1
Kimi K3：2.8 万亿参数、百万上下文的开源混合专家模型
Kimi K3 是月之暗面发布的开源 MoE 模型：总参数 2.8 万亿、每 token 激活 1040 亿，原生支持视觉输入和百万 token 上下文，基于 Kimi Delta Attention 架构，并在通用、智能体、编程等方向做了多档推理强度的强化学习后训练。
- 42 星/7日
- 16 引用
- 519 点赞
- #1 mathvision
榜单
AI 研究论文总榜
总榜:最近 90 天的所有 AI 论文,涵盖语言模型、Agent、视觉、机器人等方向。按三路独立信号排序 —— 官方实现仓的涨星速度、引用数、Hugging Face 关注度 —— 只火一天的论文占不住位置。每天重排。
2
FreeToken：把个人电脑当成弹性推理平台，本地跑大型 MoE 模型
开源大模型越来越重，但本地推理还按“把数据中心的办法缩小”的思路做。FreeToken 围绕本地 AI 的两个现实（智能体负载持续变化、每台机器的资源配比不同），联合设计模型加载、专家驻留、CPU-GPU 协同执行与内存管理，带宽允许时让个人机器也能流畅服务大 MoE 模型。
- 348 星/7日
- 2 引用
- 109 点赞
3
Raven：自动构建、进化和编排 agent 执行框架的开源多智能体生态
手动搭的 agent 执行框架往往绑死某个领域，撑不起跨领域的长程任务。Raven 把「模型 + 执行框架」的组合当成可拼接的智能单元：Host Agent 负责拆目标、调度各专业子 agent 并合并结果；host archive 和 EverOS 把任务经验沉淀下来，再由 Skill Forge 提炼成可复用的流程。论文还给出在统一资源预算下扩大可靠任务覆盖面的充分条件。
- 1,007 星/7日
- 0 引用
- 493 点赞
4
LingBot-World 2.0：可无限互动、带 60 帧实时版的游戏世界模型
这个 2.0 版本把游戏世界模型的互动时长拉到无限而不掉质量，靠的是精心设计的因果预训练范式；蒸馏出的实时版足以驱动 720p、60 帧的视频流；动作种类也大幅扩展，新增攻击、射箭、施法、射击等，并有更丰富的文本驱动交互元素。
- 22 星/7日
- 17 引用
- 47 点赞
5
VoiceMem：给实时语音助手装上“左脑记事实、右脑记情绪”的流式记忆
这篇工作为双工语音模型设计了一套流式记忆架构：左脑负责事实信息，右脑负责情绪与个性化，让语音助手在实时对话中同时记住“你说了什么”和“你是怎么说的”。
- 281 星/7日
- 1 引用
- 179 点赞
6
Prime Agent：带常驻 REPL 和跨任务记忆的开源长程智能体框架
Prime Agent 是一个开源的长程智能体框架：常驻 IPython 会话让模型用代码做测试时计算，历史、记忆、技能和子智能体配置可以跨任务保留，递归子智能体之间直接通信协作，人类还能随时查看和管理后台会话。
- 243 星/7日
- 2 引用
- 52 点赞
- #1 longbench-v2
7
LingBot-VLA 2.0：6 万小时、20 种本体数据预训练的视觉-语言-动作模型
这篇技术报告升级了 LingBot-VLA：重构数据管线，用约 6 万小时预训练数据（20 种机器人本体共 5 万小时轨迹，外加 1 万小时第一人称人类视频），并把控制范围从双臂扩展到头部、腰部、移动底盘和灵巧手，目标直指实验室到真实部署之间的落地鸿沟。
- 32 星/7日
- 15 引用
- 21 点赞
- #3 robotwin-2-0-easy-50-tasks
8
RRSI：给智能体 harness 的递归自我改进加上正则，让进化出的机制扛得住分布外基准
反复自动修改智能体的 harness（提示词、控制流、工具、记忆）看似在自我进化，实则常常只是背熟了训练任务，一换基准就露馅。RRSI 给进化环的两端都加上正则：提案方在时间退火预算下工作、被鼓励走向没试过的路径；筛选方用 critic 挡掉针对特定基准的修改，用 pruner 剔除太小、太贵或已无用的编辑。论文称在进化所用划分上最多提升 14.1 分，在五个分布外基准上最多提升 4.7 分，且进化出的 harness 运行少用 30% 的 policy token。
- 843 星/7日
- 0 引用
- 172 点赞
9
小米机器人一号：10 万小时以上真机轨迹预训练的视觉-语言-动作模型
小米机器人团队的视觉-语言-动作基础模型，用 10 万小时以上的真机 UMI 轨迹做预训练，并自动标注场景转换语言，再经后训练适配不同本体和人类的指令式提示。论文称数据量和参数量增加时性能持续提升，在新环境里可以开箱即用，灵巧任务上也能高效微调。
- 9 星/7日
- 15 引用
- 75 点赞
- #3 robocasa
10
NeoHorse-1：把每次对话的路由记录变成下一轮训练数据的自我进化模型
这篇工作给“递归自我改进”找了一个具体机制：系统记录每个用户回合预测的能力档位、实际路由到的服务层和交互结果，把这些记录经结构校验与六维语义评估后转成训练样本，保留交错推理、工具调用和 harness 上下文，驱动下一轮 agentic 后训练。
- 464 星/7日
- 0 引用
- 407 点赞
- #1 tau2-bench
11
RoboDojo：42 个仿真加 18 个真机任务，一次考遍通用机器人策略
RoboDojo 是一个仿真与真机统一的机器人操作基准，用 42 个仿真任务加 18 个真机任务考察通用策略的泛化、记忆、精度和长程控制能力；附带并行 Isaac Sim 评测和云端真机评测系统，作者已用 30 个策略完成首轮集成榜单。
- 35 星/7日
- 12 引用
- 17 点赞
12
YuE2：先写出可读的乐谱、再据此渲染成完整歌曲音频的统一音乐生成模型
符号式音乐模型能显式规划作曲，但成品不像真正的录音；音频模型能生成整首歌，编曲逻辑却藏在里面。YuE2 把两者统一到单个 AR-NAR 混合 Transformer 架构里：先生成可读的乐谱，再展开成语义音乐 token，最后渲染成完整歌曲，并配套 MERT2、SheetSage2 两个表征模型，从没有对齐乐谱的录音中学习。论文称其在 WildSongBench 的 SongBench Global 平均得 6.73(best-of-8 为 6.96);专家盲听中 best-of-8 版本胜过 Suno v4.5、与 Suno v5 基本持平。生成的乐谱是可读的,外部语言模型 agent 可以直接按乐谱修改编曲。
- 437 星/7日
- 0 引用
- 216 点赞
13
WROP：用认知科学考题测视频世界模型懂不懂客体永存，并训出一个能考过的 160 亿参数模型
物体离开画面后，视频生成模型还记得它存在吗？作者从认知科学出发造了 WROP：150 个任务横跨六类认知能力，用 Blender 渲染并在光照、速度、机位上随机扰动，产出 150 万条训练样本和一份 300 题的考试，用来考 14 个视频模型。他们还基于自研的 AWS Trainium2 原生 PyTorch 训练栈训出 160 亿参数的 PWM-WROP 世界模型，数据、考题、得分和权重全部开源。在盲评两两 Elo 对决中，它在续写类模型中排名第一，与最强的参考视频类模型基本打平。
- 409 星/7日
- 0 引用
- 193 点赞
14
Apodex 1.1：靠环境扩展与多智能体协同，把“能干活”训成模型能力
这篇报告把“持续、可验证地推进真实工作”作为训练目标：一方面扩大可执行文件、搜索、代码环境的多样性与可验证性（环境扩展），另一方面训练智能体拆解长任务、并行委派、整合异步结果并随时重规划（协同扩展）。
- 326 星/7日
- 0 引用
- 207 点赞
15
LLM-as-a-Verifier：不问裁判式打分，直接从打分 token 读出连续验证分数
LLM-as-a-Verifier 让 LLM 当验证器：不再问模型“打分还是不打分”，而是直接从打分 token 的 logits 里算期望，得到免训练的连续反馈信号。作者称在 Terminal-Bench V2、SWE-Bench Verified 等智能体基准上取得当前最好成绩，还做成了 Claude Code 扩展，用于监控智能体并为强化学习提供稠密奖励。
- 24 星/7日
- 11 引用
- 19 点赞
16
智能体自我改进综述：基础模型加脚手架，怎样把经验变成能力积累
这篇综述把自我改进的智能体拆成“基础模型 + 提示词、记忆、工具、控制逻辑组成的运行脚手架”，并把“改进”定义为一个自我触发的更新算子：把经验转化为能力积累，尽量少依赖人工。作者按更新对象和驱动信号梳理了大量工作，从改提示词、改记忆一直到权重级的自我修改。
- 19 星/7日
- 9 引用
- 35 点赞
17
Frontis-MA1：开源的 350 亿“元进化”智能体，递归改进自己的机器学习工程
Frontis-MA1 附带 OpenMLE 全栈开源系统（任务环境、强化学习算子学习、进化搜索），用来研究递归自我改进；其 350 亿参数元进化智能体围绕 Draft、Improve、Debug、Crossover 四类程序进化算子做后训练，作者称在 MLE-Bench Lite 上超过 GPT-5.5 加 Codex 的组合，组件还能迁移到没见过的 NatureBench Lite。
- 26 星/7日
- 3 引用
- 186 点赞
18
ABot-World-0：单张台式机显卡实时流式运行的动作条件世界模型
ABot-World-0 是动作条件视频世界模型，用 3A 游戏、仿真引擎和互联网视频的多源数据训练，直接以原始键盘输入操控，并用参考角色记忆保证第三人称滚动的身份一致。作者称单张 RTX 5090 即可流式输出 720p、最高 16 FPS 的交互画面，动作到首帧延迟约 1.2 秒，目标是真正能玩的长程闭环交互。
- 6 星/7日
- 6 引用
- 313 点赞
19
Dream-RSI：让编程智能体在回放模拟器里离线自我改进探索策略的框架
Dream-RSI 是一个让编程智能体自己改进“怎么探索”的框架：它把智能体过去的发现历程拼成一个回放模拟器，让探索策略在模拟器里低成本地演练迭代，再把练好的策略放回线上继续发现新解，形成递归自改进闭环。论文称在算法工程、数学优化和 GPU 内核三类任务上，它在保持或提升发现质量的同时，显著降低了部分场景下的发现成本。
- 173 星/7日
- 0 引用
- 270 点赞
20
MonkeyOCRv2：在 1.13 亿张文档图像上预训练的视觉-文本文档基础模型
通用视觉编码器没见过密集文字，直接套文档任务效果差。MonkeyOCRv2 构建了 1.13 亿张、17 语种的文档预训练语料，把图转文生成和像素级笔画重建结合起来联合预训练，让模型真正学会字符级的文档感知。
- 51 星/7日
- 3 引用
- 81 点赞
- #2 mdpbench
这个榜怎么排的
总榜:最近 90 天的所有 AI 论文,涵盖语言模型、Agent、视觉、机器人等方向。按三路独立信号排序 —— 官方实现仓的涨星速度、引用数、Hugging Face 关注度 —— 只火一天的论文占不住位置。每天重排。
短横线表示该路信号取不到,不代表数值为零。