论文方向体现对齐评估与成本的深化。AgentJudgeBench 显示 LLM 裁判在工具调用 DAG 中一致性受任务难度限制，存在结构性上限，为评估体系敲响警钟。agentic data cracking 通过自适应结构化数据，将推理成本降低 28 倍并接近 RAG 水平，提升了 LLM 处理文档的经济性。credit-addressable reasoning 用 CE-GRPO 为多模态几何推理分配精细信号，显著提升多步推理准确率，印证了表征与优化协同的有效性。
Hugging Face Daily Papers69
AgentJudgeBench 是首个系统研究 LLM 裁判在基于工作流 DAG 的智能体工具调用中可靠性的多难度基准，包含 3808 个实例、六种拓扑和三个难度层，使用五个生成器与六个裁判评估。结果显示裁判一致性随难度增加而单调下降，无真实标签时下降速度快 1.5 倍，且硬查询中所有裁判的一致性集中在 77-82% 区间，表明存在模型规模无法克服的结构性上限。
为什么值得看此前 LLM 裁判的评估多聚焦于开放式文本或偏好判断，而智能体工具调用依赖结构化、有序的 DAG 流程，裁判在此场景的可靠性未被系统验证。该基准首次揭示裁判在复杂任务中存在一致性天花板，且受任务难度主导，为构建可靠的智能体评估体系提供了实证依据。
Hugging Face Daily Papers67
NeoMME是H公司推出的单塔多模态多语言双向编码器系列，包含260M和800M参数两种规模。它从零预训练，采用掩码离散扩散文本目标，支持处理多语言文本和原始图像块，上下文长度达16384 token。下游任务中，NeoMME-Retriever 260M在ViDoRe v3基准上nDCG@10达0.523，800M版本达0.556。在2048x2048输入下，260M版吞吐量约为ColModernVBERT的2倍。
为什么值得看现有视觉文档检索模型通常复用为生成任务设计的VLM，导致参数和计算开销大。NeoMME作为双向编码器，避免了VLM的生成分支，在非生成任务上更高效，且性能超越同规模模型。
Hugging Face Daily Papers64
一篇论文提出“agentic data cracking”方法，让LLM代理在回答问题时自适应、推测性地将非结构化数据（如网页、报告、合同）转化为结构化数据，避免重复打开大文档。在FanOutQA基准上，理想预结构化存储使推理成本降低28倍，该方法能以接近RAG的成本保持代理准确性。
为什么值得看此前LLM代理处理非结构化数据时每次提问需重复读取大文档，消耗高达百万token。若预先结构化全部数据则成本过高且不现实。该方法让结构化为推理的副产品，随查询动态生成，使成本降至接近RAG水平，可能改变企业AI处理文档的性价比。
Hugging Face Daily Papers55
研究人员推出 LLaDA-Image，一个统一框架，将从头训练的 6B 扩散 Transformer 与基于 LLaDA2.0-Mini 扩散语言模型的冻结视觉语言理解模块配对。通过仅图像预训练和中训练建立视觉生成先验，训练管线包含 2.2 亿样本，其中 9800 万为真实图像。模型在 Qwen-Image-Bench 英文和中文赛道分别取得 53.53 和 53.38 的分数，创下开源模型新纪录，并已发布权重、代码和详细配方。
为什么值得看该模型在 Qwen-Image-Bench 上取得开源模型最佳成绩，且完全公开权重、代码和训练细节，降低了复现门槛，便于开发者在其基础上定制，可能推动图像生成领域的开放研究。
Hugging Face Daily Papers51
论文提出条件经验迁移问题，并介绍BCIT方法，在LLM后训练中授权经验复用。在4B模型的财务推理、text-to-SQL和函数调用任务上，BCIT相比替代方案减少了有害更新，并在同等预算下获得更高最终模型质量。
为什么值得看自主LLM后训练中，过去更新证据可能在父模型改变后失效，但现有方法常将其视为可无条件复用。BCIT首次引入条件授权机制，防止无效计算浪费和训练轨迹退化，提升后训练效率与质量。
Hugging Face Daily Papers51
Hugging Face 论文提出 LLAMA-Bench，包含六项协作国际象棋任务，研究语言模型与非语言智能体（象棋引擎）的协作。实验发现，将非语言智能体的连续表示直接投射到 LLM 的 token 流中（潜在状态内化）优于口头化整合，语言模型在训练中始终保持“口头化债务”。14B 参数的 LLAMIA 模型在任务上达到或超过专家模型及 GPT-5.1，并在分布外泛化中胜出。
为什么值得看此前 LLM 或专门智能体各自受限，协作需将非语言智能体的信息转成文字，可能丢失信息。本研究提出“潜在状态内化”避免口头化，直接提升协作效果，并为多智能体系统设计提供新路径，可能改变机器人、游戏等领域的人机协作方式。