标签： 算力

2026年10月8日，DiffusionART 在 Hugging Face Papers 公开，提出一种无需 EMA 调参的扩散模型在线强化学习框架，声称在 HunyuanVideo-13B 上达到同类方法晚期奖励水平所需 GPU 小时最多减少 12 倍。

arXiv 上一篇新论文提出 EvoSyn，用多智能体框架把学习者反馈转化为可执行的合成数据生成策略，在 τ²-Bench 和 CAR-Bench 上平均任务成功率比最强基线提升 13.3 个百分点，试图解决「知道哪里弱、却不知道怎么改」的反馈到决策断层。

多模态大模型开始学习"按内容分配视觉算力"——VisionWeave 让模型自己判断哪里要看细、哪里可以压缩，平均省下 43% 视觉 token，同时保留 98.9% 的原始性能。

Hugging Face Papers 于 2026 年 9 月 29 日收录论文摘要，提出 PolyOCR（含 Venus 系列）统一 OCR 基础模型，试图用一套模型覆盖识别、定位与文本推理；其意义在于把 OCR 从纯文字转录推向更通用的视觉智能，但摘要未说明已上线可用产品。

Hugging Face 上的一篇论文提出 StereoBind 框架，试图让 AI 生成的立体声音频随画面中声源运动而移动，并配套发布大规模立体声数据集 StereoWorld-29K。这值得关注，因为它把音视频联合生成从“对得上”推进到“空间对得上”。

Hugging Face Papers 于 2026 年 10 月 8 日收录论文 WorldGuide，提出把程序性视频生成重构为“视觉世界中的闭环任务执行”，并配套发布约 5.9 万条步骤标注视频的 WorldGuide-Bench。据摘要，其任务成功率高于近期视频模型 MiniMax-H3。