HF 速讀AI 論文
HF 論文速讀 2026-06-26
電腦使用 Agent 與跨域影片生成同步突破
今天重點在電腦操作 Agent 的多平台基座化與高效小模型，以及開放領域 subject-driven 影片生成的跨域靈活性，讓 AI 更貼近實際裝置互動與創意內容產出。
今天先記三件事
- Fara 系列在 WebVoyager 等 benchmark 拿下多個第二名，成功率高達 89.3%
- CountGD++ 在 FSC-147 達成開放世界計數新 SOTA，RMSE 18.79
- DomainShuttle 提出 Domain-MoT 與 DualRoPE，平衡主體保真與跨域編輯
五篇速讀
Fara-1.5：把電腦操作 agent 做成可擴展環境
電腦操作 Agent…
為什麼重要：WebVoyager 成功率 89.3%，多 benchmark 第二名，強調可擴展學習環境。
帶走什麼：Agent 可在真實網頁環境中高效學習與執行任務。
下一步：閱讀論文了解如何建置此環境。
CountGD++：用文字提示也能做 open-world counting
開放世界物體計數
為什麼重要：FSC-147 上 RMSE 18.79 排名第一，支援文字提示與合成範例。
帶走什麼：開放世界計數更準確，適用廣泛場景。
下一步：查看論文 Table A.5 了解實驗設定。
Mobile-Agent-v3.5：多平台 GUI agent 的基座化
多平台 GUI Age…
為什麼重要：ScreenSpot-v2 準確率 95.3%，MMB-GUI 86.84%，跨平台基座模型。
帶走什麼：提供多平台 GUI 操作的基礎能力。
下一步：探索其在不同裝置上的應用潛力。
Fara-7B：小模型也能跑原生 computer use
高效電腦使用模型
為什麼重要：ScreenSpot grounding accuracy 86.7%，小模型實現高效 Agent。
帶走什麼：7B 參數模型即可達成高 grounding 表現。
下一步：查看 HF model card 了解部署方式。
DomainShuttle：讓 subject-driven video 跨域仍保留主體
跨域影片生成
為什麼重要：提出 Domain-MoT 與 Video-Reference DualRoPE，平衡保真與靈活性。
帶走什麼：支援 in-domain 高保真與 cross-domain 靈活編輯。
下一步：閱讀論文了解 Domain-MoT 架構。