celebrityanime

扩散模型强化学习新方法RPO：训练效率提升近4倍

一种叫 RPO 的新方法，通过把注意力路由变成随机探索动作，在不改变扩散模型原有采样器的前提下完成强化学习对齐，文本生图和文本生视频任务上训练效率比 Flow-GRPO 类方法提升近 4 倍。

arXiv 2026年10月15日发布的一篇论文，在ToolBench上对比了两种LLM工具发现架构：简单查询时“先检索再规划”更优，复杂多工具查询时“先规划再检索”更优，并提出用零成本信号做复杂度自适应路由。

OmniCompass 是一个面向全模态视频理解的新基准，同时考察视觉语言与音视频联合模型在时间定位、空间定位和问答上的能力，并首次把“同一目标用文字和图文两种方式指定”作为配对评测条件。

一篇 arXiv 新论文提出 RLPE，用强化学习训练模型去分析另一个任务模型的失败轨迹、然后写出一条可复用的提示词，9B 小模型在 3 个基准中的 2 个上写出比前沿模型和提示词优化器更好的提示。

针对流式视频理解中"事件变化被压缩掉、细节无法找回"的问题，研究者提出智能体框架 DeltaStreamer，把持续观察与查询驱动的主动回看结合起来，并在 OVO-Bench 与 StreamingBench 上报告了 66.07% 和 59.53% 的总体得分。

一篇 arXiv 新论文认为，用“推断队友意图的准确率”来认证多智能体协调模块存在系统性缺陷，并提出一种部署前评估的 Blind-Spot Gate。这对依赖大模型做多智能体协作的开发者有直接参考价值。

Hugging Face Papers 收录的论文提出 3DCodeVerse，让编码代理直接生成可执行、可编辑、可验证的 3D 代码，并配套 2M 规模的代码数据集与自动化评估框架，试图把 3D 内容创作变成一种可规模化的 coding 任务。

arXiv 2026年10月15日发布的一篇论文，提出用“子空间引导进化搜索+成对视觉识别”两阶段框架，在只拿到 LoRA 适配器、不知道它训练内容的情况下，反查它真正想生成的概念，用于内容审核与下游调查。

Hugging Face Papers 收录的论文提出 Terminal-RSI，用递归自改写与策略精炼交替训练终端智能体，在 Terminal-Bench 系列基准上给出可核查的阶段性分数，核心价值在于把验证器结果更有效地转化为策略更新。

一篇发表于 Hugging Face Papers 的论文提出，流匹配（flow matching）采样器本身受电路复杂度限制，多步采样未必带来更强推理；而加入自条件（self-conditioning）后，常深度主干模型可获得与空间有界图灵机等价的表达能力。