不靠语言预训练也能文生图?Halcyon 论文称算力省 275 倍

alphaXiv 上一项名为 Halcyon 的论文提出,完全跳过互联网规模的语言预训练,直接用图文对从零训练文生图模型,1.6B 版本在论文自设评测中超过更大的基线,且总预训练算力约为后者的 1/275。目前这是论文结果,还不是已上线产品。

alphaXiv 上一项名为 Halcyon 的论文提出,完全跳过互联网规模的语言预训练,直接用图文对从零训练文生图模型,1.6B 版本在论文自设评测中超过更大的基线,且总预训练算力约为后者的 1/275。目前这是论文结果,还不是已上线产品。

机器人基础模型 PhysWord 提出“Physical Words”思路,把 approach、pick、place 等原子动作词与未来视觉或触觉表征对齐,先在潜空间预测动作序列再生成动作。按论文摘要,其在 LIBERO-Long 达到 99.6% 成功率,在 UniVTAC 达到 90.3%。

alphaXiv 收录的论文提出 Ropedia W0,一个覆盖人类与多种机器人形态的第一人称移动操作世界模型,用 1 万小时人类视频和 3000 小时机器人数据训练,并配套新基准 Xp-Teleop。

Hugging Face Papers 收录的论文提出 Manga2Animate,把漫画改编动画拆成“动画剧本”和“视觉分镜”两步,由创作者智能体生成、审阅智能体对照原漫画检查,目标是减少角色和画风走样。目前公开信息显示这仍是论文研究,并非已上线产品。

arXiv 上一项新研究提出免训练数据选择器 LIFT,只用不完整的推理轨迹前缀就能给提示词打分,在 Qwen2.5-Math-1.5B 和 DeepSeek-R1-Distill-1.5B 上把 RLVR 的数据筛选成本降低 3.7—9.1 倍,同时下游表现与对比方法 SHIFT 相当。

arXiv 上一项新研究提出用前沿模型蒸馏加自训练的方式,把小规模开源模型训练成可用的正向反应预测器(模型名 Resonance),但作者同时指出准确率提升不等于推理稳健,模型在追问压力下容易放弃正确答案。

2026 年 10 月 19 日发布在 Hugging Face Papers 的论文提出 DeOverlay 视频覆盖物去除模型和配套评测集 DVTE-Bench,目标是在去除字幕、标题、台标等遮挡后尽量还原原始画面。摘要称其在五项重建与感知指标上均优于四个基线。

arXiv 2026年10月20日出现一篇新论文,提出自监督方法 Mirror,让视频到动作模型通过与环境的交互自学,不依赖预先收集的动作数据或手工奖励。它值得关注,是因为视频生成模型能否在机器人、游戏中真正“执行计划”,长期受制于动作数据稀缺。

arXiv 2026年10月20日发布的一篇新论文介绍了 TorchTPU——谷歌与 Meta 开源合作的 PyTorch 原生 TPU 后端,目标是让模型开箱即跑在 TPU 上,并兼顾推理与训练性能。据摘要信息,它通过 eager 执行优化、torch.compile 集成和硬件原语加速实现这一点。

arXiv 于 2026 年 10 月 20 日发布的新论文提出 Cache2LoRA,在 17 个任务上以 0.663 的 macro F1 逼近完整上下文 ICL 的 0.671,同时把 32K 文档场景的解码吞吐提升到后者的 5.9 倍,为上下文内化这一技术方向提供了更强且更省算力的方案。