HF 論文速讀 2026-07-26
今天的共同趨勢是：AI 能力競爭正從單點模型分數，轉向資料規模、集合級檢索與多代理推理流程的系統化協作。
模型不只要更會答題，更要靠大規模真實資料、挑對資訊組合，以及可擴展的推理協作，才能在真實任務穩定落地。
今天先記三件事
- Xiaomi-Robotics-1 用超過 10 萬小時真實軌跡，驗證 VLA 的資料與模型擴展律。
- 檢索品質不能只看單篇相關性，文件間的冗餘、衝突與互補會決定生成上限。
- 文件理解開始用多代理測試期擴展，把規劃、執行、判斷與修正拆開協作。
五篇速讀
Xiaomi-Robotics-1：以超過 10 萬小時真實軌跡擴展視覺語言行動模型
具身 AI 擴展律
為什麼重要：它把 VLA 的核心瓶頸拉回真實資料規模，並展示預訓練擴展可轉移到後訓練與新任務適應。
帶走什麼：做機器人基礎模型時，真實軌跡、自然語言狀態轉換標註與模型規模要一起擴展。
下一步：優先看兩階段訓練與自動標註設計，評估能否套用到自家機器人資料管線。
超越相關性檢索：以評分規準導向文件集合選擇與排序
Agent 檢索升級
為什麼重要：它指出 nDCG 式單篇排序忽略文件互動；最佳 reranker 的評分規準覆蓋率仍不超過 45%。
帶走什麼：給 Agent 的不是幾篇最相關文件，而是一組低冗餘、可互補且衝突可控的證據集合。
下一步：把 SetwiseEvalKit 的九維度當 RAG 評估清單，先檢查重複與衝突內容。
OneVision-Encoder：以 Codec 對齊稀疏性作為多模態智慧基礎原則
視覺編碼器
為什麼重要：在受控原生解析度設定下，搭配 Qwen3-4B probe 於 OCRBench v2 取得 30.8 Accuracy。
帶走什麼：視覺編碼器的表示效率與語言模型探針配置，會共同影響 OCR 能力，不能只看單一元件。
下一步：注意公開 HF 僅提供 vision encoder，評測結果所用完整對齊組合尚未公開。
Nanbeige4.1-3B：能推理、對齊與行動的小型通用模型
小模型能力
為什麼重要：官方模型卡與論文表格都指出，它在 GPQA 的 World Knowledge 項目取得 83.8 Accuracy。
帶走什麼：小型通用模型也能同時追求推理、對齊與行動能力，部署選型不應只看參數量。
下一步：若關注邊緣或成本敏感部署，進一步比較其任務能力與實際工具調用表現。
視覺文件理解與問答：結合測試期擴展的多代理協作框架
文件多代理
為什麼重要：四代理流程在 DUDE、InfoVQA 居首，並在 DocVQA 取得第二；核心是代理級自適應測試期擴展。
帶走什麼：複雜文件問答可拆成規劃、執行、判斷、回答，並把更多推理預算放在真正不確定的環節。
下一步：用它的四角色拆解自家文件 QA pipeline，再測量修正迴路是否值得額外成本。