Hugging Face Daily Papers1
FM-Bench 是一个新的基准测试，用于评估 LLM 代理在长周期管理任务中的表现。它让代理模拟管理一家足球队 20 年，面临 26 个工具和约 340-400 次决策。测试结果显示，所有 15 个模型都能完成整个周期，而脚本基线大多失败。模型间的差异主要是管理行为而非计算能力。
为什么值得看此前 LLM 代理的评估多集中在单步或短周期任务，缺乏对长期决策和累积后果的测量。FM-Bench 首次在20年时间跨度下，以确定性引擎无评审打分的方式，衡量代理的持续决策能力，揭示了模型性能与规模、价格、供应商无关，而是取决于管理行为，这对代理的长期可靠性提出了新的评估维度。
Hugging Face Daily Papers1
Facebook Research 团队提出 MoE-ViE，一种用于图像和视频理解的混合专家视觉编码器。该系统研究了多种 MoE 设计，发现细粒度 MoE 拓扑优于密集和标准 MoE。他们提出了无辅助损失的平衡变体、专用 MoE 内核以及帧级蒸馏与冻结机制。预训练了一系列尺寸的 MoE-ViE，均优于密集对应版本。最大模型在匹配 SOTA 编码器零样本性能的同时，延迟仅为后者的 76%。与 LLM 对齐后，在图像和视频基准上超越所有对比编码器，包括激活参数多 5 倍的模型。
为什么值得看此前视觉编码器扩展主要依赖密集架构，增加参数会带来更高计算成本和推理延迟。MoE-ViE 表明，在视觉编码器中应用细粒度混合专家设计，可以在保持性能的同时降低延迟，为高效多模态模型提供了新路径。
Hugging Face Daily Papers0
LEGO-RL 是一个面向编码智能体的强化学习框架，在不修改原生 harness 内部控制流的情况下，通过进程内 LLM 代理、沙盒编排和训练监控插件，将原生编码 harness 与策略梯度优化桥接。在 Qwen3.5-35B-A3B 模型上使用 GSPO 训练，在 SWE-bench Verified 上，OpenHands SDK 准确率从 64.0% 提升至 70.4%，Claude Code 从 62.4% 提升至 68.2%，OpenCode 从 57.2% 提升至 66.6%，并保持 rollout-training 概率相关性高于 0.99。
为什么值得看此前强化学习训练编码智能体常因 harness 环境崩溃、奖励黑客和训练-推理差异而损害训练信号，且内部逻辑难以修改。LEGO-RL 无需修改 harness 内部控制流即可实现忠实优化和可靠执行，将三种主流 harness 的 SWE-bench 准确率提升 4-9 个百分点，验证了通用框架的可行性，有助于推动编码智能体规模化训练。
Hugging Face Daily Papers0
DiSCO 是一种零样本、严格黑盒的防御方法，针对文本到图像生成模型可能产生 NSFW 内容的问题，通过分布引导的对比提示优化，在提示层面进行防御，无需模型内部访问，在 I2P 基准上分别将 ASR 降低 37.7% 和 25.13%，并保持语义一致性。
为什么值得看现有防御多基于白盒假设，无法用于专有模型，而基于 LLM 的改写方法在语言安全但模型仍生成有害内容的情况（良性对抗问题）下失效。DiSCO 首次提出纯黑盒、零样本的提示级防御，可直接应用于任何系统，扩大了防御范式的适用范围。