AI 论文速递 — 2026年09月08日

📌 今日速览：今天 arXiv 继续上新（2609.05xxx 批次），头号热点是「数据」——RoboTok（HF 116↑）把互联网上的真人操作视频变成机器人灵巧手训练的活水，用 3D 手部轨迹的潜运动空间做跨视角检索，网页视频从此成了「取之不尽、还在不断长大」的监督来源。多智能体侧 Bilevel Coordinated Reflection（HF 94↑）用博弈论把 orchestrator-worker 的协调统一建模，还证了「只看生成文本的 gate 无法一致改进、必须环境接地」的信息论下界。开源搜索 agent Iris（HF 50↑）冲上各参数档位 SOTA；效率侧 Don't Drop Dropout 用 2400+ 组实验把层 dropout 请回 LLM 预训练。世界模型/多模态这边 WorldSculpt 把堆几百个物体的杂乱场景拆成组合式网格，Motion-Omni 让数字人边说边动、还快 5.4 倍。开源侧 short-video-generator-AI 一夜涨到 ★1168，awesome 主仓库继续静默。

🔥今日热点

🔥 今日热点 · 具身智能数据引擎

arXiv 2609.03199 · HuggingFace Daily Papers · HF 116↑

RoboTok: An Internet-Scale Data Engine for Human Demonstration Retrieval and Dexterous Manipulation Learning

机器人学习越来越依赖广泛多样的示范，但采集真实机器人数据昂贵、又难覆盖长尾任务。RoboTok 提出一个互联网规模的数据引擎：给定一段人类操作视频，就能从海量网页视频里检索出「操作相关」的人类示范，拿来训练灵巧手策略。核心是从 3D 手部轨迹学一个潜运动空间，并用「以演员为中心」的参考系表达——这样跨相机视角、场景外观、人体遮挡都能对齐比较，同时足够紧凑、支持对互联网级视频库的持续索引。实验显示 RoboTok 检索到的示范更相关、下游任务成功率也更高，把网页视频变成机器人学习「取之不尽、还在不断长大」的监督来源。

具身智能 HF 116↑ 数据引擎灵巧操作

🔥 今日热点 · 多智能体协调

arXiv 2609.02750 · HuggingFace Daily Papers · HF 94↑

Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems

多智能体 LLM 系统通常靠 orchestrator 把任务拆给 worker，再用文本反思改进，但一直缺统一框架去解释协调、记忆改进与外部验证的角色。这篇工作把 orchestrator-worker 交互建模成「双层协调博弈」：受限耦合下 worker 的局部更新是近似势博弈，均衡松弛由分解质量控制；再把反思建模成语义记忆上的随机运动，给出有限时间上界并证明最坏情形是紧的。他们还证了一个信息论层面的不可能性结果——只观察生成文本的 gate 无法在「文本不可区分」的环境上一致改进，而「环境接地」的 gate 可以。据此提出 SRMA，给出几何/多项式收敛证明；在 500 个 SWE-bench 实例上，完整 Kimi 系统解决 72.2%（对比 70.8% 的公开 mini-SWE-agent）。代码开源。

多智能体 HF 94↑ 博弈论收敛证明

🧠大模型 & Agent

arXiv 2609.04304 · HuggingFace Daily Papers · HF 50↑

Iris: Climbing to the Search Frontier

开源搜索 agent 的一次冲顶。Iris-mini（35B-A3B）和 Iris-pro（397B-A17B）配齐了数据管道与训练配方：从网页语料的超链接结构反向构造多跳问题，把所有非答案实体改写成「只能靠检索证据、不能靠字符串匹配」的描述性引用，只保留「参考模型闭卷答不出、给了证据才答得出」的问题；再用「SFT-RL 爬坡」交替训练，把每轮 RL 最难、最高效的 rollout 喂回下一轮监督。在 BrowseComp / BrowseComp-ZH / DeepSearchQA / HLE 上分别拿到 82.2/84.8/86.9/52.3（mini）和 88.6/85.1/92.9/56.4（pro），是各自参数档位里最强的开源搜索 agent。模型权重与完整配方将开源。

搜索 Agent HF 50↑ RL 开源

arXiv 2609.05275 · HuggingFace Daily Papers · HF 15↑

Don't Drop Dropout: Optimizing Layer Sparsity for Efficient LLM Training and Inference

层 dropout（随机深度）本可加速训练、提精度、还让零样本层剪枝更稳，但随着模型和数据变大，它几乎从 LLM 预训练配方里消失了。这篇工作用 2400+ 组训练实验（271M 到 8.2B 参数、最多 160B token）系统证明：配好层的分布、时间表与优化器超参后，相同训练 FLOPs 下层 dropout 能拿到更低 loss；同样步数下省下最高 25% 训练 FLOPs 而不掉点。后训练还能解锁早退、中间层跳过、自投机解码等优化，最高 1.5x 推理加速、精度损失可忽略。全部预训练实验跑在 Cerebras CS-3 上。

训练效率层稀疏 HF 15↑ 推理加速

🎨多模态 & 世界模型

arXiv 2609.05416 · HuggingFace Daily Papers · HF 21↑

WorldSculpt: Generating Compositional Worlds from Grounded Videos

生成那种堆了几百个物体、彼此严重遮挡的杂乱场景的组合式 3D 表示——把场景拆成「放在共享世界坐标系里的一堆独立物体网格」，正是游戏、AR/VR、仿真、机器人需要的形态。几何方法通常重建成一整块、被遮挡区几何残缺，而现有带生成先验的组合方法又大多只搞得定简单场景。WorldSculpt 证明：把强单物体 3D 生成先验（Pixal3D）配一个多视角条件通路，即便只在规范空间的单物体上微调，也能泛化到数百物体、严重遮挡的大场景，无需场景级训练。还发布逼真的 UE-MeshyScene 基准（逐物体标注+真值网格），并能把 3DGS 世界（Marble、HY-World 2.0）转成组合式网格场景。

3D 生成世界模型 HF 21↑ 组合式

arXiv 2609.04250 · HuggingFace Daily Papers · HF 35↑

Motion-Omni: End-to-End Joint Speech and Full-Body Motion for Spoken Dialogue

会说话的虚拟人本该「边说边动」，但「说什么」和「怎么动」一直分属两个模型家族：口语对话模型只出声不动，共语音动作模型又只能照着现成音频动。常见做法是级联——先生成语音、再跑动作模型，多一次完整推理、还无法联合优化。Motion-Omni 让口语对话模型直接从产生语音的隐状态里原生输出面部表情+手、上半身、下半身动作，端到端。关键发现：语音通路冻结时动作会与音频错位，必须让 LLM、语音、动作生成器在双目标下共同适应。用 Qwen2.5-7B-Instruct 骨架的 Motion-Omni-Q7，与同音频教师级联差不到 2%，却快 5.4 倍（RTF=0.78，快于实时），词错率 2.62% 为同类最低。

多模态数字人 HF 35↑ 端到端

🔓开源 & awesome 生态

GitHub Trending · 每日榜

short-video-generator-AI 冲上 ★1168，推理服务与「AI 订阅池」冒头

GitHub 上 AI 新仓库持续热闹：short-video-generator-AI（★1168，昨天 ★835）继续领跑，把 YouTube 一键剪成病毒式短视频；subpool（★68）是自托管的团队 AI 订阅池，给 Claude Code/Codex 等做 key 汇聚网关；paddock（★62）是原生 Rust 推理服务器，支持 Blackwell 的 FP8/NVFP4 等量化、GGUF+safetensors；还有 ENZO（BYOK 自托管 AI 工作台）和 maintainers-guide-to-ai（一本教你在软件项目里「负责任地用好 AI」的书）。

开源短视频推理服务 BYOK

awesome 主仓库 · sindresorhus/awesome

awesome 主仓库继续静默，门口 AI list 排队不减

sindresorhus/awesome 本周依旧零合并（最近提交仍是 9/2 的 Meta tweaks）。排队的新 list 也没见消退：AI Agent Tools（#4396）、AI Tokenomics（#4394）、Opsec（#4392）、AI Companion（#4378）、Swarm（#4364）、LLM for Biomedicine（#4359），以及更早的 AI Agent Governance（#4335）、LLM Attacks（#4336）、Free BYOK Models（#4325）、Cursor Rules（#4168）、Open Source AI（#4158）、AI Hardware（#4150）都还在等审核。值得继续留意的是，这批清单正明显从「给人读」的静态列表转向「给 agent 查」的动态资源库，而主仓库的合并节奏却仍按老一套走。

awesome 知识清单 PR 排队生态

💡 小晴点评

今天最戳我的是 RoboTok 背后的一个转向：机器人数据瓶颈的解法，正在从「自己辛辛苦苦采数据」转向「把互联网上已经存在的海量视频检索复用」。它不造数据，而是造一个「以演员为中心」的检索空间，让一段新任务能自动找到一堆可迁移的人类示范——这跟去年还在烧钱搭采集工厂的思路形成了鲜明对照。另一个信号来自 Bilevel Coordinated Reflection：多智能体系统开始从「经验上有效」走向「理论上可证明」，作者甚至用信息论证明了「只读文本的 gate 有天花板」，这种把直觉钉死在数学上的努力，说明这个方向正在成熟。效率那边也很有意思——Don't Drop Dropout 和昨天 Random Attention 一唱一和：一个说「被遗忘的老机制（dropout）该捡回来」，一个说「看似必要的机制（KV 打分）其实多余」，领域在做一轮诚实的再校准。开源生态里，awesome 主仓库继续静默、门口 AI list 长队不减，清单正从「给人读」滑向「给 agent 查」，合并门槛还没跟上这股浪潮。