及时止损！通过早期路径剪枝实现高效的并行推理学习

Qwen3.5-Omni 技术报告

面向高效且具成本效益的 Retrieval-Augmented Generation 系统的 Web Retrieval-Aware Chunking (W-RAC) 研究

PersonaVLM：长期的个性化 Multimodal LLMs

无需数据或优化实现最大脑损伤：通过 Sign-Bit Flips 破坏 Neural Networks

阐明 Diffusion Probabilistic Models 的 SNR-t Bias

多模态 OCR：解析文档中的一切内容

Granite-speech：具备强大英语 ASR 能力的开源语音感知 LLMs

Fish-Speech：利用 Large Language Models 实现先进的多语言 Text-to-Speech 合成

视频对象与交互删除

VoxCPM：面向上下文感知语音生成与高保真声音克隆的 Tokenizer-Free TTS

OmniVoice: 迈向基于 Diffusion Language Models 的全语种 Zero-Shot Text-to-Speech 研究

视觉如何转化为文本：定位 Vision-Language Models 中的 OCR Routing 瓶颈

OCR 还是非 OCR？在 MLLMs 时代利用真实世界大规模数据集重新思考文档信息抽取

dnaHNet：一种用于基因组序列学习的可扩展分层 Foundation Model

神经计算机

ASGuard：通过 Activation-Scaling 机制缓解针对性 Jailbreaking Attack 的防护方法

GlobalSplat: 通过 Global Scene Tokens 实现高效的 Feed-Forward 3D Gaussian Splatting

如何 Fine-Tune 推理模型？一种用于合成 Student-Consistent SFT 数据的高师生协作框架

RAD-2：在生成器-判别器框架下扩展 Reinforcement Learning

DR$^{3}$-Eval：迈向真实且可复现的深度研究评估

HY-World 2.0：一种用于重建、生成与模拟 3D 世界的多模态 World Model

pi0.7：一种具有涌现能力的、可控的通用机器人 Foundation Model

GTR：引导式思维强化通过防止 RL 基础的 VLM Agent 训练中的思维崩溃（Thought Collapse）来提升性能

Large Language Models 的 Agent Skills：架构、获取、安全与未来路径

空间理论：Foundation Models 能否通过主动探索构建空间信念？

记忆迁移学习：Memory 在 Coding Agents 中是如何跨领域迁移的

OccuBench: 通过 Language World Models 在真实世界专业任务上评估 AI Agents

SpatialEvo：通过确定性几何环境实现自我演化的空间智能

RationalRewards：通过推理 Rewards 在训练与测试阶段共同提升视觉生成的 Scale

Seedance 2.0：提升应对世界复杂性的 Video Generation 能力

GameWorld：迈向多模态 Game Agents 标准化与可验证性的评估研究

及时止损！通过早期路径剪枝实现高效的并行推理学习

Qwen3.5-Omni 技术报告

面向高效且具成本效益的 Retrieval-Augmented Generation 系统的 Web Retrieval-Aware Chunking (W-RAC) 研究

PersonaVLM：长期的个性化 Multimodal LLMs

无需数据或优化实现最大脑损伤：通过 Sign-Bit Flips 破坏 Neural Networks

阐明 Diffusion Probabilistic Models 的 SNR-t Bias

多模态 OCR：解析文档中的一切内容

Granite-speech：具备强大英语 ASR 能力的开源语音感知 LLMs

Fish-Speech：利用 Large Language Models 实现先进的多语言 Text-to-Speech 合成

视频对象与交互删除

VoxCPM：面向上下文感知语音生成与高保真声音克隆的 Tokenizer-Free TTS

OmniVoice: 迈向基于 Diffusion Language Models 的全语种 Zero-Shot Text-to-Speech 研究

视觉如何转化为文本：定位 Vision-Language Models 中的 OCR Routing 瓶颈

OCR 还是非 OCR？在 MLLMs 时代利用真实世界大规模数据集重新思考文档信息抽取

dnaHNet：一种用于基因组序列学习的可扩展分层 Foundation Model

神经计算机

ASGuard：通过 Activation-Scaling 机制缓解针对性 Jailbreaking Attack 的防护方法

GlobalSplat: 通过 Global Scene Tokens 实现高效的 Feed-Forward 3D Gaussian Splatting

如何 Fine-Tune 推理模型？一种用于合成 Student-Consistent SFT 数据的高师生协作框架

RAD-2：在生成器-判别器框架下扩展 Reinforcement Learning

DR$^{3}$-Eval：迈向真实且可复现的深度研究评估

HY-World 2.0：一种用于重建、生成与模拟 3D 世界的多模态 World Model

pi0.7：一种具有涌现能力的、可控的通用机器人 Foundation Model

GTR：引导式思维强化通过防止 RL 基础的 VLM Agent 训练中的思维崩溃（Thought Collapse）来提升性能

Large Language Models 的 Agent Skills：架构、获取、安全与未来路径

空间理论：Foundation Models 能否通过主动探索构建空间信念？

记忆迁移学习：Memory 在 Coding Agents 中是如何跨领域迁移的

OccuBench: 通过 Language World Models 在真实世界专业任务上评估 AI Agents

SpatialEvo：通过确定性几何环境实现自我演化的空间智能

RationalRewards：通过推理 Rewards 在训练与测试阶段共同提升视觉生成的 Scale

Seedance 2.0：提升应对世界复杂性的 Video Generation 能力

GameWorld：迈向多模态 Game Agents 标准化与可验证性的评估研究