LaLa-World：用自然语言动作统一训练潜空间世界模型，规划效率提升13.9倍
Hugging Face Papers 收录的论文 LaLa-World 提出用自然语言统一描述动作与视觉变化，把 JEPA 式潜空间世界模型扩展到多领域数据联合训练，并在规划任务上实现训练成本仅约 1/6、规划速度约 13.9 倍的对比结果。
分类： AI 资讯
Hugging Face 新基准 OmniDR-Bench：评测以视频为起点的深度研究报告智能体
Hugging Face Papers 于 2026 年 10 月 22 日收录一篇论文，提出“以视频为中心的深度研究报告生成”任务，并发布 OmniDR-Bench 基准与 Omni-ARTs 评测标准；摘要显示，18 种智能体配置中最佳系统得分仅 63.3（满分 100）。
LayerEditor 框架提出可复用 RGBA 图层图像编辑，配套 10 万级数据集
2026 年 10 月 17 日，Hugging Face Papers 收录的一篇论文提出 LayerEditor 框架，尝试把指令驱动的图像编辑与可复用的 RGBA 图层生成统一起来，并发布了配套数据集；目前公开的只有论文摘要，尚不能视为已上线产品。
Heartbeat Thinking：语音智能体边听边做工具准备的新思路
一篇发表于 Hugging Face Papers 的论文提出 Heartbeat Thinking 方法，让语音智能体在用户说话过程中周期性调用推理模块、保留已发起的工具调用，把“听”的时间转化为可复用的准备；在 FDBench v3 上报告工具覆盖提升 16 个百分点、最终响应平均延迟降低 36.4%。需…
物理工程基准PLE发布：前沿Agent最高仅50.6%，单任务耗时63分钟
arXiv 新论文提出 PLE 基准，用 85 个长周期、多格式的物理工程任务检验 AI Agent 能否交付可被执业工程师签署的真实设计成果。目前公开信息显示，最强配置平均分仅 50.6%，与自主完成工程交付仍有明显差距。
前沿大模型能否自建并改进任务执行框架？ARC-AGI-3 控制实验显示两轮修订的泛化收益有限
arXiv 上一篇新论文在 ARC-AGI-3 上测试前沿模型能否自行搭建并两轮修订任务执行框架，结果发现开发集提升明显，但留出集平均 RHAE 仅提高 2.80 分，自适应改进很难稳定泛化。
ARATest 用属性测试核查 AI 科研主张：553 个植入故障全检出，两处论文错误获作者确认
arXiv 新论文提出 ARATest，把 AI 智能体产出的科研主张从自然语言转成可执行属性测试，在 33 个研究工件、243 条主张上完成初步验证。它试图解决“主张产出快、人工核查跟不上”的问题。
Hugging Face论文：朴素RAG在四项记忆评测中六成设置领先复杂Agentic Memory
Hugging Face Papers 收录的一篇论文摘要提出，仅用原始对话历史做稠密检索加重排的朴素 RAG（Raw-RAG），在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四项记忆评测的 7 个“基准-模型”设置中 6 个排名第一，超过对比中最强的复杂 Agenti…
arXiv 论文审计 Agent 行为检测器：工具输出被静默覆盖，标签与执行轨迹存系统性分歧
arXiv 上一项新论文审计了 LLM Agent 评测中的轨迹级行为检测器，发现“最终答案正确”“是否复检”“故障传播”等自动标签与执行轨迹实际内容存在系统性分歧，呼吁评测结果附带可核查的轨迹证据。
Verus-Insight提出可解释AI视频检测 同步发布细粒度评测基准
Hugging Face Papers 收录的论文《Verus-Insight: Towards Explainable Artifact Detection in AI-Generated Videos》提出一套先规划检查、再核验证据、最后汇总判断的AI视频检测方法，并发布带人工细粒度标注的评测基准 Ver…