大厂专区
如何合成高质量的预训练数据？提示设计、生成模型和源数据的系统研究
机构 * Hugging Face ； University of Sheffield（谢菲尔德大学） ； National Institute of Informatics（日本信息处理研究所）
AI总结 本文通过大规模实验探讨提示设计、生成模型和源数据对合成预训练数据质量的影响，发现结构化输出格式优于现有方法，且生成模型参数超过1B无额外收益，提出开源数据集FinePhrase。
Comments Accepted to COLM 2026
OriginBlame：人工智能训练数据集的记录级和令牌级数据溯源
机构 * HuggingFace（拥抱脸） ； Datatrove（数据宝库） ； The Linux Foundation（Linux基金会） ； Databricks（Databricks公司） ； Weights & Biases（权重与偏差公司）
AI总结 研究针对模型训练者在数据删除时无法精准定位记录所属作者的问题，提出OriginBlame系统，通过记录级和令牌级溯源及确定性查询解决，评估显示能消除过度删除并提升遗忘效果，增加少量吞吐量开销。
Comments 13 pages, 6 figures
DynEval：对自然环境下的文本到图像生成模型进行全面评估
机构 * Indian Institute of Science（印度科学研究所） ； Hugging Face（拥抱脸）
AI总结 研究针对文本到图像生成模型评估难题，提出DynEval动态评估框架，通过构建两个数据集，利用课程学习策略微调评估器，在多基准测试中与人类判断相关性更高，可对多个T2I模型进行细粒度分析。
Comments Accepted at ECCV 2026. Project page: https://vcl-iisc.github.io/dyneval/
通过自适应合并回收LoRAs的吸引力与现实
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Mistral AI ； Hugging Face
AI总结 研究针对回收在模型库中“野生”的LoRAs，通过实证研究多种自适应和非自适应合并方法，发现自适应合并虽能提升性能，但相比用相同数据训练新LoRA优势有限，且合并LoRAs的具体选择重要性不大，还证实了正向迁移的可能性并开源相关资源。
Comments 24 pages, 14 figures, 5 tables. Preprint
Flash-BoN：扩散模型推理时缩放的即时草稿
机构 * University of Maryland, College Park（美国马里兰大学帕克分校） ； Hugging Face（拥抱脸）
AI总结 研究文本到图像生成推理时缩放，对比简单BoN与引导搜索方法，发现简单BoN在实际评估中表现良好。提出Flash-BoN，结合多种加速方法生成草稿候选，经多阶段验证选最有潜力的优化，在多基准和模型规模下优于基线。
TokSuite：衡量分词器选择对语言模型行为的影响
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Google DeepMind（谷歌DeepMind） ； McGill University（麦吉尔大学） ； University of Cambridge（剑桥大学） ； Hugging Face
AI总结 提出TokSuite，含模型集合与基准测试，通过不同分词器的预训练模型及多语言鲁棒性基准测试，解耦分词器影响，阐明多种流行分词器优缺点。
Comments ICML 2026. 46 pages, 13 figures
SARLO-80：全球斜距SAR语言光学数据集80cm
机构 * DEMR-ONERA – The French Aerospace Lab, Université Paris-Saclay（法国航空航天实验室DEMR-ONERA，巴黎-萨克雷大学） ； DTIS-ONERA – The French Aerospace Lab, Université Paris-Saclay（法国航空航天实验室DTIS-ONERA，巴黎-萨克雷大学） ； Hugging Face
AI总结 为解决高分辨率SAR与光学图像及文本对齐的数据稀缺问题，基于Umbra SLC数据构建了80cm斜距网格的SAR-光学-文本三元组数据集，支持跨模态检索与生成任务。
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
压力下的风险：语言模型对抗鲁棒性的计算感知评估
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Hugging Face
AI总结 提出基于计算压力（累积FLOPs）的对抗鲁棒性评估框架，通过风险-计算曲线和两个新指标，揭示不同攻击策略的计算成本差异，并在10个模型上验证了对齐训练、模型规模等因素对计算空间鲁棒性的非单调影响。
评估卡：AI评估报告的解释层
机构 * Hugging Face ； Stanford University（斯坦福大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； University of Copenhagen（哥本哈根大学） ； Trustible ； EleutherAI ； TU Darmstadt（达姆施塔特工业大学） ； Weizenbaum Institute & Technical University of Munich（魏森鲍姆研究所与慕尼黑工业大学） ； Harvard University（哈佛大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Iowa State University（爱荷华州立大学） ； IBM Research（IBM研究院） ； University of Chicago（芝加哥大学） ； Independent（独立） ； Berkeley AI Safety Institute (BASIS)（伯克利人工智能安全研究所） ； Simula ； University of Edinburgh（爱丁堡大学） ； ETH Zurich & ETH AI Center（苏黎世联邦理工学院与ETH AI中心） ； Oxford Internet Institute（牛津互联网研究所） ； Amherst College（阿默斯特学院） ； University of Nebraska（内布拉斯加大学） ； Syntony Research ； McGill University（麦吉尔大学） ； Evals Consensus ； Israel Institute of Technology（以色列理工学院） ； IOL.Learn & Zuse Institute Berlin（IOL.Learn与柏林祖泽研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学） ； University of Notre Dame（圣母大学） ； Georgetown University（乔治城大学） ； DHBW Stuttgart（斯图加特双元制大学） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 针对AI评估报告不一致的问题，提出EvalCards作为统一记录层，通过结构化模式、四种解释信号和监控工具，覆盖5816个模型和635个基准，揭示报告实践中的系统性差距。
4KLSDB：用于4K图像恢复与生成的大规模数据集
机构 * Texas A&M University（德克萨斯A&M大学） ； Hugging Face
AI总结 为解决现有数据集缺乏原生4K分辨率和规模的问题，提出包含129,484张4K图像的大规模数据集4KLSDB，并通过多阶段自动过滤和标注确保质量，实验证明其在超分辨率和扩散模型训练中能显著提升4K基准性能。
Comments Accepted to the DataCV Workshop at CVPR 2026; 10 pages, 4 figures, 7 tables; Our project page is available at: https://4klsdb.github.io/
FineVision: 你只需要开放数据
机构 * Hugging Face ； Technical University of Munich（慕尼黑技术大学） ； Stanford University（斯坦福大学）
AI总结 本文提出FineVision，一个包含2400万样本的高质量数据集，通过半自动化流程整合了200多个来源，通过严格的数据清洗和人工审核确保数据质量，训练基于该数据集的模型在广泛评估中表现更优，推动数据驱动的视觉语言模型研究。
如果人工智能系统不是聊天机器人呢？
机构 * University of Washington Seattle（华盛顿大学（西雅图）） ； Salesforce Research（Salesforce研究） ； Microsoft（微软） ； Hugging Face and University of Connecticut（Hugging Face与康涅狄格大学）
AI总结 本文探讨了将AI主要作为对话助手的聊天机器人范式带来的结构性弊端，分析其对社会、经济、法律和环境系统的影响，并提出替代的AI发展方向。
Comments Accepted at The 2026 ACM Conference on Fairness, Accountability, and Transparency, June 25--28, 2026, Montreal, QC, Canada
对比图像-元数据预训练用于材料透射电子显微镜
机构 * Hugging Face ； University of Oxford（牛津大学） ； Empa Dübendorf（Empa杜宾根） ； Technical University of Denmark（丹麦技术大学）
AI总结 本文提出CIMP模型，通过对比图像与元数据实现对低剂量图像的去噪，实验表明其在去噪效果上优于现有方法。
SF20K竞赛2025：总结与发现
机构 * SLoMO Workshop（SLoMO工作坊） ； Hugging Face
AI总结 本文总结了首个SF20K竞赛的结果，探讨了视频问答任务中多模态理解的重要性，并指出信息选择和推理结构是长视频问答的主要瓶颈。
后验增强流匹配
机构 * Georgia Tech（佐治亚理工学院） ； University of Washington（华盛顿大学） ； Hugging Face ； Ai2 ； UC Irvine（加州大学 Irvine 分校）
AI总结 本文提出后验增强流匹配（PAFM），通过引入对中间状态和条件的近似后验期望，解决高维图像中流匹配的稀疏性和高方差问题，提升模型泛化能力。
迈向通过动态更新AI文档提高AI模型重用性
机构 * Hugging Face ； AI consortium
AI总结 本文提出通过动态更新AI文档模板，缩短AI模型卡片更新滞后时间，提升AI模型重用性。
Comments 28 pages, 16 figures, 9 tables
机器人领域的可持续性缺口：对50000篇研究论文中可持续性意识的大规模调查
机构 * Hugging Face ； Pollen Robotics
AI总结 本文通过分析5万篇机器人研究论文，发现可持续性动机不足，尽管多数论文与可持续发展目标相关，但明确提及可持续性影响的仍低于2%。
Comments 29 pages, 17 figures
QED-Nano：用小型模型证明难题定理
机构 * CMU（卡内基梅隆大学） ； Hugging Face ； ETH Zurich（苏黎世联邦理工学院） ； Project Numina
AI总结 本文提出QED-Nano模型，通过三个阶段训练在数学竞赛证明任务中超越大模型，以较低成本实现高性能证明生成。
开放语音识别排行榜：迈向可重复和透明的多语言和长文本语音识别评估
机构 * Hugging Face, Inc.（Hugging Face公司） ； NVIDIA（英伟达） ； University of Cambridge（剑桥大学） ； Mistral AI（Mistral AI公司） ； OpenAI（OpenAI公司）
AI总结 本文介绍了开放语音识别排行榜，通过学术和工业社区的贡献，比较了86种开源和专有系统在12个数据集上的表现，标准化WER和RTFx评估，促进模型架构和工具包的准确-效率比较。
Comments Leaderboard: https://huggingface.co/spaces/hf-audio/open_asr_leaderboard ; Code: https://github.com/huggingface/open_asr_leaderboard
基于人类反馈的近端点纳什学习
机构 * CMAP, CNRS, École Polytechnique, IPP（CMAP、CNRS、巴黎高等学院、IPP） ； LMO, Université Paris-Saclay（LMO、巴黎萨克雷大学） ； Google DeepMind（谷歌DeepMind） ； Duisburg-Essen University（杜伊斯堡-埃森大学） ； HSE University（俄罗斯高等经济大学） ； Mohamed Bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； LRE EPITA（EPITA LRE） ； Hugging Face ； Isara Labs（Isara实验室） ； ENS Lyon（里昂大学）
AI总结 本文提出Nash Prox算法，通过近端点框架稳定纳什学习过程，解决传统RLHF中偏好结构建模不准确的问题，并在大语言模型训练中验证其有效性。
Diffutron：一种针对土耳其语言的掩码扩散语言模型
机构 * Hugging Face
AI总结 本文提出Diffutron，一种专为土耳其语言设计的掩码扩散语言模型，通过高效训练流程和分阶段指令微调，实现了紧凑模型在土耳其语言生成任务中的竞争力表现。
人工智能用于科学发现是一个社会问题
机构 * Hugging Face
AI总结 本文探讨了人工智能在科学发现中的应用面临的社会和机构性制约，提出需通过社区协作、跨学科教育和共享基准等措施推动技术进步。
Comments Both authors contributed equally
Journal ref Patterns 7, no. 3 (2026): 101497
La Leaderboard：一种用于西班牙及拉丁美洲各种语言和方言的大型语言模型排行榜
机构 * SomosNLP ； ETSIT, Universidad Politécnica de Madrid（ETSIT，西班牙马德里理工大学） ； Barcelona Supercomputing Center（巴塞罗那超级计算中心） ； Hugging Face ； Universidad Carlos III de Madrid（马德里卡洛斯三世大学） ； Instituto de Ingeniería del Conocimiento（知识工程研究所） ； Centro HiTZ - Ixa, Universidad del País Vasco UPV/EHU（HiTZ-Ixa中心，巴斯克大学） ； LIACS, Leiden University（LIACS，莱顿大学） ； Universidad de Jaén（杰嫩大学） ； Universidad Nacional de Córdoba（科尔多瓦国立大学） ； Universidad Nacional Autónoma de México（墨西哥国立自治大学） ； Universidad de la República, Uruguay（乌拉圭共和国大学）
AI总结 La Leaderboard是一个开源项目，旨在评估西班牙及拉丁美洲各种语言和方言的生成式大型语言模型，通过社区驱动的方式促进多样化语言模型的发展。
Comments Accepted at ACL 2025 Main
事实性至关重要：当图像生成与编辑遇见结构化视觉
机构 * CUHK MMLab（香港大学多模态实验室） ； Beihang University（北京航空航天大学） ； Krea AI（Krea人工智能） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； Hugging Face ； National University of Singapore（新加坡国立大学） ； ByteDance（字节跳动） ； The University of Hong Kong（香港大学）
AI总结 本文提出了一种统一模型，通过整合视觉语言模型和FLUX.1 Kontext，提升结构化视觉生成与编辑的多模态理解与事实准确性。
Comments Accepted by ICLR 2026, Project page: https://structvisuals.github.io
LeRobot：端到端机器人学习的开源库
机构 * Hugging Face
AI总结 LeRobot是一个开源库，整合了机器人学习的整个堆栈，支持多种前沿算法，旨在降低研究门槛并促进可重复的先进机器人学习。
TAROT: 为基于大语言模型的代码生成设计的测试驱动和能力适应课程强化微调
机构 * Electronics and Telecommunications Research Institute（电信研究所） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； Hugging Face ； Ant Group（蚂蚁集团）
AI总结 TAROT通过测试驱动和能力适应的课程强化微调方法，提升大语言模型生成代码的功能正确性和稳健性。
Comments The first three authors contributed equally to this work; listing order is random
通过在线强化学习将大语言模型接地于交互环境
机构 * Inria (Flowers)（Inria（Flowers）） ； University of Bordeaux（波尔多大学） ； Hugging Face ； Univ Angers, LERIA, SFR MATHSTIC（昂热大学，LERIA，SFR MATHSTIC） ； Sorbonne Université（索邦大学）
AI总结 本文提出GLAM方法，通过在线强化学习将大语言模型接地于交互环境，以提升样本效率和泛化能力，并探讨在线学习的影响。
Comments The associated code can be found at https://github.com/flowersteam/Grounding_LLMs_with_online_RL. This is an extended version of the paper published at ICML 2023: https://proceedings.mlr.press/v202/carta23a
Journal ref PMLR 202 (2023):3676-3713
理解效率：在LLM能耗中的量化、批量和服务策略
机构 * Hugging Face
AI总结 本文研究了LLM推理能耗中的量化、批量和服务策略，发现低精度和批量处理可显著降低能耗，同时强调服务堆栈的协调对可持续部署的重要性。
小声说话，大影响：致谢AI的能量成本
机构 * Hugging Face
AI总结 本文研究了与大型语言模型交互时，礼貌用语如“谢谢”所消耗的能量成本，并探讨了如何通过优化模型和输入输出长度来提高可持续性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈