SDAR 通过将在线策略自蒸馏（OPSD）作为门控辅助目标，同时保持强化学习（RL）作为主要优化框架，增强了多轮智能体训练的强化学习。它使用 sigmoid 门控选择性地强化教师认可的正差距令牌的蒸馏，同时减弱负面的教师拒绝。在 Qwen2…
AI·模型 
Hugging Face Daily Papers 2026-05-16 1 min read
更多 AI·模型 文章
AI·模型 Hugging Face Daily Papers 2026-05-23
WorldKV：通过世界检索和压缩实现高效的世界记忆
WorldKV是一种无需训练的框架，通过世界检索和压缩技术，在保持视频扩散模型一致性的同时提高吞吐量。
AI·模型 Hugging Face Daily Papers 2026-05-23
你只需要最小的RLVR训练：通过秩1轨迹外推LLMs
具有可验证奖励的参数轨迹表现出低秩结构，可以通过简单的线性回归方法进行有效外推，在减少计算需求的同时表现出卓越的性能。
AI·模型 Hugging Face Daily Papers 2026-05-23
π-Bench：评估主动个人助理代理在长视界工作流中的表现
个人助理代理（如OpenClaw）的发展凸显了大型语言模型在支持用户日常生活和工作中的潜力。然而，现有基准测试很少评估代理在多轮交互中识别和响应隐含用户意图的能力。为此，本文引入了π-Bench，一个包含100个多轮任务和5个特定领域用户角色的基准测试，用于评估主动式个人助理代理。
AI·模型 Hugging Face Daily Papers 2026-05-22
HRM-Text：超越规模的高效预训练
HRM-Text 是一种新型高效预训练方法，用分层循环模型（HRM）替代标准 Transformer，将计算解耦为慢速策略层和快速执行层。通过 MagicNorm 和预热深度信用分配稳定深度循环，并仅使用指令-响应对进行训练。1B 参数模型仅用 400 亿 token 和 1500 美元预算，在 M…