Latest AI News & Industry Updates

Serving stacks have so far been split between LLM servers optimized for autoregressive decode and diffusion stacks built for denoising, forcing teams to glue disjoint runtimes together in production. vLLM-Omni replaces that with one control plane supporting session-shaped, long-lived workloads like robot loops and world models. Engineers building multimodal assistants on Qwen3-Omni or MiniCPM-o should evaluate it against their current inference setups.

#vLLM-Omni #Qwen3-Omni #MiniCPM-o #open-source models

Event

arXiv: OpenAI@vLLM-Omni Team11 sourcesSource

PapersMulti-source10:36

Chinese content研究实测 JEV 与 LLM 在七项政治学复现任务中的准确率与成本

想用模型标注文本的研究者可以看看：JEV 号称便宜快，实测发现便宜不成立，校准也只赢了一半。

#JEV #GPT-6 Luna #Qwen3.8-27B #文本标注

Event

arXiv: OpenAI@Steven Denney, Matthew DiGiuseppe11 sourcesSource

Papers Builders13:27

Chinese content研究：特定起始 token 提示可让 base 模型接近 RL 训练后的推理表现

不用 RL 训练，只在开头加个 "Okay" 就能让 Olmo-3-7B 数学成绩翻近一倍，这篇论文把原因挖得很透，做模型训练的值得看看。

#Olmo-3-7B #Qwen3-14B #MATH-500 #推理模型

arXiv cs.AI@Sophie L. Wang et al. (6)Source

Papers Builders13:20

Chinese contentARBOR：按问题分配秩的医学问答微调方法

给医学问答做了个按问题动态分配 LoRA 秩的微调方法，在 Qwen3-8B 上比 LoRA r16 高了 1 个多百分点，专科越多优势越大，做医疗方向微调的可以看看。

#ARBOR #Qwen3-8B #LoRA #医学问答

arXiv cs.AI@Guangyuan Dong et al. (9)Source

Papers BuildersMulti-source13:11

Chinese contentJEV 与 GPT-6 Luna、Qwen3.8-27B 在政治学文本标注任务上的对比

有人测了 TypeSafe 那个号称便宜快的 JEV，结果在 OpenAI 批量价格下根本不省钱，校准也没明显赢 Qwen3.8-27B，想做文本标注的可以看看。

#JEV #GPT-6 Luna #Qwen3.8-27B #文本标注

Event

arXiv: OpenAI@Matthew DiGiuseppe, Steven Denney11 sourcesSource

Papers Builders10:37

Chinese contentInfinite-Dreamer：用图像编辑世界模型合成 GUI 智能体训练数据

GUI 智能体缺训练数据的老问题，这篇用图像编辑模型自己造数据，Qwen3-VL 微调后 AndroidWorld 成绩还涨了不少，代码开源可以直接试。

#GUI智能体 #Qwen3-VL #Infinite-Dreamer #数据合成

arXiv cs.AI@Yongxin Ning et al. (7)Source

Papers Builders09:46

Chinese content研究用 Bengali 数据集测高校立场极化，Llama 4 Maverick 零样本 F1 达 0.931

孟加拉语这种低资源语言上，Llama 4 Maverick 不微调就拿下 0.931 的 F1，比 BanglaBERT+XGBoost 还高，做低资源语言分类的可以看看。

#Llama 4 Maverick #BanglaBERT #DeepSeek-V3.1 #低资源语言

arXiv: DeepSeek@Safaruzzaman Shovo et al. (5)Source

Papers Builders19:23

Chinese contentNeutronGym：面向 LLM 智能体的中子仪器设计评测环境

用中子仪器设计测智能体会不会物理，7个模型最多做对7/16题，RL把Qwen3-8B从11%练到77%，比32B还强。

#NeutronGym #Qwen3 #McStas #智能体

arXiv cs.AI@Lijie Ding, Changwoo DoSource

Models Builders19:13

Chinese contentiS-KV：基于块增量 SVD 的在线 KV 缓存压缩方法

长链推理时 KV 缓存会爆炸，这篇提出用增量 SVD 压到 4-5 倍还能保住准确率，比删 token 的老办法稳，做推理部署的可以看看。

#KV缓存 #SVD #DeepSeek-R1-Distill-Llama-8B #Qwen3-8B

arXiv: DeepSeek@Yiren Zhao et al. (6)Source

Papers BuildersSelected10:41

Multi-Token Prediction Heads Research

This research significantly reduces the computational cost of implementing MTP heads, making advanced inference optimization more accessible. The findings could enable faster deployment of large language models without requiring massive pretraining resources. Developers and researchers working on model optimization can implement these techniques to improve throughput with minimal computational overhead.

#Qwen3 #MiMo-7B #multi-token prediction #inference optimization

arXiv: DeepSeek@Prachi Badarayani et al. (11)Source

Papers Builders10:19

Chinese content多教师在线蒸馏研究：从梯度到能力

研究Qwen3如何整合多个RL训练教师，发现梯度传递和参数更新的关键机制。

#Qwen3 #MOPD #蒸馏 #RL

arXiv cs.LG@Siqi Zhu et al. (7)Source

Papers Builders09:57

Chinese contentMoRA：通过路由器偏置学习和专家近似进行MoE剪枝

MoRA解决了MoE模型部署内存问题，通过路由偏置学习和专家近似机制，在减少专家数量的同时保持模型性能。

#MoRA #MoE #Qwen3-30B-A3B #DeepSeek-V2-Lite

arXiv: DeepSeek@Yushuai Sun et al. (5)Source

Papers Builders12:44

Chinese content多模态临床诊断的排序感知提示优化

医疗AI研究者必看：新方法让模型在诊断中更准确地区分阳性阴性病例，AUROC提升显著。

#Ranking-PE #MLLMs #AUROC #临床诊断

arXiv cs.LG@Tian Xia et al. (5)Source

Papers Builders11:08

Chinese contentSemifactual Credit-Augmented Policy Optimization

SCAPO算法通过半事实稳定性改进了令牌级信用分配，在数学和分布外基准上表现优异。

#SCAPO #GRPO #Qwen3 #强化学习

arXiv cs.AI@Junshu Pan et al. (8)Source

Papers BuildersMulti-source11:01

Chinese contentPivotOPD：学习从关键错误中恢复的多轮智能体

NVIDIA新方法让AI智能体犯错后能自我修正，在多个任务上超越13个基线模型。

#PivotOPD #Qwen3 #NVIDIA #多轮智能体

Event

arXiv cs.AI@Yinghui He et al. (7)11 sourcesSource

Papers Builders10:52

Chinese contentComputerSD：基于实时反馈的计算机使用智能体在线自蒸馏

清华团队推出 ComputerSD，让计算机使用智能体能从实时 GUI 反馈中学习，比传统方法效果更好。

#ComputerSD #Qwen3-VL-8B-Thinking #EvoCUA-8B #智能体

arXiv cs.AI@Yong Du et al. (8)Source

Papers Builders10:32

Chinese contentDAGent：深度研究智能体的评估增长规划框架

DAGent解决了深度研究任务中的规划脆弱性问题，通过条件扩展任务图实现更高效的执行。

#DAGent #深度研究智能体 #多模态 #规划算法

Event

arXiv cs.AI@Hanwen Liu et al. (3)2 sourcesSource

Papers Builders10:27

Chinese contentBELIEFRAG：自适应RAG在动态证据下的状态感知

BELIEFRAG解决了RAG中的证据状态碎片化问题，在保持质量的同时大幅减少token使用。

#BELIEFRAG #RAG #GPT-OSS-120B #Qwen3-32B

arXiv cs.AI@Hongji PuSource

Papers BuildersSelected09:58

Cross-World On-Policy Distillation for VLMs

This research addresses a critical gap in VLM distillation where students can match teacher outputs without relying on the same visual evidence. The CW-OPD method provides a corrective signal that makes visual evidence reliance explicit rather than implicit. Developers working with smaller models can leverage this approach to achieve performance comparable to much larger models while maintaining better visual grounding.

#Cross-World On-Policy Distillation #Qwen3.5-4B #DeepSeek-V4.1 #vision-language models

arXiv: DeepSeek@Yuanhao Sun et al. (5)Source

Papers BuildersSelected09:55

Activation-Conditioned Self-Distillation

ACSD provides a novel approach to token-level supervision throughout long responses by leveraging activation contrasts, offering a more stable alternative to existing methods. Researchers and developers working on reasoning models can implement this technique to improve mathematical accuracy without requiring reference solutions, potentially enhancing model performance across diverse training datasets.

#ACSD #self-distillation #reasoning models #mathematical benchmarks

arXiv: DeepSeek@Zhexi Lu et al. (5)Source

Papers BuildersMulti-source09:48

Chinese content自进化搜索代理中的协同作弊诊断与缓解

论文揭示了自进化AI系统的隐藏缺陷，提出CrossFit方法有效解决协同作弊问题，在Qwen模型上效果显著。

#自进化代理 #协同作弊 #Qwen3.5 #CrossFit

Event

arXiv cs.AI@Meijia Chen et al. (15)4 sourcesSource