Hugging Face Daily Papers1
Hugging Face 论文介绍 Business Arena，一个模拟 AI 代理经营跨境商店的基准测试环境，基于真实 Alibaba.com 采购数据和市场数据。评估 15 个前沿模型，发现最终净资产均值相差 9 倍，最佳模型仍落后于人类设计策略，表明业务运营对 LLM 代理具有挑战性。
为什么值得看现有代理基准很少评估商业能力，此环境填补空白，模拟长期业务操作，测量利润。结果显示最佳模型也落后于人类策略，突显 LLM 在不确定性决策和长期规划方面的局限，为评估和提升代理智能提供新方向。
Hugging Face Daily Papers1
论文提出“Combodied Agents”这一以人为中心的智能体范式，将数字智能体与具身智能体结合，把感知、建模、预测和辅助个人状态轨迹作为核心，整合多种能力形成闭环，并使用有界且可纠正的表示而非完整数字孪生。
为什么值得看现有智能体要么只改变软件状态，要么只改变物理状态，均未将个人状态与主体性作为核心。Combodied Agents首次提出统一框架，将个人状态作为建模、干预和评估对象，可能推动AI从任务执行向人本辅助转变。
Hugging Face Daily Papers1
本文提出 AutoPrune，一个用于多模态大语言模型视觉 token 剪枝策略设计的免训练框架。它引入包含 131 个可复用原子的 Token Pruning 领域特定语言，将搜索状态表示为对基础策略的残差修改，以指导 LLM 自动设计剪枝算法。在 14 个多模态基准和三个 MLLM 主干上的实验表明，AutoPrune 能有效降低推理成本，同时保持模型性能。
为什么值得看现有视觉 token 剪枝方法依赖人工设计的启发式规则和反复试错，难以适应多样化的剪枝目标和模型架构。AutoPrune 首次尝试利用 LLM 自动生成剪枝策略，将算法设计过程自动化，有望大幅降低调优成本并提升剪枝效果的泛化性。
Hugging Face Daily Papers1
为缩小模型能力与理解控制之间的差距，作者推出Mechanist，一个用于自主发现AI智能机制的代理系统。该系统构建了包含约13000篇论文的可解释性知识图谱，并整合了涵盖26个领域的4300万篇论文数据库，以及32种基础分析方法。与Claude Code及现有AI科学家系统相比，Mechanist生成更有价值的机制假说，并更可靠地执行实验。Mechanist发现了跨模态安全风险，提出了信念机制理论，并展示了从发现行为到解释和控制AI的进展。
为什么值得看此前机制探索主要依赖人工，效率低且滞后于AI的快速发展。Mechanist实现了机制发现的自主化，并通过知识图谱集成和大规模数据库支持，使AI不仅能解释行为，还能发现潜在安全风险，标志着可解释性研究从手动向自动化的实质转变。
Hugging Face Daily Papers1
InSight-doc 是一个面向长文档理解的智能体视觉感知框架，将视觉分辨率视为自适应推理资源，从低分辨率开始选择性放大到高分辨率区域，无需外部检索器。研究构建了含 17.9K SFT 示例和 19.2K 强化学习示例的语料，通过 SFT+RL 训练后，InSight-doc-8B 在文档 VQA 基准上提升 4.3-16.4 个准确率点，长文档幻觉减少超 40%，推理延迟降低 41%-68%，同时保持准确率优势。代码、数据集和模型已开源。
为什么值得看此前长文档视觉理解通常固定使用高分辨率，推理成本高且易受上下文损坏影响。InSight-doc 将分辨率作为动态推理资源，按需放大，无需外部检索器，既提升准确率又显著降低延迟和幻觉，为长文档多页推理提出了一种更高效、可靠的新范式。
Hugging Face Daily Papers1
Hugging Face 每日论文发布 JigShape 基准，用拼图游戏的插片互锁设计评估视觉语言模型的视觉-几何推理能力。基准包含 95K 实例，覆盖 4x4 到 16x16 四种网格密度。研究发现，零样本模型大多缺乏几何推理能力，仅 GPT-5.5 在 4x4 上超过随机基线。微调模型在小网格上表现良好，但网格增大时性能急剧下降，出现“缩放悬崖”现象。
为什么值得看现有基准多使用矩形切割，在纹理重复区域存在歧义，而 JigShape 通过插片设计提供强几何约束，使得评估更准确。研究发现主流模型在几何推理上普遍薄弱，且规模增大时性能崩溃，这一发现挑战了当前 VLM 的能力边界，为未来模型设计指明改进方向。