本周（3月9日—15日）HuggingFace 共收录 187 篇论文，较上周增长 24%，三条研究主线尤为突出。
第一条主线：强化学习全面渗透，从对齐到 3D 编辑无处不在。RL3DEdit（136票）将 RL 引入 3D 场景编辑并用几何感知奖励替代配对数据；GOLF（96票）用自然语言反馈引导 RL 探索、样本效率提升 2.2 倍；OpenClaw-RL（91票）让任何 Agent 通过对话即可训练；BandPO（54票）用概率感知动态剪裁修补 PPO 的固定边界缺陷。本周 Top 30 中有 12 篇涉及 RL，RL 正从 LLM 对齐向 3D 编辑、机器人、科学发现等专业领域全面渗透。
第二条主线：3D 空间智能三连击——数据、模型、推理一条龙。Holi-Spatial（77票）构建了 12K 场景 + 130 万标注的全自动 3D 数据管线；Spatial-TTT（69票）提出 Test-Time Training 在推理时动态累积空间证据；LoGeR（53票）用混合记忆机制将密集 3D 重建扩展到分钟级长视频。三篇论文分别解决了空间智能的数据瓶颈、模型架构和长程推理问题。
第三条主线：多模态模型范式挑战——视觉编码器要不要 CLIP？。Penguin-VL（104票）证明纯文本 LLM 初始化的视觉编码器可以超越 CLIP/SigLIP 范式；Omni-Diffusion（43票）用纯掩码离散扩散统一文本/语音/图像生成；MM-Zero（42票）零数据自演化多模态 RL。多模态的方法论正在经历深层重构。
速览目录 · Top 30 本周热榜
| # | 论文 | 领域 | 日期 | Votes | 一句话 |
|---|---|---|---|---|---|
| 1 | RL3DEdit | 3D编辑/RL | 03-11 | 136 | RL引导3D场景编辑，几何感知奖励实现多视角一致性，20倍加速 |
| 2 | Penguin-VL | 多模态 | 03-09 | 104 | 用纯文本LLM初始化视觉编码器，2B模型逼近SOTA VLM |
| 3 | GOLF | RL/LLM | 03-12 | 96 | 组级自然语言反馈引导RL探索，样本效率提升2.2倍 |
| 4 | OpenClaw-RL | Agent/RL | 03-12 | 91 | 对话即训练，通用Agent从next-state信号中学习 |
| 5 | ConStory-Bench | LLM评测 | 03-10 | 81 | 系统揭露LLM长故事叙事一致性缺陷，GPT-5-R最优 |
| 6 | Holi-Spatial | 3D/空间 | 03-10 | 77 | 视频流→3D空间标注全自动流水线，12K场景+1.3M标注 |
| 7 | Spatial-TTT | 空间智能 | 03-13 | 69 | Test-Time Training累积3D空间证据，2B模型超越所有基线 |
| 8 | Flash-KMeans | 基础设施 | 03-12 | 65 | IO感知GPU内核，K-Means加速17.9倍，超FAISS 200倍 |
| 9 | Thinking to Recall | 推理/LLM | 03-11 | 60 | 推理解锁参数知识边界，简单事实题也受益于思维链 |
| 10 | BandPO | RL/对齐 | 03-09 | 54 | 概率感知动态剪裁取代PPO固定边界，策略熵提升10倍 |
| 11 | LoGeR | 3D重建 | 03-10 | 53 | 混合记忆扩展密集3D重建至分钟级长视频，ATE降74% |
| 12 | MADQA | Agent评测 | 03-13 | 49 | 2250题800份PDF评测多模态Agent文档导航能力 |
| 13 | URLVR | LLM/RL | 03-10 | 47 | 无监督RLVR理论分析：内在奖励本质是锐化初始分布 |
| 14 | Omni-Diffusion | 多模态 | 03-11 | 43 | 首个纯掩码离散扩散模型实现文本/语音/图像任意生成 |
| 15 | MM-Zero | 多模态/RL | 03-11 | 42 | 零数据三角色自演化VLM强化学习框架 |
| 16 | InternVL-U | 多模态 | 03-11 | 41 | 4B轻量统一模型平衡理解/推理/生成/编辑四能力 |
| 17 | DistriVoting | 推理 | 03-10 | 37 | 置信度分布双峰建模+GMM分解提升投票准确性 |
| 18 | IndexCache | LLM推理 | 03-13 | 36 | 跨层索引重用加速稀疏注意力，DeepSeek场景适用 |
| 19 | CompACT | 世界模型 | 03-09 | 35 | 8个token压缩视觉观察，世界模型规划成本降数量级 |
| 20 | CARE-Edit | 图像编辑 | 03-10 | 34 | 条件感知专家路由解决扩散编辑器任务干扰 |
| 21 | ExeVR | Agent/RL | 03-13 | 34 | 视频执行序列评估计算机使用Agent，53K三元组 |
| 22 | ProRes | LLM预训练 | 03-09 | 32 | 渐进式残差预热——浅层先学深层后学加速收敛 |
| 23 | WildActor | 视频生成 | 03-09 | 32 | Actor-18M数据集+架构创新实现任意视角人物视频 |
| 24 | CoCo | 图像生成 | 03-10 | 32 | 用可执行代码做CoT推理指导文生图布局 |
| 25 | LLM2Vec-Gen | LLM嵌入 | 03-12 | 31 | 编码LLM潜在响应而非输入文本，自监督嵌入新范式 |
| 26 | HiAR | 视频生成 | 03-10 | 29 | 分层去噪逆转自回归顺序解决长视频质量退化 |
| 27 | ShotVerse | 视频生成 | 03-13 | 28 | 规划-控制解耦实现多镜头视频精确相机控制 |
| 28 | CoT-Control | 推理/安全 | 03-09 | 26 | 推理模型难以控制自身思维链，CoT监控存风险 |
| 29 | $1M-Bench | Agent评测 | 03-10 | 26 | 400个专家级任务评估Agent经济价值产出能力 |
| 30 | ICRL | LLM/Agent | 03-12 | 26 | 上下文强化学习训练LLM工具使用能力 |
RL3DEdit：用 RL 替代配对数据——几何感知奖励驱动多视角一致 3D 场景编辑
3D 场景编辑长期受困于配对训练数据极度稀缺的问题。此前方法要么依赖 SFT（需大量 3D 一致的编辑对），要么通过逐场景优化（耗时数十分钟至小时）。RL3DEdit 抓住了一个关键不对称：「验证 3D 一致性远比生成一致图像容易」，因此引入 RL 范式，让 3D 基础模型 VGGT 作为验证器提供奖励信号。
核心创新是四类几何感知奖励：深度置信度 r^D、点云置信度 r^P、相对位姿对齐 r^T、锚帧质量 r^a，四者互补覆盖从局部几何到全局结构的一致性约束。训练仅需 70 个 prompt × 8 个场景（约为 Tinker 数据量的 5%），却实现 VIEScore 5.48 vs 基线 3.23 的质量飞跃。
更重要的是单 pass 推理——不再需要逐场景反复优化，每个场景仅需约 1.5 分钟，比 FLUX 基线快 20 倍。这表明 RL + 验证器的范式可以从根本上绕过 3D 编辑的数据瓶颈。
Penguin-VL：不需要 CLIP——纯 LLM 初始化的视觉编码器挑战 VLM 范式
主流 VLM 几乎全部依赖 CLIP 或 SigLIP 对比预训练的视觉编码器。Penguin-VL 挑战了这一共识：对比学习优化的判别性目标会强制粗粒度类别不变性，抑制密集细粒度视觉线索——这正是 VLM 需要的。
替代方案：直接用 Qwen3-0.6B 纯文本 LLM 初始化视觉编码器，配合混合监督（振幅/方向/关系三种 loss）做编码器预训练，再通过两阶段指令微调与 LLM 主干对齐。额外提出 TRA（时间冗余感知）token 压缩方案，在视频理解中高效减少 token 数量。
8B 模型在 DocVQA（96.2）、ChartQA（90.5）、MathVista（77.4）等多项基准上实现竞争力，在时间推理（NextQA 85.4）和时间定位（Charades-STA 61.4）上尤为突出。训练数据规模：编码器预训练 2.4 亿样本、VLM 预训练 1.2 亿、SFT 3900 万。
GOLF：用自然语言反馈密集化 RL 奖励，样本效率提升 2.2 倍
当前 RL 训练 LLM 主要依赖标量奖励（对/错），丢弃了自然语言反馈中的丰富信息。GOLF（Group-Level Language Feedback）提出聚合两类互补反馈源：外部评论（critique）和组内尝试中失败响应的经验教训，将它们转化为密集的学习信号。
核心机制：在标量奖励稀疏的阶段，GOLF 自适应注入高质量 refinement 作为 off-policy scaffold，并在统一的 RL 循环中联合优化生成与 refinement。这使得学习信号更加密集，探索效率大幅提升。
在非可验证任务上提升 9.27 分（Llama-3.1-8B），在数学推理（AIME24 +6.46）、指令跟随、代码生成等可验证任务上也有一致增益。Pass@k 指标的提升表明 GOLF 扩大了解集的覆盖范围和多样性。
OpenClaw-RL：对话即训练——从 next-state 信号中学习的通用 Agent 框架
大量 AI Agent 交互后产生的 next-state 信号（用户回复、工具输出、终端执行结果）长期被丢弃。OpenClaw-RL 首次系统性地利用这些信号作为学习来源，将其归纳为两类：评估型信号（可转化为标量奖励）和指导型信号（提供改进方向的文本提示）。
对应提出两种互补训练方法：Binary RL 通过 PRM 判断器将评估信号转化为过程奖励；Hindsight-Guided On-Policy Distillation (OPD) 从 next-state 信号中提取文本提示，提供 token 级方向监督。架构上采用全异步四组件设计：策略服务、环境托管、PRM 判断、策略训练四个独立异步循环。
ConStory-Bench：LLM 写长篇故事会自相矛盾吗？系统性评测揭露叙事一致性缺陷
LLM 写短文已很流畅，但生成 8000-10000 字长篇故事时，叙事一致性问题频繁暴露。ConStory-Bench 构建了 2000 个 prompt 覆盖四种叙事任务（生成/续写/扩展/补全），定义了5 大类 19 子类的错误分类体系：时间线与情节逻辑、角色刻画、世界观设定、事实细节、叙事风格。
配套的 ConStory-Checker 四阶段自动检测管线：提取矛盾 → 配对 → 构建证据链（含精确引文） → 生成标准化 JSON 报告。评测指标包括 CED（每万字一致性错误密度）和 GRR（长度感知跨模型排名）。
GPT-5-Reasoning 以 CED 0.113 领先，开源模型中 GLM-4.6 和 Qwen3-32B 较优（CED ~0.53）。错误随输出长度线性累积，矛盾集中在叙事 40-60% 位置，事实细节和时间线错误最为常见。
Holi-Spatial：从原始视频流全自动构建 3D 空间标注——12K 场景 + 130 万实例
3D 空间智能的发展受限于高质量标注数据的匮乏——人工标注 3D 场景极为耗时昂贵。Holi-Spatial 提出首个全自动管线，从原始视频流直接生成 3D Gaussian Splatting 重建、2D 实例分割、3D 边界框、实例描述和空间 QA 对。
三阶段框架：几何优化（3DGS 重建）→ 图像级感知（VLM + SAM3 分割）→ 场景级精炼（合并验证）。发布 Holi-Spatial-4M 数据集：12K 优化后 3DGS 场景、130 万 2D 掩码、32 万 3D 边界框、120 万 grounding 实例、120 万空间 QA 对。
Spatial-TTT：推理时动态学习空间——Test-Time Training 赋能流式视觉空间智能
长视频中的空间推理需要模型在数千帧中持续累积 3D 证据。传统自注意力机制计算量随帧数平方增长，而简单的记忆压缩又丢失空间精度。Spatial-TTT 提出在推理时动态更新 fast weights 作为紧凑非线性记忆。
混合架构设计：TTT 层与自注意力锚点层以 3:1 比例交替，配合大块更新和滑动窗口注意力。额外加入空间预测机制（深度可分离 3D 时空卷积聚合局部邻域上下文），并基于 SceneVerse 构建 16K 密集场景描述数据集。
基于 Qwen3-VL-2B 仅 2B 参数，在 VSI-Bench（64.4）上超越所有闭源和开源基线，10-120 分钟长视频上优势更显著。计算和内存开销在 1024 帧时降低 40%。
Flash-KMeans：IO 感知 GPU 内核让 K-Means 快 17.9 倍、超 FAISS 200 倍
K-Means 是 ML 基础设施中最常用的聚类算法之一，但现有 GPU 实现存在严重的 IO 瓶颈和原子竞争。Flash-KMeans 用两个创新内核解决：FlashAssign 融合距离计算与在线 argmin，避免 N×K 距离矩阵显式物化；Sort-Inverse Update 将分散的原子操作转化为排序后的段聚合。
包含算法-系统协同设计：分块流重叠实现 out-of-core 处理，缓存感知编译启发式减少编译开销 175 倍。代码开源于 GitHub。
Thinking to Recall：推理不只是推理——它还能解锁 LLM 中沉睡的参数知识
推理模式被认为适用于复杂多步问题。但本文发现，即使对于简单事实性问题（如"某人出生在哪"），开启推理也能显著提升正确率。原因在于两种互补机制：
计算缓冲效应：生成的推理 token 为模型提供隐式计算空间，即使语义内容无关也有帮助。事实引导：模型通过生成相关事实构建上下文桥梁（generative self-retrieval），引导自身回忆更深层的参数知识——但这也引入了幻觉风险。
BandPO：概率感知动态剪裁——修补 PPO 固定边界的结构性缺陷
PPO 的固定剪裁边界 ε 存在一个被忽视的结构性缺陷：低概率动作的可行向上更新幅度与动作概率线性相关——概率越低越难提升，导致高收益的尾部策略被系统性压制，引发熵崩溃。
BandPO 用 Band 操作符将 f-散度约束的高维信任域投影为动态剪裁区间，对低概率动作自动扩大更新空间。为 TV 和 Pearson χ² 散度提供了闭合解，KL 散度使用数值求解器。所有超参数统一为单个可解释的半径参数 δ。