与视频的三条交叉注意力通路。研究发现音频与视频之间的路由是双向的:音频会影响生成的视频,视频也会影响生成的音频。用于协调各模态的机制,同时也在模态之间造成语义泄漏。テルアビブ大学の研究チームは、音声・映像拡散モデルにおける「アテンションの三角形」、すなわちテキスト・音声・映像を結ぶ三つのクロスアテンション経路を分析した。音声と映像の経路は双方向であり、音声が生成映像に、映像が生成音声に影響しうることが判明した。モダリティを協調させる仕組みが、同時に意味の漏出も引き起こしている。
3Enoki: Efficient Multi-Level Hallucination DetectionEnoki:高效的多层级幻觉检测Enoki: 効率的なマルチレベル・ハルシネーション検出16 UPVOTES · ELISEI RYKOV ET AL. · S-NLP · ARXIV 2609.00581Enoki is an Open Information Extraction framework that detects LLM hallucinations at both the claim and span level. Existing detectors work at only one of the two, and bridging them is expensive: LLM-heavy pipelines need repeated decomposition and verification calls, while modular systems need claim-to-span alignment. Enoki instead extracts text-anchored relational facts and verifies those.Enoki 是一个开放信息抽取框架,可同时在断言级与文本片段级检测大模型幻觉。现有检测器只能覆盖其中一层,而打通两者代价高昂:重度依赖大模型的流水线需要多轮分解与核验调用,模块化系统则需额外的断言到片段对齐。Enoki 转而抽取锚定于原文的关系事实并对其进行核验。Enoki は、LLM のハルシネーションを主張レベルとスパンレベルの双方で検出するオープン情報抽出フレームワークである。既存の検出器はいずれか一方にとどまり、両者の橋渡しは高コストだ。LLM を多用するパイプラインは分解と検証の呼び出しを繰り返し、モジュール型では主張とスパンの対応付けが別途必要になる。Enoki は本文に紐づく関係事実を抽出して検証する方式を採る。
4Beneath the Surface of Chains-of-Thought: A Mechanistic Interpretation of Reasoning Operations in LLMs思维链之下:大模型推理操作的机制性解读思考連鎖の水面下:LLM における推論操作の機構的解釈10 UPVOTES · SEOGYEONG JEONG ET AL. · NAVER AI LAB · ARXIV 2609.04753NAVER AI Lab asks whether the functional operations of chain-of-thought reasoning, such as problem formulation, goal decomposition and deduction, are geometrically organized in a model's hidden representations. The operations prove separable in held-out representations, with separability peaking in middle layers, and the authors verify the structure is not explained by lexical cues.NAVER AI Lab 探究思维链推理中的各类功能操作(如问题建构、目标分解与演绎)是否在模型隐藏表示中具有对应的几何结构。结果显示这些操作在留出表示中可被区分,且区分度在中间层达到峰值;作者还验证该结构并非由词汇线索所致。NAVER AI Lab は、問題の定式化・目標の分解・演繹といった思考連鎖の機能的操作が、モデルの隠れ表現の中で幾何的に組織化されているかを検証した。これらの操作は保留した表現上で分離可能であり、分離度は中間層で最大となった。著者らはこの構造が語彙的手がかりでは説明できないことも確認している。
5MaxKernel: Agentic Kernel Generation for TPUsMaxKernel:面向 TPU 的智能体化内核生成MaxKernel: TPU 向けエージェント型カーネル生成9 UPVOTES · SHANGKUN WANG ET AL. · GOOGLE · ARXIV 2609.04523Google presents MaxKernel, a multi-agent system that writes high-performance custom TPU kernels using real-time compiler feedback. It implements three paradigms: a human-in-the-loop agent for step-by-step design, an autonomous agent running a metric and trace driven optimization loop, and a graph-based agent. The target is work that normally demands deep hardware expertise.谷歌提出 MaxKernel,一个借助实时编译器反馈编写高性能 TPU 定制内核的多智能体系统。它实现了三种范式:用于逐步协同设计的人在回路智能体、由指标与追踪数据驱动的全自动优化智能体,以及基于图的智能体。这类工作通常需要深厚的硬件底层专长。Google は、リアルタイムのコンパイラフィードバックを用いて高性能なカスタム TPU カーネルを記述するマルチエージェントシステム MaxKernel を発表した。段階的な設計を人と協働で進める Human-in-the-Loop 型、指標とトレースに基づく最適化ループを回す自律型、そしてグラフベース型という三つの方式を実装する。本来は深いハードウェア知識を要する作業が対象だ。
2026-09-05 · SATURDAY · 13:05 PDT
1RoboTok: An Internet-Scale Data Engine for Human Demonstration Retrieval and Dexterous Manipulation LearningRoboTok:面向人类演示检索与灵巧操作学习的互联网规模数据引擎RoboTok: 人間のデモ検索と器用な操作学習のためのインターネット規模データエンジン62 UPVOTES · HOWARD QIAN ET AL. · RICE ROBOTPI LAB · ARXIV 2609.03199RoboTok is a data engine that takes a query video of a human manipulating an object and retrieves matching demonstrations from web video at internet scale, then trains dexterous robot policies on them. It learns a latent motion space from 3D hand trajectories in actor-centered reference frames, so retrieval transfers across people and scenes. The target is the long tail of tasks robot data collection cannot cover.RoboTok 是一个数据引擎:给定一段人类操作物体的查询视频,它能在互联网规模的网络视频中检索出相关的演示片段,用于训练灵巧操作机器人策略。该方法从以操作者为中心坐标系表示的三维手部轨迹中学习潜在运动空间,使检索能够跨越不同人物与场景。其目标是覆盖机器人数据采集难以负担的长尾任务。RoboTok は、人が物体を操作するクエリ動画を与えると、インターネット規模のウェブ動画から関連するデモを検索し、器用な操作を行うロボット方策の学習に用いるデータエンジンだ。動作主中心の座標系で表した3次元手指軌跡から潜在的な運動空間を学習するため、人物や場面が変わっても検索が機能する。ロボットのデータ収集では賄いきれない長い裾野のタスクを狙う。
2Scal3R: Learning Efficient Multi-Relative Pose Query for Scalable Online 3D ReconstructionScal3R:为可扩展在线三维重建学习高效的多参考相对位姿查询Scal3R: スケーラブルなオンライン3D再構成のための効率的な多参照相対姿勢クエリの学習45 UPVOTES · CHIN-YANG LIN ET AL. · NATIONAL YANG MING CHIAO TUNG UNIVERSITY · ARXIV 2609.04201Online 3D reconstruction degrades on long videos, and the authors trace the failure to regressing every pose against a fixed first-frame anchor, which pushes the model far outside its training distribution. Per-frame depth stays intact while the global pose head collapses, so Scal3R reframes the task as querying poses relative to multiple references. The change keeps reconstruction stable over much longer sequences.在线三维重建在长视频上会明显退化,作者将失败归因于把所有位姿都相对于固定的首帧锚点回归,这会让模型远远偏离训练分布。研究发现逐帧深度依然可靠,崩溃的只是全局位姿头,因此 Scal3R 把任务重新表述为相对多个参考帧的位姿查询。这一改动让重建在更长的序列上保持稳定。オンライン3D再構成は長い動画で精度が崩れるが、著者らはその原因を、すべての姿勢を固定した先頭フレームを基準に回帰させるため学習分布から大きく外れる点に求めた。フレームごとの深度は保たれ、崩壊するのは大域的な姿勢推定部分だけであることから、Scal3R は複数の参照フレームに対する相対姿勢のクエリとして問題を定式化し直す。これにより、はるかに長い系列でも再構成が安定する。
3Editable Visual Design可编辑视觉设计編集可能なビジュアルデザイン40 UPVOTES · JUNYAN YE ET AL. · TENCENT HUNYUAN · ARXIV 2609.04034Diffusion image models produce flattened bitmaps with error-prone text and no way to edit a layer afterwards, while code-based generation gives clean layers but weak aesthetic judgment. The paper proposes a coding-agent paradigm in which a vision-language model acts as the creative brain and emits code, keeping layout control and editable layers. The 12-author work comes from Tencent Hunyuan.扩散图像模型生成的是压平的位图,文字容易出错,事后也无法按图层修改;而基于代码的生成虽然图层清晰,却缺乏整体审美判断。论文提出一种以编码智能体为核心的范式,让视觉语言模型充当创意大脑并输出代码,从而同时保留布局控制与可编辑图层。这项由 12 位作者完成的工作来自腾讯混元。拡散モデルによる画像生成は文字が崩れやすい平坦なビットマップを出力し、後からレイヤー単位で編集できない。一方、コードによる生成はレイヤーが整理される反面、全体の美的判断が弱い。本論文は、視覚言語モデルを創造の頭脳としてコードを生成させるコーディングエージェント型の枠組みを提案し、レイアウト制御と編集可能なレイヤーを両立させる。著者12名による腾訊混元(Tencent Hunyuan)の成果。
4The Missing Temporal Link: Temporal Context Routing for Script-Driven Audio-Video Generation缺失的时间链接:面向剧本驱动音视频生成的时间上下文路由欠けていた時間的リンク: 脚本駆動の音声・映像生成のための時間文脈ルーティング33 UPVOTES · YICHEN LIU ET AL. · ARXIV 2609.02367Joint audio-video generators have gotten good at lip and scene synchronization but still offer little control over when a shot cuts or a line of dialogue lands, which breaks script-driven production. The authors show that timing written into a structured prompt survives only in the text representation and never reaches the generator's temporal axis. Their temporal context routing carries it through explicitly.音视频联合生成模型在口型与画面同步上已经相当成熟,但对镜头在何时切换、台词在何时出现仍缺乏控制,这使其难以用于剧本驱动的内容创作。作者指出,结构化提示词中写明的时间信息只存在于文本表示里,从未真正传递到生成模型的时间轴上。他们提出的时间上下文路由则把这些信息显式地传导过去。音声と映像を同時に生成するモデルは同期の品質を高めてきたが、いつショットが切り替わり、いつ台詞が発せられるかの制御は依然として乏しく、脚本に沿った制作には使いにくい。著者らは、構造化プロンプトに書かれた時間指定がテキスト表現の中に留まり、生成側の時間軸まで届いていないことを示す。提案する時間文脈ルーティングは、その情報を明示的に受け渡す。
5Last Translation Benchmark最后的翻译基准ラスト翻訳ベンチマーク25 UPVOTES · VILÉM ZOUHAR ET AL. · ARXIV 2609.04173A 244-author collaboration argues that standard machine translation benchmarks are approaching saturation while automatic metrics remain unreliable, open to reward hacking and unactionable, and even gold human evaluation lacks reproducibility and scale. The paper offers a benchmark and evaluation method built to test the limits of current models and surface specific failure cases rather than emit one number.这项由 244 位作者共同完成的工作指出,主流机器翻译基准正逼近饱和,自动指标既不可靠、易被奖励攻击,也无法指导改进,而被视为金标准的人工评测同样缺乏可复现性与规模。论文提出一套基准与评测方法,目标是逼出当前模型的能力上限并暴露具体失败案例,而不是给出一个分数。244名の共同研究は、標準的な機械翻訳ベンチマークが飽和に近づく一方、自動評価指標は信頼性を欠き報酬ハッキングに弱く改善の指針にもならず、金標準とされる人手評価さえ再現性と規模に乏しいと論じる。本論文は、単一のスコアを出すのではなく、現行モデルの限界を突き、具体的な失敗事例を可視化するためのベンチマークと評価手法を示す。