HF 論文速讀 2026-07-01
AI 聚焦即時生成、世界模型、環境-free 驗證、adaptive 推論加速與跨任務演化微調。
今天五篇論文分別解決串流影片即時編輯、世界潛空間建模、coding agent 無環境驗證、speculative decoding block size 自適應，以及 LLM 跨任務演化能力，讓 AI 更實用高效。
今天先記三件事
- LiveEdit 用三階段蒸餾與 AR mask cache 實現因果即時串流影片編輯。
- Orca 建構統一世界潛空間，結合影片與事件學習 Next-State-Prediction。
- Dockerless 提供 agentic patch 驗證器，SWE-bench 成績提升且無需 Docker。
五篇速讀
LiveEdit：讓擴散式影片編輯進入即時串流
即時串流編輯框架
為什麼重要：解決背景穩定與低延遲兩大痛點，提出三階段蒸餾管線轉移雙向模型能力。
帶走什麼：因果 frame-by-frame 編輯搭配 AR-oriented mask cache，大幅降低冗餘運算。
下一步：關注其專屬 streaming video editing benchmark 與 real-time 部署表現。
Orca：把影片、事件與行動壓進同一個世界潛空間
世界基礎模型
為什麼重要：以 Next-State-Prediction 為核心，同時捕捉密集影片轉換與稀疏事件轉換。
帶走什麼：凍結 backbone，只訓練輕量 decoder，即可支援文字、影像、行動生成。
下一步：探索其 125K 小時影片與 160M 事件標註的 world-learning inventory。
Dockerless：不跑測試也能訓練 coding agent verifier
環境-free 驗證器
為什麼重要：用 agentic repository exploration 取代 Docker 執行，verifier AUC 提升 14.3 點。
帶走什麼：全環境-free post-training pipeline，SWE-bench Verified 達 62.0%。
下一步：直接套用於 SFT 軌跡過濾與 RL reward，加速 coding agent 訓練。
BlockPilot：讓 speculative decoding 的 block size 隨題目調整
adaptive bl…
為什麼重要：最佳 block size 因樣本而異且具局部結構，固定大小次優，提出 policy learning。
帶走什麼：從 prefilling representation 預測最佳 block size，提升 diffusion speculative 效能。
下一步：整合到現有 diffusion-based speculative decoding 流程進行實測。
Evolution Fine-Tuning：讓 LLM 練習如何改進答案
跨任務演化微調
為什麼重要：將 371 任務的 evolutionary search 軌跡轉為監督資料，教 LLM 自己迭代優化。
帶走什麼：模型習得 backtrack、mutate 策略，而非完全依賴外部 scaffold。
下一步：應用於 GPU kernel 設計、數學猜想等需要長期迭代的優化任務。