每日AI

ARIS（通过对抗性多智能体协作实现的自主研究）这一开源机器学习研究框架，其核心旨在应对单智能体长期研究中容易出现的“貌似合理且无支持的成功”这一潜在风险。该系统主要通过三层架构来实现全面管控，包括包含六十多个可复用 Markdown 技能与研究维基的执行层、协调五项端到端工作流的orchestration（编排）层，以及通过多阶段证据审查与科学编辑保证研究完整性的保障层。此外，ARIS 默认采用异构模型协作模式，即由来自不同模型家族的生成器与评审器进行对抗性互评，并辅以跨会话的持久化记忆和元优化循环，从而在确保学术诚信的同时推动全自动化的科研流程。

本文探讨了像素空间扩散模型在文本生成图像及下游密集预测任务中的应用。研究团队从头预训练了名为Iris-3B的30亿参数像素空间模型，并通过实验发现其性能可与主流潜在空间模型相媲美。此外，文章还介绍了将预训练潜在模型转换为像素空间的方法，以及优化输入接口的关键策略。通过在单目深度估计和图像恢复超分辨率任务上的微调测试，结果表明像素空间模型并未带来显著的性能提升，反而暴露出轻微的区块伪影。最后，作者开源了该模型的权重与训练代码，为未来深入研究像素空间生成技术奠定了基础。

SuperNav 提出了一种创新型的导航框架，通过为预训练的多模态大语言模型（MLLM）配备专用的代理 harness，使其无需进行特定的导航微调即可处理多样化的环境和人类请求。该系统将语义决策与物理执行相分离，利用导航技能、代理导向工具以及统一的视觉点界面来维持长期的任务规划、场景理解和进度管理。实验表明，该方法在各类室内导航基准测试及真实四足机器人部署中均表现出卓越的性能和强大的跨环境泛化能力。

研究提出了一种全新的全向体素结构，称为 O-Voxel，专门用于高效捕获复杂的 3D 几何形状与物理材质。通过结合灵活的双网格系统与稀疏压缩变分自编码器（SC-VAE），该方法能够实现网格与体素之间的即时双向转换，同时保证极高的空间压缩率和卓越的重建保真度。在此基础之上，研究团队训练了包含 40亿参数的大型流匹配生成模型，实现了高分辨率 3D 资产的高效生成。该技术显著超越了现有的隐式场和传统的 3D 生成方法，能够完美处理开放、非流形以及全封闭等任意拓扑结构。

MinerU2.5，这是一种拥有 1.2B 参数的高效视觉语言模型，旨在解决高分辨率文档解析中的计算冗余和幻觉问题。该模型采用两阶段解析策略，首先通过下采样图像进行全局布局分析，随后利用布局结果对原始高分辨率图像的局部区域进行精确的内容识别。结合定制的数据引擎和迭代挖掘策略（IMIC），MinerU2.5 在文本、表格和数学公式识别等多个公开基准测试中展现出卓越的准确性。同时，通过优化推理管道和部署架构，该模型在保持极低计算开销的同时实现了行业领先的端到端吞吐量。

Kandinsky 6.0 Video 是一个用于同步视频和音频生成的基础扩散模型系列，提供不同参数规模的 Lite (3B) 和 Pro (29B) 版本。该模型通过采用双流 CrossDiT 架构，能够利用双向交叉注意力机制实现时间与语义上的对齐，并支持文本到音视频 (T2AV) 以及图像到音视频 (I2AV) 的生成模式。为了提升模型的整体质量与实用性，其训练流程涵盖了持续预训练、监督微调、基于强化学习的后训练以及蒸馏阶段。此外，该系统还集成了超分辨率模型，能够将生成的短片画质提升至 Full-HD 分辨率。该项目已在开源社区发布了相关的代码、模型权重以及集成工具，旨在推动多媒体生成技术的公开研究。

AgentGarten 是一个旨在构建代码世界（CodeWorlds）的创新框架，它通过将可编程的模拟器引擎与共享的神经渲染器相结合，实现了兼具严谨物理规则与真实视觉外观的实时交互环境。该框架的核心是对抗强迫（Adversarial Forcing）蒸馏方法，通过精准回放与对抗性监督，使预训练的视频模型能够在单张 GPU 上高效运作，并支持通过精确的几何条件生成连续的视觉观察。在这个平台中，智能体能够完全依靠视觉反馈进行实时探索，通过在多轮交互中归纳并继承行动剧本来实现策略的不断演化。与传统的强化学习方法相比，AgentGarten 显著提升了学习效率，使智能体仅需极少数轮次的实践便能掌握复杂的物理任务。此外，该系统支持完全用代码编写或由图像生成的多样化场景，为具身智能的可扩展发展提供了强大的虚拟实践基地。

OneStreamer 是一个专为流式视频交互设计的开创性视觉语言模型，通过单一的因果生成过程统一了感知、记忆和主动响应。该模型引入了主动分层字幕内存（PHCM），在不牺牲实时感知的前提下，将观察到的视频片段转化为有时空依据的局部细节字幕和事件摘要，从而提供可复用的事实背景。为了解决状态监督中的不平衡问题，模型采用了主动状态转换学习（PSTL），在保留所有输出锚点的同时筛选出最具代表性的状态转换与持续位置。此外，通过构建名为 OneStreamer-1M 的大规模流式视频交互数据集，该系统在八个主流流式视频理解基准测试中均取得了最先进的卓越性能。这些核心设计与合成管线共同证明了主动生成机制能够有效连接视觉感知、长期记忆与及时响应。

PixelUMM 是一种新型的无编码器统一多模态模型，能够在像素空间直接处理图像和视频的理解与生成任务。该模型通过空间补丁和时空管块连接原始像素与共享的多模态骨干网络，从而避开了传统方法中复杂且占用大量显存的视觉编码器或变分自编码器。其核心采用Transformer混合架构，将共享的注意力机制与针对不同任务的独立参数相结合，并使用广义因果注意力模式和像素级流匹配进行联合训练。实验证明，该框架在各项图像及视频处理任务中均取得了极具竞争力的性能，为未来的像素级统一多模态系统设计提供了重要参考。

SkillOpt 是一种专为语言模型代理设计的可控文本空间优化器，它通过将外部技能文档视为可训练状态，突破了传统手工编写或无约束自修正的局限。该系统利用前沿的优化模型将运行轨迹转化为有界限的增删改编辑，并通过保留机制与验证门控来确保每一次更新都能严格提升在留出验证集上的表现。整个优化流程支持动态学习率调度、被拒编辑缓冲区及周期性的慢速元更新，从而在不调整模型权重的情况下，实现了稳定且高效的领域适应。实验表明，该方法在各类基准测试、目标模型和执行环境中均取得了领先效果，并且优化的技能成果能够很好地跨模型、跨环境和跨任务进行迁移复用。