HF 論文速讀 2026-07-28
今天的共同趨勢是：把複雜工作流壓進更統一、可擴充且可量測的模型與訓練系統。
Agent 訓練、影像生成與視覺文件理解，都在追求以更少的系統斷層換取更高效率與更強任務表現。
今天先記三件事
- Molt 以精簡、PyTorch-native 架構降低 Agentic RL 演算法迭代成本。
- Hydra 把文件檢索與生成合併到單一 Vision-Language Model，ViDoRe V3 居首。
- 影像生成開始以難度感知取樣，將去噪步數動態分配給較難畫面區域。
五篇速讀
Molt：可擴充的 PyTorch 原生 Agentic Reinforcement Learning 訓練框架
Agent 訓練基礎設施
為什麼重要：它瞄準 Agentic RL 最常見的痛點：每次改演算法都得穿透 trainer、分散式後端與 rollout 流程。
帶走什麼：研究框架若足夠精簡，才能讓人與 AI coding assistant 都能端到端理解並快速修改訓練流程。
下一步：若在做 Agent RL，先比較其非同步訓練語意與現有 Megatron-based stack 的差異。
KAT-Coder-V2.5 技術報告
Coding Agen…
為什麼重要：在提供的訊號中，KAT-Coder-V2.5 於 PinchBench/Agents 以 94.9 Accuracy 排名第一。
帶走什麼：這份資料主要提供 benchmark 訊號，足以列入 Coding Agent 評測追蹤，但尚不足以判讀方法設計。
下一步：先讀原始 technical report，確認 PinchBench 的任務範圍、評測設定與可重現條件。
快速與慢速去噪：面向影像生成的難度感知自適應取樣
影像取樣加速
為什麼重要：PFT-1.2B 搭配 look-ahead adaptive sampling，在 T2I-CompBench++ 多個構圖維度取得前段排名。
帶走什麼：不是每張圖、每個去噪階段都值得花相同步數；取樣預算應依生成難度動態分配。
下一步：評估 diffusion pipeline 時，可優先檢視其難度估計是否真的改善速度與組合式提示表現。
CausalEmbed：以潛在空間自回歸多向量生成做視覺文件嵌入
文件檢索嵌入
為什麼重要：CausalQwen 以 Qwen2.5-VL-3B 為 backbone，生成 32 個 latent tokens，在 ViDoRe V3 達 NDCG@5 42.6。
帶走什麼：視覺文件 embedding 不必只壓成單一向量；多向量表示可保留更多版面與語意線索。
下一步：若做文件 RAG，將它與單向量 embedding 比較，特別檢查長文件與複雜版面的召回。
Hydra：以單一 Vision-Language Model 統一文件檢索與生成
文件 RAG 整合
為什麼重要：Hydra 以 Qwen3.5-4B 的雙頭檢索與生成設計，在 ViDoRe V3 八項公開任務平均 NDCG@5 為 56.39、排名第一。
帶走什麼：文件 AI 的下一步可能不是串接更多獨立模型，而是讓 retrieval 與 generation 共用視覺語言理解。
下一步：優先閱讀 dual-head 與 MTEB、MaxSim scoring 的設計，判斷是否適合整合進文件問答系統。