AI 日报 2026-06-02 · GrepSeek、SCOPE、Self-Improving Agent

开源项目

machine-learning-for-trading

《Machine Learning for Algorithmic Trading》第二版的配套代码，包含150多个Notebook，系统讲解从线性回归到深度强化学习在量化交易中的应用。覆盖数据工程、特征工程、模型训练到策略回测全流程，并复现了多篇顶级期刊研究。亮点是内容全面且实践性强，适用于金融从业者快速上手ML驱动的交易策略。

stefan-jansen原文

fff

针对AI agents和开发者设计的极速文件搜索工具包，提供MCP server、Neovim插件和多种语言SDK。核心优势在于保持常驻内存索引，避免多次搜索时的进程开销，比ripgrep快几个数量级，支持freency排名、git状态感知、模糊匹配和纠错。适合构建需要频繁文件搜索的AI工具或编辑器插件。

dmtrKovalenko原文

论文

AgentDoG 1.5: 一个轻量级且可扩展的AI Agent安全与安保对齐框架

现代开放世界 Agent（如 OpenClaw）展现出强大的跨环境执行能力，但也引入了广泛的新安全风险源。同时，前沿 AI 模型大幅降低了攻击门槛，使得当前 Agent 对齐框架无法满足实际部署需求。为应对这些新兴威胁，我们提出一个轻量级且可扩展的 Agent 安全对齐框架。

Dongrui Liu原文

OmniRetrieval: 异构知识源上的统一检索

现实世界的信息需求需要访问结构多样的知识源，从非结构化文本、关系表格到知识图谱和属性图。然而，现有的检索器一次只能在一个源上操作，使用固定的查询语言，导致可用知识的更广阔图景因不兼容的接口而碎片化。一个自然的统一尝试是将这些源折叠到一个共享空间中，但这会抹去每个源的结构性优势（如模式、本体、组合算子），而这些正是其表达能力的来源。

Jinheon Baek原文

CollectionLoRA: 通过多教师在线策略蒸馏将50种效果收集到一个LoRA中

定制化图像编辑旨在利用有限的配对数据为预训练扩散模型配备特定的视觉效果，通常通过低秩适应（LoRA）实现。当期望的效果数量增多时，存储和动态加载众多效果LoRA会显著增加部署开销。此外，当前流程通常将这些效果LoRA与加速模块级联以实现快速生成，这会引发严重的参数干扰，导致概念泄露和风格退化。

Fangtai Wu原文

minWM: 用于实时交互式视频世界模型的全栈开源框架

问题: 视频扩散基础模型虽在高质量生成上进展显著，但将其转化为实时交互式视频世界模型仍具挑战。这类模型需具备可控制、因果性和低延迟的展开能力，实际中依赖一整套从数据构建到可控微调、自回归训练、少步蒸馏及流式推理的完整流水线。方法: 本文提出minWM，一个全栈开源框架，将现有的双向T2V/TI2V视频基础模型转换为相机可控的少步自回归世界模型。

Min Zhao原文

YoCausal: 视频生成离世界模型还有多远？一种因果关系视角

随着视频扩散模型（VDMs）向世界模型迈进，一个关键问题浮现：它们是否真正理解因果关系，抑或只是过度拟合了统计时间模式？现有基准大多依赖合成数据，由于仿真到现实（sim-to-real）的差距，限制了真实世界的泛化能力。

You-Zhe Xie原文

Why Far Looks Up: 探究视觉-语言模型中的空间表征

视觉-语言模型（VLMs）在空间推理基准上表现强劲，但这究竟反映了结构化的 3D 理解，还是利用了自然图像中的统计捷径，尚不清楚。本文引入了一套表征级分析框架，通过构建最小对比对来衡量 VLM 嵌入中空间轴的组织和分离程度。对多个模型族的分析揭示了一致的垂直-距离纠缠：模型混淆了图像垂直位置与距离，反映了自然照片的透视偏差。

Cheolhong Min原文

GenClaw: 代码驱动的代理式图像生成

图像生成模型已从文本条件的像素合成，演变为具备视觉理解和工具调用能力的多模态代理。然而，现有代理仍受制于底层黑盒图像模型，其工作流程陷入重复改写提示词以优化生成的循环，缺乏直接操控画布的机制。本质上，大语言模型(LLMs) 作为真正“画笔”进行精确视觉构建的潜力仍未充分开发。

Junyan Ye原文

EarlyTom: 早期令牌压缩实现快速视频理解

视频大语言模型（Video-LLMs）在视频理解任务中展现出强大能力，但其实际部署受限于处理大量视觉令牌导致的效率低下。近期方法虽能在极低令牌保留率下保持与全令牌基线相当的准确率，但大多仅在预填充后期进行压缩，视觉编码器的效率仍未优化。本文首先证明，视觉编码过程对首次令牌时间（TTFT）贡献显著；因此，仅在编码器之后压缩视觉令牌仍有较大探索空间。

Hesong Wang原文

UniSteer: 文本引导的激活空间流匹配用于通用LLM操控

激活操控通过干预大语言模型（LLM）在推理时的内部表示来控制其行为，已成为控制人格、风格等行为的有效范式。然而，现有方法通常依赖固定的操控方向或任务特定的干预模块，难以适应细粒度概念和组合约束。我们提出 UniSteer，一种文本引导的激活流匹配模型，从自然语言条件中学习残差流激活的条件分布。

Yingdong Shi原文

Skill0.5: 面向智能体强化学习分布外泛化的技能内化与利用联合框架

将大语言模型配备显式技能已成为实现自主智能体解决复杂任务的有前途范式。智能体技能可天然分为通用技能（用于广泛的认知迁移）和任务特定技能（用于动态执行）。然而，现有基于技能的强化学习（RL）方法通常被迫在完全外部化（导致高昂上下文开销）和完全内化（存在过拟合和知识冲突风险）之间做出僵化选择。

Jiapeng Zhu原文

LoMo: 局部模态替换以实现更深的视觉-语言融合

视觉-语言模型（VLM）在大规模图文训练推动下，在多种理解和推理任务上取得了显著进展。理想情况下，将文本问题替换为其渲染图像形式，模型性能应基本不受影响。然而在实际中，这种模态替换会导致性能严重下降。我们将这种“载体敏感性”问题归因于当前训练语料的内在偏差。

Feng Han原文

彩色噪声扩散采样

问题：扩散模型在图像生成中存在频谱偏差——早期解决低频全局结构，后期解决高频细节。传统SDE求解器（如白噪声注入）未考虑此动态，导致能量预算低效使用。方法：本文提出 Colored Noise Sampling (CNS)，一种无训练的随机求解器。

Hadar Davidson原文

Xetrieval：机制性解释稠密检索

解释稠密检索模型为何赋予高相关性分数仍然具有挑战性，因为检索决策是通过不透明的高维嵌入做出的。现有解释通常关注表面信号，如词汇匹配、令牌对齐或事后文本理由，因此在嵌入层面对塑造稠密检索行为的潜在因素提供的洞察有限。我们提出 Xetrieval，一个用于解释稠密检索的嵌入级机制框架。

Zhixin Cai原文

Is Position Bias in Dense Retrievers Built In-or Learned from Data?

密集检索器存在位置偏差，倾向于优先召回查询相关信息出现在文档开头的文档，而当相关信息出现在较后位置时检索性能下降。先前研究主要从架构角度解释该偏差，本文探索训练数据中证据的位置分布如何影响检索级别的偏差方向。我们构建了合成位置定向训练集，使查询相关证据分别出现在文档的开头、中间或末尾，并在位置偏斜和平衡的训练分布下微调了八种架构多样的预训练模型。

Daegon Yu原文

CausaLab: 面向AI科学家的可扩展交互式因果发现环境

CausaLab 是一个用于评估大语言模型（LLM）代理在交互式因果发现中表现的可扩展环境。与以往评估不同，CausaLab 不仅检查代理能否利用因果证据解决问题，还验证其答案是否建立在忠实恢复的因果机制之上。每个实验回合将代理置于一个合成实验室：它收到先前的测量记录，对操纵器晶体进行干预，并预测同一机制下保留的谐振晶体的共振频率。

Junlin Yang原文

PRISM：用于评估LLM同行评审员的多维基准

机器学习领域投稿量的激增给科学同行评审系统带来了压力，也激发了基于LLM的自动评审系统的兴趣。然而，这些系统的实际质量——尤其是与人类评审员在发现科学漏洞方面的比较——仍知之甚少。本文提出PRISM（Peer Review Intelligence via Structured Multi-dimensional assessment），一个从四个维度评估评…

Ngoc Phan Phuoc Loc原文

面向可验证多模态深度研究：用于交错报告生成的多智能体框架 Ptah

大型语言模型 (LLMs) 推动了自主智能体从深度搜索 (deep search，检索简洁事实答案) 向深度研究 (deep research，将分散证据综合成长篇报告) 的演进。然而，可验证的多模态深度研究仍面临挑战：开放性综合缺乏确定性真值，且需要将文本论证与视觉证据交错呈现。我们提出 Ptah，一个用于交错报告生成的多智能体框架。

Chenghao Zhang原文

UI-KOBE: 面向知识的轻量级图引导GUI代理行为探索

近年来，移动GUI代理在自动化移动任务方面展现出巨大潜力，但大多数有效系统仍依赖大型视觉语言模型进行截图理解和长程规划。可直接部署在移动设备上的轻量级GUI代理因推理成本低且能更好地保护设备敏感信息而更具实用性。然而，由于模型容量有限，这类轻量级代理仅凭截图端到端地计划和执行GUI任务并不可靠。

Yuxiang Chai原文

RUBRIC-ARROW: 交替逐点评分准则奖励建模用于LLM后训练在不可验证领域

点式奖励建模为LLM后训练提供关键信号，但在主观、不可验证环境中难以进行绝对评分。基于准则的方法通过将评估分解为显式标准来应对，但现有方法常依赖前沿LLM，且因硬布尔聚合导致的平局而受限。我们提出RUBRIC-ARROW，一种交替框架，联合训练准则生成器和准则条件评判器，其RL阶段仅使用成对偏好数据。

Haoxiang Jiang原文

PhyGenHOI: 物理感知的动态人-物交互4D生成

我们研究生成物理精确且视觉真实的4D人-物交互（HOI）任务。给定静态3D人体和目标物体（表示为3D高斯泼溅），目标是合成动态场景：人体根据输入文本执行动作（如击打或踢）与物体互动。为此，我们提出PhyGenHOI框架，将生成式人体运动与显式物理物体模拟耦合。我们将人体建模为语义智能体，由运动扩散模型驱动；

Omer Benishu原文

热门产品

开源项目

论文

动态