分类： AI 资讯

alphaXiv 收录的论文 Latent Bridge 提出一个小型可训练映射器，把视频生成模型的潜空间直接接到冻结的 VGGT-Ω 几何特征空间，跳过“先解码 RGB、再重新编码”的中间步骤。它值得关注的地方在于：同一份潜变量可以同时用于 RGB 解码和相机、深度、点云预测，官方摘要给出的解码加速最高为…

研究者提出 Lafa 系列连续流语言模型，把预训练自回归模型改造成分块并行生成的流量模型，论文摘要称 7B 设置下吞吐约为同质量 AR 的 2.54 倍。它代表大模型推理加速的一条新路线，但仍属论文阶段。

清华大学KEG实验室在Hugging Face Papers发布Event-STVG任务与基准，把视频时空定位从“找描述中的目标”推向长视频事件级推理，并显示当前最强多模态大模型在10分钟视频上的m-vIoU只有5.4%。

Hugging Face Papers 收录的论文摘要提出 LLM2R，把 3D 零件装配改写为序列建模问题，用预训练大语言模型一次前向预测全部零件的旋转和平移；它试图解决零件数量增多时现有方法扩展性差的问题。

Hugging Face Papers 上出现了一篇题为 EvaOmni 的论文摘要，提出一个要求模型同时回答问题和标注音视频证据区间的评测基准，用来检验多模态推理是否真有证据链，而非靠选项或文字线索猜答案。

alphaXiv 收录的论文 SuperMimic 提出，用人形机器人共享动力学的可微世界模型替代逐条动作试错，单张 H100 训练 3 小时的跟踪回报超过 SONIC 基线在 128 张 L40 上训练 7 天的结果，目的是把全身动作控制的数据扩展成本降下来。