celebrityanime

nanoMuse开源个人代理：对标Meta Muse，跨设备一个对话

Hugging Face Papers 收录的一篇报告提出 nanoMuse——GPL-3.0 开源的个人代理，目标是在用户所有设备上共享一个持续对话，对标 Meta 2026 年 9 月发布的闭源 Muse。目前公开信息仅为论文摘要，尚未核验全文实验与产品落地情况。

Hugging Face Papers 收录的一篇报告提出开源个人代理 nanoMuse，试图在手机和电脑上复刻 Meta Muse 的跨设备、长记忆体验。目前只是研究提案，非已上线产品。

alphaXiv 上发布的 BOTTLED 基准测试显示，大模型智能体将通用能力转化为可复用廉价方案（即「灌装」）的能力，与单次任务表现并不一致，60 次运行中有 48 次低于自身零样本性能的 95% 置信区间下限。

一篇新论文提出 RLHND，把预训练视频扩散模型改造成手部追踪器，在估计手部姿态的同时预测接触与受力信息，目标是让人手视频更可用地训练机器人策略。

一篇新论文提出 RLHND，把 Cosmos 3 视频扩散模型改造成手部追踪器，从第一视角视频中同时估计手部姿态和接触力，用于机器人策略训练。它想解决的是：人类视频里的手部动作数据虽然多，但缺少物理接触信息，机器人很难直接学。

2026年10月，博主 Scott Alexander 因不满 Steven Pinker 的 AI 言论公开挑战其辩论，Pinker 以公开信回应，双方就超级智能风险展开交锋。这反映了 AI 安全辩论中乐观派与担忧派的持续分歧。

博主 Scott Alexander 公开回应心理学家 Steven Pinker 对 AI 风险的质疑，逐一反驳其四个核心论点，并质疑其公共言论的诚实性。这场争论反映了 AI 智能本质与风险判断的深层分歧。

一篇新论文提出 DMAD，把分布匹配蒸馏改写成对抗分类问题，试图不再维护额外扩散模型，并在多个图像与视频生成基准上给出少步生成结果，值得关注的是它可能降低现有 DMD 类蒸馏路线的显存和算力负担。

Hugging Face Papers 收录的论文提出 DMAD，把分布匹配重写成对抗式分类蒸馏，省去辅助扩散模型，在一步和少步视觉生成上刷新了 FID 与 VBench 成绩。

一篇 2026 年 10 月 2 日上传至 Hugging Face Papers 的论文提出两阶段训练框架：先用评分标准作为教师上下文做在线策略蒸馏，再用同一评分标准做强化学习，在健康与科学任务上得分高于所比较的后训练方法。