来自 HuggingFace 的文章
Hugging Face 推出 transformers-mic，这是一套模型集成契约（Model Integration Contract，MIC）标准，将小型发布测试夹具、可运行的使用路径和人工审核的基线打包在一起，以便在廉价的 CPU 运行器上捕获模型回归问题，避免其进入 Transformers 主分支。
Reviso 是一个智能体视频字幕生成框架，采用分层的 Context-Focus-Points（上下文-焦点-目标）规划与主动感知机制来优先关注关键视觉证据，并通过 GRPO 及专用奖励进行训练，在四个视频字幕生成基准上超越了开源基线模型。
论文提出了 Library of Layers (LoL)，一种在推理时动态重排其层的 Transformer 架构，统一了稠密（dense）、深度递归（depth-recurrent）与 MoE 等基线在参数复用与稀疏性之间的权衡，并在推理、多语言和安全任务上实现了可解释的路由。
FLAMIA 提出了一族面向 NVIDIA Blackwell GPU 的混合精度注意力内核，利用 MXFP8 与 NVFP4/FP8 路径，在避免因果信息泄漏的同时加速 Transformer 训练，在 B200/B300 上实现约 1.06–1.42 倍的前向与反向注意力加速。
CoworkOS 是一个面向长周期任务的智能体框架，将策略与执行分离，通过共享产物实现人类参与的协作，并开展持续的自动化后训练，在五轮 RSI 驱动的迭代中，将 Qwen3.6-35B-A3B 的平均基准测试得分从 33.19 提升至 42.95。
CUA-Master 提出嵌套双环递归改进框架，通过开放世界语料、自催化任务合成与反馈引导的快照回滚重试机制持续提升计算机使用代理（CUA）性能，其 27B 模型在 OSWorld Verified 等基准上取得竞争力表现。
Lab2Sim 引入了一个包含 218 个科学实验视频的基准数据集，配有基于证据的规格说明，并提出 EduVideo2Code，将实验流程编码为状态机以引导可验证代码生成，从而构建交互式虚拟实验，将实验装置保真度提升 24.15 分。
该论文提出了协作智能基准，用于评估 AI 智能体作为队友的表现，涵盖 8 个团队协作维度的 240 项任务。研究发现，即使是顶尖模型，得分最高也仅为 82.2 分（满分 100 分），而且通用能力并不保证出色的团队协作能力。
DR Pixel 是一个开源的端到端多模态深度研究智能体，直接基于渲染后的文档页面图像进行检索和推理，而非使用 OCR 提取的文本，并引入反事实贡献重加权方法，用于智能体监督微调。该方法在 GPT-5.4 和 Gemini-3.5-Flash 等模型上，在 DRPixelBench 中的表现优于基于 OCR 的基线，训练后将检索召回率提升约 15 个百分点，准确率提升超过 10 个百分点。
一项实证研究发现，编码智能体在多个软件工程任务上的持续 harness 自进化会导致严重的灾难性遗忘：在 FeatureBench 上进化后，SWE-Bench 性能从 94.0% 骤降至 32.0%，并为未来的持续智能体 harness 进化提供了启示。
PhotoGuider 提出一种先测量后取景（measure-then-frame）的方法，利用共享的构图感知 token 进行 360° 全景图的观看方向选择与取景，并通过微调 MLLM 生成以测量结果为条件的构图解释。在两项 2D 裁剪基准上取得最高 mIoU，并在 120 人盲测中以 53.2% 的偏好率排名第一。
TaoMate-FVSR 提出了一种音频引导的面部视频修复框架，将参考引导的视频流建模与音频同步相结合，以恢复 AI 生成视频中的唇部、牙齿和面部细节，在说话人头像视频基准测试中实现了最先进的感知相似度和同步性能。
LeanGuard 是一种运行时系统，依据具有时序逻辑语义的 Lean4 策略验证语言模型智能体的每一次工具调用，减少违规调用和提示注入的成功，同时支持在证明指导下修复被拒绝的操作。
本文提出了“化身智能”（Avatar Intelligence），这是一种持久性个人智能体范式，通过持续的决策委托来体现用户的目标、价值观和约束条件；同时引入“智能体监督指数”（AOI），用于衡量所交付的价值与运营成本及监督负担之间的关系，并勾勒出涵盖身份连续性个性化、预演工程和安全机制的研究议程。
本文评估了冻结的视频表征，发现视频世界模型中的潜在预测误差反映的是外观和运动，而非可靠地衡量物理意外性，并提出了一个在 IntPhys2、Physion++ 和 Kubric 基准上将表征内容与误差信号分离的框架。
CrossSWE 提出了一个包含 171 个真实世界实例的多代码仓库基准测试，结果表明，当前的 LLM 编程智能体难以保持跨代码仓库的一致性，其中最强的模型（GPT-6.1 Sol）的 Pass@1 仅达到 58.48%，而跨代码仓库不一致问题占失败案例的 44.2%。
SWE-Trail 是一种面向编码智能体、由历史信息引导的轨迹收集器，利用先前的 rollout 来指导收集资源的分配，同时不向智能体暴露这些历史信息，从而避免训练与测试不匹配。在其收集的轨迹上训练后，参数量为 124B 的 Ling-3.0-flash-base 学生模型在 SWE-bench Multilingual 和 SWE-bench Pro 上的解决率相比独立采样分别提高了 2.33 和 1.60 个百分点。
该论文提出了教程式智能体学习（Tutorial Agentic Learning，TAL），这是一种非参数持续学习范式，通过构建结构化的教程书记忆和与推理关联的目录检索机制，使大语言模型智能体能够从教学视频中学习。此外，论文还提出了国际象棋视频问答基准 VidLearn，TAL 在该基准上的表现显著优于原生多模态大语言模型（MLLM）。
NorthCUA 技术报告提出了一套集成系统，通过经验飞轮、递归自我改进、分阶段学习和强化学习来扩展计算机使用智能体，其 Nano、Mini 和 Pro 模型系列在 GUI 定位、桌面执行和 Web 交互方面取得了开源模型中的最先进结果。