Google DeepMind 新研究：让 AI 视觉模型更像人一样看世界
Google DeepMind 在 Nature 发表新论文，提出一种三步对齐方法，用认知科学的"odd-one-out"任务发现视觉模型常依赖背景色、纹理等表层特征，与人类判断系统性错位。团队以 SigLIP-SO400M 为基座训练适配器作为"教师"，生成含百万张图像、数百万条类人判断的 AligNet 数据集，再微调其他模型，使其内部表征按人类概念层级重新组织，从而提升鲁棒性与泛化能力。
#论文/研究
#论文/研究
今日 1 条Google DeepMindAI 评分4848
Google DeepMindAI 评分4545 Google 用 AI 预测森林砍伐风险、绘制物种分布图并升级生物声学模型 Perch
Google 发布森林砍伐风险预测基准数据集，基于纯卫星输入和 vision transformer 架构，可在大范围区域内实现 30 米分辨率预测。
Berkeley AI ResearchAI 评分3535 无需 TD 学习：用分治法扩展 off-policy 强化学习
一篇新研究提出以分治法（divide and conquer）替代时序差分（TD）学习的 off-policy 强化学习算法，将 Bellman 递归次数从线性降到对数级，从而扩展至长时程任务。
Hugging Face BlogAI 评分3636 NVIDIA 发布 Nemotron-Personas-India：面向主权 AI 的合成数据
NVIDIA 发布 Nemotron-Personas-India，首个面向印度人格的开放合成数据集，采用 CC BY 4.0 许可，含 2100 万条 persona、77 亿 token，覆盖印度全部 36 个邦和 640 个地区，支持英语和印地语（天城文与拉丁文）。
Hugging Face Blog精选AI 评分7272 Meta 发布 Gaia2 基准与 ARE 智能体评测环境
Meta 发布 GAIA 的后续基准 Gaia2 以及开源框架 Meta Agents Research Environments（ARE），用于运行、调试和评测智能体。
推荐理由：Meta 发布 Gaia2 基准与 ARE 环境源码，给出多模型在模糊、噪声与时间推理任务上的实测结果，便于对照自身智能体能力。
Hugging Face BlogAI 评分4545 SandboxAQ 开源 SAIR：500 万+ 蛋白质-配体 3D 结构数据集加速药物研发
SandboxAQ 开源 Structurally Augmented IC50 Repository（SAIR），包含超 500 万个 AI 生成的高精度蛋白质-配体 3D 结构，每个结构都配有来自 ChEMBL 或 BindingDB 的实验测定 IC₅₀ 数据，以 CC BY 4.0 许可免费开放。
Berkeley AI ResearchAI 评分3232 word2vec 到底学到了什么？研究给出闭式学习理论
研究证明 word2vec 在现实训练条件下可归结为无权重最小二乘矩阵分解，梯度流动态存在闭式解，最终学到的表示等价于对矩阵 M* 做 PCA。该矩阵仅由语料共现概率、unigram 概率等可测统计量和超参数决定，其顶部特征向量对应可解释概念：名人传记、政府市政、地理描述等。
Hugging Face BlogAI 评分3939 Kimina-Prover-RL：Lean 4 形式化定理证明开源训练流程，含 1.7B 与 0.6B 模型
AI-MO 与 Kimi 开源 kimina-prover-rl 训练流程，基于 DeepSeek-R1 式"先推理后生成"范式，兼容 Verl 框架，并随附 1.7B 与 0.6B 两个模型。
Hugging Face BlogAI 评分2929 Hugging Face 推出 TextQuests：LLM 玩文字冒险游戏能有多强？
Hugging Face 发布 TextQuests 基准，基于 25 款经典 Infocom 互动小说游戏评测 LLM 的智能体能力，每局最多执行 500 步，分带官方提示与无提示两轮运行，并用游戏进度和 Harm 两项指标打分。
Hugging Face BlogAI 评分2626 Hugging Face 发布 FilBench：评估 LLM 的菲律宾语能力
Hugging Face 推出 FilBench，一个覆盖 Tagalog、Filipino 和 Cebuano 三种菲律宾语言的评测套件，含文化知识、经典 NLP、阅读理解、生成四大类共 12 项任务，并基于 Lighteval 构建，已作为社区任务上线官方 Lighteval 仓库。
Hugging Face BlogAI 评分2626 Hugging Face 发布 3LM：面向阿拉伯语 LLM 的 STEM 与代码基准
Hugging Face 推出 3LM（علم），首个专门评估阿拉伯语 LLM 在 STEM 与代码生成能力的多组件基准，包含 865 道真实 STEM 选择题、1744 道合成高难度题，以及译成阿拉伯语的 HumanEval+ 和 MBPP+ 代码任务。
Hugging Face BlogAI 评分4646 Hugging Face 发布 TimeScope：视频大模型能处理多长视频？
Hugging Face 开源基准 TimeScope，通过在 1 分钟至 8 小时的长视频中插入 5-10 秒"针"片段，评测视频大模型的定位检索、信息综合与细粒度时序感知三项能力。测试显示，即便 Gemini 2.5-Pro 等领先模型在真正的长视频时序理解上仍显吃力，且视频越长性能下滑越明显。
Hugging Face BlogAI 评分2222 Arc Institute 虚拟细胞挑战赛入门指南：用模型预测基因沉默效应
Arc Institute 发起 Virtual Cell Challenge，要求参赛者训练模型预测在部分未见过的细胞类型中沉默某个基因的效果，即"上下文泛化"。
Hugging Face BlogAI 评分3737 Hugging Face 推出 FutureBench：用预测未来事件评测 AI 智能体
Hugging Face 发布 FutureBench，通过让 AI 智能体预测真实未来事件来评测其推理能力，避免传统基准的数据污染问题。该基准用基于 smolagents 的智能体抓取新闻生成预测问题，并接入 Polymarket 预测市场，每周分别产出约 5 个新闻问题和 8 个市场问题，答案可随时间验证。
Hugging Face BlogAI 评分2323 Hugging Face 宣布 NeurIPS 2025 E2LM 竞赛：评测大语言模型训练早期阶段
Hugging Face 宣布举办 NeurIPS 2025 E2LM 竞赛，面向科学知识领域构建能在 LLM 训练早期（约 200B tokens 前）捕捉有效信号的新基准。
Hugging Face BlogAI 评分5151 Hugging Face 研究：用结构化输出提升 CodeAgent 执行可靠性
Hugging Face 分享研究，提出让 CodeAgent 以结构化 JSON 同时输出 thoughts 和可执行 code，在 GAIA、MATH、SimpleQA、Frames 等基准上比普通 CodeAgent 平均提升 2-7 个百分点。
Hugging Face BlogAI 评分4141 Hugging Face 推出 HELMET：全面评估长上下文语言模型
Hugging Face 发布 HELMET 长上下文语言模型评估基准，已评估 59 个近期 LCLM，主张跨多样下游任务评估才能真正区分模型能力。
Hugging Face Blog精选AI 评分6868 Open R1 发布 CodeForces-CoTs 数据集、IOI 基准与 OlympicCoder 代码模型
Open R1 发布第三期更新，包括从 DeepSeek-R1 蒸馏的近 10 万条 C++ 与 Python 竞赛编程思维链数据集 CodeForces-CoTs、基于 2024 国际信息学奥林匹克（IOI）的新基准，以及微调的 7B 和 32B 模型 OlympicCoder。
推荐理由：Open R1 公布了从 R1 蒸馏的代码推理数据集、IOI 基准与两个开源模型，可看蒸馏训练的具体做法与教训。
Hugging Face BlogAI 评分5252 Open R1 发布 OpenR1-Math-220k 数学推理数据集
Open R1 项目发布首个大规模数学推理数据集 OpenR1-Math-220k，用 DeepSeek R1 在 512 张 H100 本地生成 400k 道题的解答，过滤后保留 220k 道含正确推理轨迹的题目。
Hugging Face BlogAI 评分5050 Adyen 与 Hugging Face 发布 DABstep：多步推理数据智能体基准
Adyen 和 Hugging Face 联合推出 DABstep，一个包含 450+ 真实数据分析任务的多步推理数据智能体基准，最强推理型智能体准确率仅 16%。
Hugging Face BlogAI 评分5353 Artificial Analysis 发布 Big Bench Audio 音频推理基准
Artificial Analysis 发布 Big Bench Audio 评测数据集，将 Big Bench Hard 的 1000 道题改编为音频形式，用于评估音频语言模型的推理能力。
Hugging Face BlogAI 评分3636 Hugging Face 社区发布文本到图像生成开放偏好数据集
Hugging Face 的 Data is Better Together 社区发布 Apache 2.0 许可的文本到图像偏好数据集，覆盖常见图像生成类别并混合不同模型家族与提示词复杂度。数据集基于 Flux 和 Stable Diffusion 模型生成图像，配套提供 flux-dev-lora-finetune。
Hugging Face BlogAI 评分2626 Hugging Face 推出 AraGen：基于 3C3H 的阿拉伯语 LLM 生成式基准与排行榜
Hugging Face 发布 AraGen，一个面向阿拉伯语 LLM 的生成式任务基准与排行榜，采用基于 LLM-as-judge 的新评估指标 3C3H，从正确性、完整性、简洁性、有用性、诚实性和无害性六个维度打分。AraGen 同时覆盖开源与闭源模型，采用动态评估策略：数据集与评估代码先保密三个月进行盲测，期满后公开并替换为新私有基准，以缓解数据污染。
Hugging Face BlogAI 评分4444 BAAI 推出 FlagEval Debate：首个多语言 LLM 辩论竞赛平台
BAAI 推出 FlagEval Debate 平台，让大模型直接对辩，目前支持中文、英文、阿拉伯语和韩语四种语言。平台采用专家评审与用户投票的双重评估机制，并提供开发者自定义参数与实时调试能力，以解决静态评测和 Chatbot Arena 等现有平台缺乏区分度、模型各自生成不真正交互、投票存在风格偏好的问题。
Hugging Face BlogAI 评分5858 Hugging Face 与 Intel Labs 提出 Universal Assisted Generation：任意辅助模型加速解码
Hugging Face 与 Intel Labs 提出 Universal Assisted Generation（UAG），通过双向 tokenizer 转换，让目标模型可以搭配任意模型家族的更小辅助模型，对任意 decoder 或 MoE 模型实现 1.5x-2.0x 推理加速。
Hugging Face BlogAI 评分2828 CinePile 2.0：用对抗式精炼打造更强的数据集
Hugging Face 发布 CinePile 2.0 长视频问答数据集，并开源一种名为对抗式精炼的新方法。初版 CinePile 于 2024 年 5 月推出，含约 30 万训练样本和 5000 测试样本，人类在该基准上比最强商业视觉模型高出 25%、比开源模型高出 65%；2.0 版本由 HF Mirror 参与，针对退化问题和视觉依赖等缺陷做改进，该方法可直接用于强化现有数据集。
Hugging Face BlogAI 评分2121 Hugging Face 发布 BenCzechMark：首个捷克语 LLM 综合评测基准
Hugging Face 发布 BenCzechMark，称其为首个也是最全面的捷克语 LLM 评测套件，含 50 项任务、9 个类别，90% 任务为原生非翻译内容。配套排行榜已收录 25 个以上不同规模的开源模型，覆盖阅读理解、事实知识、语言建模、数学推理等维度，评测指标包括 Acc、EM、AUROC 和词级困惑度。
Hugging Face BlogAI 评分5252 Hugging Face 详解 FineVideo 数据集构建：从 190 万条视频到 4.3 万条标注视频
Hugging Face 发布 FineVideo 数据集，包含 4.3 万条视频、总计 3400 小时，并标注了描述、叙事细节、场景切分和问答对。
Hugging Face BlogAI 评分1616 深入探索 HF Mirror Daily Papers 页面的隐藏功能
HF Mirror 的 Daily Papers 页面已收录 3,700 多篇论文、订阅数超 12k，作者可一键认领论文并关联到自己的账号。该页面还支持论文提交、@作者实时讨论、@librarian-bot 推荐相似论文、多语言评论与自动翻译，并将模型、数据集、demo 等资源集中链接在论文页右侧。用户可通过页面顶部 Subscribe 按钮订阅每日更新（周末除外）。
Hugging Face BlogAI 评分3636 一次失败的实验：Infini-Attention，以及我们为何仍应继续尝试？
Hugging Face 复现 Google 的 Infini-Attention 时发现，随着记忆压缩次数增加，模型性能持续下降，团队约 90% 的时间都花在调试一个收敛问题上。作者认为，ring attention、YaRN 和 rope scaling 目前仍是扩展预训练模型上下文长度的最佳方式。
Hugging Face BlogAI 评分3232 LAVE：用 LLM 在 Docmatix 上做零样本 VQA 评测，我们还需要微调吗？
Hugging Face 提出 LAVE（LLM-Assisted VQA Evaluation），将 VQA 评测重构为 LLM 的答案评分任务，用 Llama-2-Chat-7b 对 Docmatix 200 张图像的零样本生成答案按 1-3 分打分并映射到 [0,1]。
Hugging Face BlogAI 评分3232 Hugging Face 发布 Docmatix：面向文档视觉问答的超大规模数据集
Hugging Face 发布 Docmatix，一个规模达 240 倍于以往数据集的文档视觉问答（DocVQA）数据集，包含 240 万张图像和 950 万对 Q/A，源自 130 万份 PDF。
Hugging Face BlogAI 评分3737 Meta 发布 CyberSecEval 2：评估 LLM 网络安全风险与能力的评测框架
Meta 推出 CyberSecEval 2，用于评估 LLM 生成不安全代码、抵抗提示词注入、配合网络攻击、滥用代码解释器以及自动化攻击性网络安全能力。相比 2023 年 12 月的首版，LLM 配合网络攻击请求的平均合规率从 52% 降至 28%。所有代码已开源，可接入排行榜。
Hugging Face BlogAI 评分4444 Hugging Face 开源通用智能体 JAT：一个 Transformer 玩转 157 项任务
Hugging Face 发布通用智能体项目 Jack of All Trades（JAT），基于 GPT-Neo 的 Transformer 架构，用单一网络在 Atari、BabyAI、Meta-World、MuJoCo 四个领域的 157 项任务上达到专家平均性能的 65.8%。
Hugging Face BlogAI 评分4444 Hugging Face 推出 LiveCodeBench 排行榜：面向代码 LLM 的无污染整体评估
Hugging Face 上线 LiveCodeBench 排行榜，基于 UC Berkeley、MIT 和 Cornell 研究者开发的基准，通过按发布时间标注 LeetCode、AtCoder、CodeForces 题目，支持按时间窗口滚动评估以检测和防止数据污染。
Hugging Face Blog精选AI 评分6262 Cosmopedia：如何为 LLM 预训练构建大规模合成数据
Hugging Face 发布 Cosmopedia，一个由 Mixtral-8x7B-Instruct-v0.1 生成的合成数据集，包含超 3000 万个文件和 250 亿 token，目标是复现 Phi-1.5 的训练数据。
推荐理由：Hugging Face 公开了复现 Phi 合成预训练数据的完整流程、数据集与 1B 模型，读者可据此理解大规模合成数据的提示词设计与工程细节。
Hugging Face BlogAI 评分4242 Hugging Face 发布 WebSight 数据集，用截图生成 HTML 代码
Hugging Face 开源 WebSight 数据集，用于训练 AI 模型将网页截图转换为 HTML 代码。该数据集已从 2024 年 1 月的 v0.1 版 823,000 对样本迭代至 v0.2 版，采用真实图片截图并换用 Tailwind CSS，规模扩展至 200 万对样本。
Hugging Face BlogAI 评分3030 UCLA 推出 ConTextual：评估多模态模型在文本丰富场景中的图文联合推理能力
UCLA 研究者发布 ConTextual，一个含 506 条指令的上下文敏感文本丰富视觉推理数据集，覆盖时间阅读、购物、导航、信息图等 8 类真实场景，并附排行榜与验证集。首轮评测 13 个模型，GPT-4V 表现最佳，但在时间相关任务上不及人类；开源模型仅在抽象与自然场景达到可接受水平。
Hugging Face BlogAI 评分3232 Hugging Face 推出幻觉排行榜，开放评估大语言模型幻觉问题
Hugging Face 发布 Hallucinations Leaderboard，用 NQ Open、TriviaQA、TruthfulQA、XSum、CNN/DM、RACE、SQuADv2、FEVER 等基准评估 LLM 的幻觉表现，分数归一化到 [0,1]。
Hugging Face BlogAI 评分3535 Hugging Face 与 Intel Labs 推出 SetFitABSA：用 SetFit 实现少样本方面级情感分析
Intel Labs 与 Hugging Face 推出 SetFitABSA，一个基于 SetFit 库的少样本方面级情感分析（ABSA）框架，无需提示词即可训练领域专用模型，在少样本场景下甚至优于 Llama2 和 T5 等生成模型。它通过 spaCy 抽取名词类方面候选，再用两个 SetFit 模型分别完成方面/非方面分类与情感极性判定，训练只需少量标注样本。