AI 论文速递 — 2026年09月10日

📌 今日速览：今天的头号主角是「语音/音频基础模型」与「全能实时交互」两条线：AuK（HF 178↑）开源了一个用统一指令接口同时搞定语音生成与编辑的基础模型，30 亿条指令-音频对、195 万小时监督，还蒸馏出 4.5 倍加速的 Flash 版；Gander（HF 116↑）用「小脑-大脑」架构把全感知、全双工对话和 agent 能力塞进一个端到端模型。具身侧世界模型进入「系统化预训练」阶段——AgiBot 的 GE-Act 2.0（HF 46↑）和 OpenWAM（HF 49↑）都在回答「WAM 到底该怎么预训练、怎么 scaling」；大模型侧 OPRD（HF 79↑）用反向蒸馏撬动「弱到强泛化」，RadixArk 的 Miles（HF 44↑）把生产级 RL 后训练整套开源。视觉侧 Marigold V2（HF 44↑）让 DiT 深度估计的细节锐度再上台阶。

🔥今日热点

🔥 今日热点 · 开源语音基础模型

arXiv 2609.08936 · HuggingFace Daily Papers · HF 178↑

AuK Technical Report: An Open-Source Foundational Model for Speech Generation and Editing

一个把「语音生成」和「语音编辑」统一到同一接口的开源基础模型——只靠自然语言指令 + 音频上下文就能同时完成两大类任务。数据规模惊人：约 30.3 亿条指令-音频对、195 万小时有效监督，横跨语音生成、内容编辑、增强与分离、副语言编辑、声学编辑五大任务族。架构是三件套：多模态 LLM 做语义条件、联合训练语音/音频/音乐的 VAE 做声学条件、混合 rectified-flow Transformer（双流 MMDiT + 单流 DiT）做生成。后训练先用人类反馈偏好优化做开放编辑、再用奖励 RL 做语音生成，最后用一致性初始化 + 任务路由 Decoupled DMD 蒸馏出 AuK-Flash——4 步推理、无需分类器自由引导，比完整模型快 4.5 倍。源码与权重全部开源。

语音基础模型 HF 178↑ 开源整流流

🔥 今日热点 · 全能实时交互 Agent

arXiv 2609.08977 · HuggingFace Daily Papers · HF 116↑

Omni Interaction Agent Technical Report（Gander）

端到端模型 Gander，把「全感知、实时交互、智能体能力」统一进同一个框架，打破传统回合制范式：连续接收视频、语音、文本等多模态流式输入，支持自然全双工对话——用户随时打断，模型也能主动给中间反馈、主动追问。核心是「小脑-大脑」协同架构：小脑负责实时交互与全模态对话，大脑负责复杂推理和高层 agent 任务，两者通过工具调用与 agent 编排运行时持续互通；小脑基于流式 Thinker-Talker 架构，把输入输出展平成 chunk 级有序 token 流，统一表示、低延迟连续交互。在对话、全模态理解、交互、agent 智能四个维度测评，保持 SOTA 开源模型自然口语对话能力的同时，还能扛住背景噪声、多方对话、backchannel 等真实场景。模型、代码、数据全部开源。

全双工 Agent HF 116↑ 多模态开源

🧠大模型 & 推理

arXiv 2609.08798 · HuggingFace Daily Papers · HF 79↑

Eliciting Weak-to-Strong Generalization with On-Policy Reverse Distillation

弱到强泛化问的是：更强的模型能否从较弱监督者身上学习并最终超越它？这对模型代际更迭、多域整合至关重要——从头做 frontier 级后训练太贵。传统蒸馏把弱教师当优化目标，容易把教师的能力上限强加给学生。OPRD（On-Policy Reverse Distillation）评估教师在学生 rollout 上相对其参考策略的策略偏移，并沿着这个方向放大由 verifier 驱动的学生策略梯度分量；只重缩放 verifier 支持的那些更新，既保住策略优化的不动点、又加速超越教师。在代际迁移和多教师蒸馏里，OPRD 用更少的学生更新拿到更高性能，且学生风格更贴近「纯 verifier RL」而非弱教师，说明教师是「加速」而非「重定向」学生的优化。

弱到强泛化 HF 79↑ 反向蒸馏 RL

arXiv 2609.08368 · RadixArk · HuggingFace Daily Papers · HF 44↑

Miles v0.1: Production-Level Post-Training

全栈、生产级的 frontier 后训练系统（RadixArk 团队，基于 slime 的简洁设计），一条原则贯穿 RL 每个环节：组件要「可验证、干净、可定制」。端到端拆解：SGLang rollout 引擎、双后端 trainer（NVIDIA Megatron-LM / PyTorch FSDP）、三种权重同步传输适配不同部署拓扑。除全参数 RL 外，还支持 LoRA RL、on-policy 蒸馏、SFT、真 on-policy 对齐，并把同一套架构扩展到扩散模型。案例：GLM-5.2 744B-A40B 在终端编码任务上做全异步 agentic RL，64 张 NVIDIA GB300 上中位步时 263 秒。已在 GitHub 开源。

后训练开源 RL Megatron SGLang

🌍具身智能 & 世界模型

arXiv 2609.05588 · AgiBot · HuggingFace Daily Papers · HF 46↑

GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation

世界-动作模型（WAM）靠预测未来状态引导动作，能同时从无动作视频和带动作交互中学习；但多数只是继承预训练视频生成器，WAM 自身的预训练与 scaling 一直没人系统做。GE-Act 2.0 把可训练的生成组件与动作组件全部在操作数据上从零初始化：控制导向自编码器（CoAE）+ 单步视觉规划器（SVP）+ 逆动力学模型（IDM），再用 KASO 选择性优化筛掉与记录动作不兼容的预测未来，减少错配监督。不微调、直接评测 20 组技能 100 个任务；协同数据从 300 小时扩到 3 万小时，G1-OP 成功率 17.1%→44.1%、G2-90D 13.4%→31.1%，且跨具身迁移明显（G2-90D 仅占 2% 数据却涨 17.7 分）。

世界-动作模型 HF 46↑ 从零预训练跨具身

arXiv 2609.07398 · HuggingFace Daily Papers · HF 49↑

OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining

世界-动作模型继承视频生成先验、再借具身经验转成可执行控制信号，但现有系统是「单体」的：生成骨干、视觉表征、架构、信息流、推理流程、训练数据全耦合。OpenWAM 把 WAM 预训练变成可控实验平台：OpenWAM-Infra 把设计空间拆成可组合模块，OpenWAM-Study 用控制实验提炼三条原则——上游知识经「足够强的生成骨干 + 紧凑且信息丰富的隐空间」迁移；世界-动作协同需要专门的动作容量、显式的世界到动作信息流、同步联合去噪；具身预训练主要提升域外泛化。据此构建 OpenWAM-α（约 6400 小时自我中心人+机器人数据），跨 8 个仿真基准与真机（单臂/双臂/灵巧手）稳定领先，全栈开源。

世界-动作模型 HF 49↑ 模块化开源

👁️多模态 & 视觉

arXiv 2609.08084 · HuggingFace Daily Papers · HF 44↑

Marigold V2: Revisiting Diffusion Transformers for Monocular Depth Estimation

单目深度估计是个高度病态的老问题，现有模型仍难在分布外输入上泛化、也难产出锐利细节。Marigold V2 重新审视如何把 DiT 图像生成/编辑模型改造成 SOTA 深度估计器：从预训练的多步 flow-matching 模型出发做单步推理、按需量化，既保容量又便宜。针对朴素训练的伪影，作者给出两个补救：用真值提取的语义特征对齐内部表征，再配两阶段微调（含新提出的 Sinkhorn 损失）。结果是更锐利、更干净、更泛化的深度图——KITTI/ETH3D 上 AbsRel 比此前最佳好 16-26%，毛发、树叶、发丝级细边缘都能解析；还能迁移到表面法线估计、本征图分解等稠密回归任务。

深度估计 DiT HF 44↑ Sinkhorn

🔓开源 & awesome 生态

GitHub Trending · awesome 主仓库

AI「成本遥测」小工具扎堆，awesome 主仓库依旧静默

今日新仓库里，tokentab（★64）读 Claude Code/Codex/Gemini CLI 的会话日志，按模型/项目/天统计 token 花费；ai-level-check（★26）读本地 agent 日志、给 AI 使用水平打 LV0–LV5 报告——延续上周「AI 编程成本遥测」的小趋势；short-video-generator-AI（★91）把 YouTube 视频一键转爆款短视频。awesome 主仓库继续静默（最近提交仍是 9/2 的 Meta tweaks），门口 AI list 长队不动：AI Agent Tools（#4396）、AI Tokenomics（#4394）、AI Companion（#4378）、Swarm（#4364）、LLM for Biomedicine（#4359）等。

成本遥测开源 awesome PR 排队

💡 小晴点评

今天最值得记一笔的，是「语音」重新站到了台前。AuK 和 Gander 几乎同一天出现，一个把语音生成+编辑统一成一个开源基础模型，一个把全双工实时对话做进端到端 agent——这不是巧合：当文本大模型卷不动了，语音这个「最自然的人机接口」成了下一块必争之地，而且这次的开源浓度很高，模型、代码、数据都给全了。具身这边我更喜欢 OpenWAM 和 GE-Act 2.0 传递的信号：世界-动作模型终于不再「借」视频生成器的骨架，而是开始认真回答「从零预训练该怎么配、数据怎么 scaling、世界与动作怎么协同」——GE-Act 2.0 用 3 万小时数据把成功率从 17% 拉到 44%，OpenWAM 还顺手把「跨具身迁移」写进了结论。大模型侧 OPRD 的思路也漂亮：让弱教师「加速」而不是「重定向」强学生的优化，这对未来「用上一代模型训下一代模型」的代际流水线是个实打实的省钱方向。开源生态这边，awesome 主仓库又静默一周，门口 AI list 的队伍还在变长，合并节奏却纹丝不动，「给人读的清单」和「给 agent 查的资源库」之间的落差，越来越明显了。