HuggingFace 今日 Trending | GSPO 助力 Qwen3、AI 短片生成、双曲空间检索等 11 篇论文速览
今日 HuggingFace trending 前 11 篇论文一次看完：Qwen3 背后的强化学习算法 GSPO、让大模型少想却更准的 MUR、从文字生成完整短片的 Captain Cinema、百亿参数国产大模型 TeleChat2/T1 开源，以及视觉 Transformer、地球 3D 建模、词向量、视频检索等多个方向。通俗解读，外行也能看懂。
リサーチノート
今日收录 HuggingFace 当前 trending 前 11 篇论文，覆盖强化学习训练算法、推理效率、视频生成、图像生成、视觉模型架构、3D 地球建模、视频检索、人脸识别等方向。
1. GSPO：让 Qwen3 变强的那个强化学习算法
论文：Group Sequence Policy Optimization 1
Qwen3 发布后不少人好奇它用了什么训练技巧。这篇来自阿里的论文把答案说清楚了：一个叫 GSPO 的强化学习算法。
现在训练大模型用 RL（强化学习）已经是标配。主流方案 GRPO 的逻辑是：生成一批回答，按 token（词元）级别来衡量「新策略」和「旧策略」的偏差，再做截断式更新。问题是，token 级别的重要性比值（importance ratio）会积累偏差，训练起来不够稳定，尤其是 MoE（混合专家）这类大模型更容易出问题。
GSPO 改了一件事：把「衡量偏差」的粒度从 token 级 换成 整段序列级。直觉上，一个回答好不好，是整段话的整体质量决定的，不是某几个词。这样一来，截断和奖励都在序列层面做，训练更稳定，效率也更高。
论文中阿里团队报告：GSPO 在训练 Qwen3（含 MoE 版本）时比 GRPO 更稳、性能更好，还简化了 RL 训练基础设施的设计复杂度。
状态：预印本。
2. MUR：让大模型「想少一点」但做题还更准
论文：MUR: Momentum Uncertainty guided Reasoning for Large Language Models 2
大模型推理时会「过度思考」——明明一道题不需要那么多步骤，模型还是把算力全耗光了。这篇论文想解决这件事，且不需要重新训练模型。
方法叫 MUR，核心思路借用了物理学里的动量概念：让模型在推理时追踪每一步的「不确定度」，并用类似动量的累积方式平滑历史不确定度。遇到「这步拿不准」的时候多想，遇到「这步稳」的时候少想。同时提供一个叫
gamma-control 的单参数旋钮，直接调整整体推理预算。在 MATH-500、AIME24、AIME25、GPQA-diamond 四个测试集上，用 Qwen3 1.7B/4B/8B 模型测试，MUR 平均减少 50% 以上的计算量，同时准确率还提升了 0.62–3.37 个百分点。
状态：预印本。
3. Captain Cinema：从文字描述直接生成短片
论文：Captain Cinema: Towards Short Movie Generation 3
「给段文字描述，生成一部完整短片」——这在之前大多停留在概念层面。这篇论文提出了一个叫 Captain Cinema 的框架，专门处理多场景、有叙事逻辑的短视频生成。
它的思路是两步走：
- 自上而下规划关键帧：先根据剧情描述生成一批关键帧图片，作为全片的叙事骨架。这一步保证场景、角色在全片里视觉上是连贯的。
- 自下而上合成视频：以关键帧为条件，用支持长上下文的视频合成模型填充关键帧之间的时空动态。
底层用了专为长视频数据设计的 MM-DiT（多模态扩散 Transformer）交叉训练策略，并在定制的电影场景数据集上训练。
项目主页：thecinema.ai
状态：预印本。
4. TTS-VAR：让图像自回归模型「生成时也能再想想」
论文：TTS-VAR: A Test-Time Scaling Framework for Visual Auto-Regressive Models 4
Test-Time Scaling（推理时扩展计算）在语言模型上已经证明有效，这篇论文把它搬到了视觉生成模型上——具体是针对 VAR（视觉自回归模型）。
VAR 生成图片的方式类似「从粗到细的分层猜测」：先定大概轮廓（粗尺度），再逐步填细节（精细尺度）。TTS-VAR 把这个过程建模为「路径搜索问题」：
- 粗尺度阶段：生成的 token 质量评估困难，用聚类多样性搜索保留结构上有差异的候选路径，避免一开始就错方向。
- 精细尺度阶段：用基于重采样的潜力筛选，依据包含历史生成信息的 potential score 选出最有希望的候选。
同时引入自适应降序批大小调度，在生成过程中动态平衡计算量和探索空间。
在 Infinity 模型上，GenEval 得分从 0.69 提升到 0.75，相对提升 8.7%。代码已开源：TTS-VAR GitHub
状态：预印本。
5. EarthCrafter：用 AI 建出真实比例的地球表面
论文：EarthCrafter: Scalable 3D Earth Generation via Dual Sparse Latent Diffusion 5
现有 3D 生成方法能做一个物体、一个房间，但地理尺度的生成（几千平方公里）几乎没人做成过。这篇论文从两方面同时发力：
数据侧：发布了 Aerial-Earth3D，目前最大的 3D 航拍数据集，50,000 个场景，每个 600m×600m 采自美国本土，共 4,500 万张多视角 Google Earth 图像，带深度图、法线图、语义分割和相机位姿。
模型侧：提出 EarthCrafter，架构上将结构生成（几何）和纹理生成（外观）分开：
- 双稀疏 3D-VAE 分别压缩几何体素和纹理 2D Gaussian Splats 到紧凑隐空间，降低大地理尺度的计算代价。
- 条件自适应的流匹配模型支持语义图、图像、无条件三种混合输入，几何和纹理可以独立生成。
支持城市布局语义引导生成、无条件地形合成等多种下游应用。项目主页：EarthCrafter
状态：预印本。
6. TeleChat2/T1：115B 国产大模型正式开源
论文：Technical Report of TeleChat2, TeleChat2.5 and T1 6
中国电信旗下的 TeleChat 系列发了一份技术报告，介绍三个新版本：TeleChat2、TeleChat2.5 和 T1。
三款模型架构没有太大变化，增益来自训练策略：
- TeleChat2：在 10 万亿 token 高质量数据上预训练，再经 SFT（监督微调）和 DPO（直接偏好优化）。
- TeleChat2.5：在 TeleChat2 基础上加入特定领域持续预训练 + 强化学习，优化代码生成和数学推理，特点是推理速度快。
- T1：同样走强化学习路线，专注复杂推理，支持长链式思维（CoT），在数学和编程上有显著提升。报告称 T1-115B 在部分基准上超过 OpenAI 的 o1-mini 和 GPT-4o。
两款旗舰型号（T1-115B 和 TeleChat2.5-115B）均已开源，提供 35B 和 115B 两个规模。
状态：预印本（技术报告）。
7. GloVe 2024：十年后的老朋友换新装
论文：A New Pair of GloVes 7
GloVe（Global Vectors for Word Representation）是 2014 年斯坦福发布的词向量经典模型，在 Transformer 时代之前影响了无数 NLP 项目。十年过去，语言在变、世界在变，原来的词向量对很多新词无能为力。
这篇论文训练了 2024 版 GloVe，用 Wikipedia、Gigaword 以及 Dolma 数据集的子集。评测维度覆盖词汇量比较、类比测试、命名实体识别（NER）。结果显示：
- 新词（近十年涌现的文化、社会、技术词汇）覆盖率明显提升。
- 类比和相似度等结构性任务上表现与 2014 版相当。
- 在时效性依赖较强的 NER 数据集（如非西方新闻报道数据）上有明显提升。
对于仍在用静态词向量的轻量级 NLP 任务来说，这批新模型值得替换。
状态：预印本。
8. SpelkeNet：让视觉模型像婴儿一样理解「什么是一件东西」
论文：Discovering and using Spelke segments 8
人类婴儿很早就知道「一个杯子」是一个整体——不是靠语义标签，而是靠「它们一起动」这个物理信号。发展心理学把这类知觉单位叫 Spelke 物体（以认知科学家 Elizabeth Spelke 命名）。
现有的视觉分割（比如 SAM）靠的是语义范畴，分类依赖人工定义。这篇论文问的是：能不能用「运动因果关系」来定义物体边界？
SpelkeNet 是一个预测运动分布的视觉世界模型。给定一个图像，它预测：（1）如果「戳」这里，哪些区域会动（运动可能性图）；（2）整个场景会怎么反应（期望位移图）。通过模拟大量虚拟戳触（statistical counterfactual probing），把相关运动统计聚合成 Spelke 分割区。
在新发布的 SpelkeBench 数据集上，SpelkeNet 超过了 SAM 等有监督基线。在 3DEditBench（物理对象操控）上，当 SpelkeNet 分割作为输入时，各类现成操控模型性能均有提升。
状态：预印本。
9. Iwin Transformer：不需要位置编码的视觉 Transformer
论文：Iwin Transformer: Hierarchical Vision Transformer using Interleaved Windows 9
Swin Transformer 是当前主流视觉骨干之一，但它有个缺陷：局部窗口注意力每次只看一小块，要靠连续两个 Block 才能近似「看全图」。Iwin Transformer 想在单个模块内就实现全局信息流动。
方法是交叉窗口注意力 + 深度可分离卷积的组合：注意力机制连接远距离 token，卷积连接相邻 token，两者合并在同一个 Iwin 模块里。这样单模块就能全局感知，不再需要两个 Block 的接力。
同时，Iwin 去掉了位置编码，使模型可以直接在不同分辨率上微调，无需重新插值位置编码。
实验结果：ImageNet-1K 分类 87.4% Top-1 准确率，语义分割和视频动作识别上也有竞争力表现。代码已开源：Iwin-Transformer GitHub
图：Iwin Transformer 架构示意，来自论文页。
状态：预印本。
10. HLFormer：用双曲空间找更好的视频片段
论文：HLFormer: Enhancing Partially Relevant Video Retrieval with Hyperbolic Learning 10
搜索长视频时经常遇到的问题：输入一段文字，视频里只有其中某几分钟是相关的，其余部分无关——这叫「部分相关视频检索」（PRVR）。
现有方法在欧氏空间里做向量匹配，但视频的时序层级结构（某片段属于某场景属于某主题）本质上是树状的，欧氏空间表达树结构效率不高。
HLFormer 引入双曲空间（Hyperbolic Space）来处理这个层级问题：
- 把 Lorentz 注意力块和 Euclidean 注意力块结合，在两种空间里同时编码视频特征。
- 用「均值引导自适应交互模块」动态融合两种空间的特征。
- 设计「偏序保持损失」（Partial Order Preservation Loss），在 Lorentz 圆锥约束下强制「文本嵌入 < 视频嵌入」的语义层级。
在标准 PRVR 基准上超过了现有最优方法。代码已开源：HLFormer GitHub（ICCV 2025 接收）。
状态：已接收 ICCV 2025。
11. 人脸年龄性别识别：广告定向投放的老问题新做法
论文：Deep Learning-Based Age Estimation and Gender Classification for Targeted Advertisement 11
这篇论文提出用定制 CNN 同时完成年龄估计和性别分类，用于广告定向投放场景。创新点是：将两个任务的信息在网络里共享——年龄和性别在人脸特征里高度相关，分开训练会浪费这种关联。
实验数据：性别分类准确率 95%，年龄估计平均绝对误差 5.77 岁。论文也点出了明显短板：对青少年年龄段的估计误差偏大，需要针对性数据增强。
这类双任务人脸模型在商业场景里应用广泛，但部署时的隐私问题（用户未明确同意的情况下推断年龄性别）在论文中没有讨论。
作者机构未披露，审稿状态：预印本，且为单人/小团队投稿，同行评审状态未知。
このコンテンツについて、さらに観点や背景を補足しましょう。