Hugging Face Daily Papers

SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents

HF ★ 11 · Wenxuan Wang, Haoyu Sun, Fukuan Hou… · HF 镜像

针对现有长时记忆基准未覆盖长程AI智能体记忆关联利用能力的空白，研究团队推出SubtleMemory细粒度关联记忆判别基准：将关联受控的记忆变体嵌入真实交互历史，覆盖10段长历史、1522个测例。测试11类主流记忆系统/智能体后发现，当前系统该能力普遍薄弱，团队还配套了分阶段能力诊断协议。

When Tools Fail: Benchmarking Dynamic Replanning and Anomaly Recovery in LLM Agents

HF ★ 11 · Dongsheng Zhu, Xuchen Ma, Yucheng Shen… · HF 镜像

现有大模型工具集成推理基准仅覆盖理想运行场景，未考虑真实工具故障问题。该研究推出ToolMaze基准，按DAG拓扑复杂度、「显式/隐式、瞬时/永久」2×2工具扰动分类设计，可区分系统重规划与盲目试错。测试显示工具扰动普遍拉低模型性能，隐式语义故障下扰动恢复率骤降37%、跌幅最突出，且模型容错能力随规模提升速度远慢于基础任务，动态重规划是当前未突破的核心瓶颈。

UniSHARP: Universal Sharp Monocular View Synthesis

HF ★ 10 · Meixi Song, Dizhe Zhang, Hao Ren… · HF 镜像

本文针对现有SHARP视图合成方法仅适配针孔透视相机的局限，提出通用单目视图合成方法UniSHARP：将透视、鱼眼、全景等不同成像模式的输入统一映射到全向隐空间，在特征、高斯空间做隐式对齐实现通用渲染。团队还构建了分视场层级的多成像系统评测基准，实验显示其性能大幅优于同类方法。

LIMMT: Less is More for Motion Tracking

HF ★ 4 · Yu Guan, Zekun Qi, Chenghuai Lin… · HF 镜像

针对物理驱动人形动作跟踪任务，该研究首次开展数据为中心的相关探索，提出LIMMT框架，从物理可行性、多样性、复杂度三个维度定义动作数据质量，而非仅剔除低质错误片段。实验证实，仅用AMASS数据集不足3%的优质数据训练，跟踪效果优于全量数据集，框架还可用于网采动捕数据清洗，有效性得到验证。

Watch, Remember, Reason: Human-View Video Understanding with MLLMs

HF ★ 4 · Jiahao Meng, Yue Tan, Qi Xu… · HF 镜像

本文是多模态大模型（MLLM）视频理解领域综述，针对长时序、多模态、知识密集的视频场景痛点，提出“观看-记忆-推理”的类人视角统一分析框架，系统解构视频MLLM感知、记忆、推理全链路，梳理核心技术挑战、代表性方法、多场景应用及数据集基准，指明可扩展、可溯源的视频智能发展方向，配套开源项目持续跟进相关研究。

arXiv cs.LG

Elmes*: Automated Construction of Fine-Grained Evaluation Rubrics for Large Language Models in Long-Tail Educational Scenarios

Tao Liu, Ye Lu, Ruohua Zhang…

针对现有大模型教育场景评估重通用正确性、手动评分规则难以适配长尾教学场景的问题，研究提出端到端框架Elmes*，结合多智能体交互与自进化模块构建场景化细粒度评估规则，搭建了覆盖多学科多场景的Edu-330基准。实验证实大模型教育能力多维度，教育专用模型InnoSpark表现最优，LLM评委效率高但存在偏好偏差，该框架可支撑可扩展的教学导向大模型评估。

FAIR-Calib: Frontier-Aware Instability-Reweighted Calibration for Post-Training Quantization of Diffusion Large Language Models

Haoyu Huang, Linlin Yang, Sheng Xu…

针对扩散大语言模型“稳定性滞后”、训练后量化误差易扰动边界脆弱决策并被锁定放大的问题，本文提出FAIR-Calib两阶段量化框架：先通过全精度模型预估结合边界命中与掩蔽阶段可靠性的位置先验，再分层重加权校准隐状态均方误差，无需昂贵端到端扩散推演。W4A4量化下在多基准上优于现有SOTA，显著降低边界决策翻转。

Multi-Scale Feature Attention Network for Polymer Classification using THz Dual-Comb Spectroscopy

Roshni Mahtani, Il’an Carretero, Laura Monroy…

针对再生塑料聚合物识别传统技术性能不足的问题，该研究采用太赫兹双梳光谱采集12类涵盖纯料、多层膜、共混物、生物聚合物的光谱数据，提出适配该类数据的多尺度特征注意力网络，通过多模块组合提取关键特征，分类准确率达85.2%，优于现有主流模型，验证了该方案的实用价值。

OpenAI

How Endava is redesigning software delivery around AI agents

OpenAI

本文介绍科技服务企业Endava围绕AI代理重构软件交付模式的实践：其通过落地AI代理工具链，结合ChatGPT企业版、Codex的大模型能力，既实现了软件交付效率提升、开发全流程工作流自动化，也同步在全公司推行AI原生文化建设，为科技交付的AI化转型提供可参考的落地路径。

Dreaming: Better memory for a more helpful ChatGPT

OpenAI

这篇研究聚焦大语言模型对话的跨会话记忆痛点，推出名为“Dreaming”的新型记忆系统落地到ChatGPT中。该系统可长效留存用户个性化偏好，打破会话间的上下文隔断，保障交互信息的鲜活性与适配性，显著提升ChatGPT的回复匹配度与实用价值，为通用对话大模型的体验优化提供了可行方向。

Anthropic News

Introducing Claude Opus 4.8

Anthropic

本次Anthropic发布的Claude Opus 4.8是其Opus级高性能大模型的最新升级款。相较于前代，该模型在三类核心场景下性能提升明显：编程开发任务、智能体类任务、各领域专业工作，同时大幅优化了长时运行稳定性，处理长周期复杂多步任务的一致性显著增强，可适配更复杂的长时效工作需求。

Expanding Project Glasswing

Anthropic

本篇《扩展Glasswing项目》披露了该项目的最新扩围安排：作为聚焦网络威胁情报共享的跨机构协作项目，本次Glasswing将把合作覆盖范围拓展至全球15个以上国家的约150家新机构。扩围完成后可进一步提升跨国跨行业情报流转效率，强化参与方的网络安全协同防御能力，惠及更多领域的机构主体。

Google DeepMind

We’re launching the Google DeepMind Accelerator program in Asia Pacific to tackle environmental risks

Google DeepMind

谷歌DeepMind正式启动亚太区加速器专项，核心目标是依托自身AI技术积淀应对区域各类环境风险。项目将联动亚太本地科研机构、科创企业与公共部门，聚焦极端天气预警、生态修复、减碳管控等场景，开发适配区域特征的AI环境解决方案，提升亚太地区环境风险防范与应急处置效能。

Fast-tracking genetic leads to reverse cellular aging

Google DeepMind

这篇研究聚焦逆转细胞衰老的遗传靶点快速挖掘，生物学家借助Co-Scientist智能科研工具开展筛选，成功识别出可有效实现人类细胞年轻化的全新调控因子。该成果既为抗衰研究及衰老相关疾病干预提供了全新候选靶点，也验证了智能科研工具在生物医学基础研究中的提效价值。

Hugging Face Blog

Amazing Digital Dentures (a failed project)

Hugging Face

目前您仅提供了项目标题《神奇数字义齿（失败项目）》，缺少摘要的核心正文内容，无法获悉该项目的研发路径、采用的技术方法、失败诱因、相关结论等关键信息，请您补充完整摘要的具体内容，我会按要求为您提炼核心要点，完成120字左右的清晰总结。

Nemotron 3.5 Content Safety: Customizable Multimodal Safety for Global Enterprise AI