混合模态检索器中的模态偏好：文本中的混沌
研究发现密集检索器性能对模态组成高度敏感：当图像文档被语义对应的文本逐步替换时，检索性能呈明显 V 型曲线，单模态语料表现强劲，模态共存时显著下降。无关文本比等量无关图像造成更严重的性能退化，研究者称之为"文本中的混沌"，其根源是文本表示获得系统性更高的相似度分数。
#Hugging Face
Hugging Face Daily PapersAI 评分2222 Hugging Face Daily PapersAI 评分2626 从提示词到构图：面向海报生成的空间画布界面 Compo
研究者提出 Spatial Canvas Interface，让用户通过语义、身份、文本、像素四类绑定在空间中直接编排海报生成意图，并据此开发了海报生成模型 Compo。Compo 由预训练图像编辑模型适配而来，支持用户手动构建画布的直接推理和自动规划画布的 agentic 模式，无需从零训练专用海报生成器。实验显示其构图可控性强于通用图像生成模型和专用海报生成系统，同时保持高视觉质量。
Hugging Face Daily PapersAI 评分4242 VibeEdit：用画布指令进行图像编辑
VibeEdit 提出一种图像编辑新界面，用户直接在图像上放置空间标记并附简短注释，形成"画布指令"来指定编辑位置和内容，无需单独输入文本提示词，即可完成对象添加、删除、替换、属性修改和移动。
Hugging Face Daily PapersAI 评分4343 RISEBench++：面向推理驱动视觉编辑的基准与 RISE-Agent 框架
研究者推出 RISEBench++，一个面向推理驱动视觉编辑（RISE）的基准，涵盖 Temporal、Causal、Spatial、Logical、Counterfactual 与 Hybrid 六类推理维度，细分为 12 个子类和 65 种任务类型，含 1000 条中英双语人工标注测试用例。
Hugging Face Daily PapersAI 评分2626 LEGO：无需 lifting 的第三人称到第一人称视频生成方法
LEGO 提出一种无需 lifting 的第三人称到第一人称视频生成方法，用 LVSM 风格的 Transformer 直接渲染第一人称视角，省去深度估计、点云和重投影步骤。该合成器输出逐区域置信度，用于遮蔽低置信区域并在去噪早期引导生成器布局，性能持续优于现有显式流程，且无需重训练即可泛化到其他数据集。
Hugging Face Daily PapersAI 评分2626 SpatialOPSD：从已验证编码智能体轨迹中自蒸馏空间智能
SpatialOPSD 是一个 on-policy 自蒸馏框架，将空间编码智能体已验证的执行轨迹作为特权信息，把空间推理能力内化进独立 MLLM，使其无需外部工具即可运行。
Hugging Face Daily PapersAI 评分3131 GPD：用路由式 3D 特权蒸馏提升视觉语言模型空间推理能力
针对视觉语言模型空间推理弱、RGB 输入缺乏几何证据的问题，研究者提出 GPD（Geometry-Privileged Distillation），将深度、语义和鸟瞰图（BEV）线索渲染为紧凑文本并按问题路由给教师模型，仅对错误轨迹施加特权 KL 以增强 GRPO，部署模型仍只用 RGB。
JetBrains AI Blog精选AI 评分6666 JetBrains 发布 Mellum2.1：面向编码智能体的快速开源模型
JetBrains 发布 Mellum2.1，这是其 6 月开源的 12B MoE 模型的新版本，架构不变，仍为 2.5B 激活参数、Apache 2.0 许可。
推荐理由：JetBrains 开源编码智能体模型 Mellum2.1，读者可了解其 RL 后训练路线与自托管部署方式。
Hugging Face Daily PapersAI 评分2222 OmniCapBench：面向细粒度音视频描述的分层结构化评估框架
OmniCapBench 将音视频描述评估重构为深度结构化诊断框架，把预测目标从自由文本转为实体引用、视觉镜头和音频事件三类原子化可验证评估单元，并基于 786 段密集标注视频进行确定性约束检查与局部 LLM 语义比较。评测前沿 MLLM 显示其局部感知较强，但长时程音视频推理薄弱，尤其存在身份漂移与跨模态错位问题。
Hugging Face Blog精选AI 评分6262 Liquid AI 开源 d1-3B 与 d1-omni-600M 端侧决策模型
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和 d1-omni-600M（实验性）。
推荐理由：Liquid AI 开源两款决策模型，给出端侧延迟与七项基准对比，可判断小模型做结构化决策的可行性。
Hugging Face Blog精选AI 评分6262 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队基于 Nemotron 3，用监督微调、强化学习和反馈驱动的推理流程，在 IOI 2026 和 IMO 2026 两项竞赛中均达到金牌水平。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可据此复现领域专家模型的训练与推理流程。
Hugging Face Blog精选AI 评分7171 微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，只根据最终后端状态和副作用打分，而不是看模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定成败，并给出 20 次重复下的可靠性数据。
Hugging Face Blog精选AI 评分6262 Ai2 开源科学报告生成模型 AstaBrief 8B
Ai2 开源 AstaBrief 8B，一个把研究问题和检索到的文献片段转成带引用报告的小模型，基于 Qwen3-8B 训练，现已作为 Asta 的 Fast 模式上线，并同步开放模型权重和训练数据。
推荐理由：原文给出了从 Qwen3-8B 出发的 SFT 加 DPO 训练配方与数据过滤经验，可迁移到其他垂直领域小模型。
Hugging Face BlogAI 评分3636 ServiceNow CoreAI 推出 AutoSynthData：为企业智能体生成训练数据
ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败案例与更强教师的成功示范，自动生成并验证新的可执行训练任务，并随模型进步动态调整课程。该流程以 EnterpriseOps Gym 数据集为例演示，生成的任务需满足可行性、真实性与难度三项要求，验证器则需保证一致性、可靠性与完整性。
Hugging Face BlogAI 评分3838 Hugging Face 推出 Open TTS Leaderboard：面向多语言 TTS 与声音克隆的可扩展评测
Hugging Face 发布 Open TTS Leaderboard，用客观指标评测开源多语言 TTS 与声音克隆模型，单模型评测耗时从数周投票缩短到数小时。
Microsoft ResearchAI 评分4141 微软推出 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向人群级发现
微软研究院发布 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。