HF 論文速讀 2026-08-15
今天的共同趨勢：AI 研究正在從模型能力本身，推進到長任務、長上下文、空間感知與可驗證環境。
今天先追 Alaya-EVOKE: From Linear-Scaling Supervision to Endless World，再用另外四篇補齊 Agent、robotics、spatial reasoning、context efficiency 與…
今天先記三件事
- 先看是否有 SOTA / 榜單訊號，再看它能不能落地到產品或工程流程。
- Agent、長上下文、世界模型、空間推理正在變成同一件事：讓模型更可靠地做長任務。
- 今天的 50 頁簡報可以當附錄；真正要先記的是每篇 paper 解決的瓶頸與適用場景。
五篇速讀
Alaya-EVOKE: From Linear-Scaling Supervision to Endless World
機器人落地
為什麼重要：機器人 world model 要同時顧準確、長期一致與速度，才真的能拿來規劃動作。
帶走什麼：機器人 world model 要同時顧準確、長期一致與速度，才真的能拿來規劃動作。
下一步：先看問題設定與 benchmark，再決定是否需要讀完整簡報。
LLMRouter: Unified Infrastructure for Developing, Evaluating, and Deploying LLM…
空間/視覺推理
為什麼重要：No single large language model (LLM) is optimal across all queries and budget constraints…
帶走什麼：No single large language model (LLM) is optimal across all queries and budget constraints…
下一步：先看問題設定與 benchmark，再決定是否需要讀完整簡報。
PlayWorld: Benchmarking World Models with Agent Players over Long-Horizon Objec…
機器人落地
為什麼重要：機器人 world model 要同時顧準確、長期一致與速度，才真的能拿來規劃動作。
帶走什麼：機器人 world model 要同時顧準確、長期一致與速度，才真的能拿來規劃動作。
下一步：先看問題設定與 benchmark，再決定是否需要讀完整簡報。
OmniAgent: Audio-Guided Active Perception Agent for Omnimodal Audio-Video Under…
LLM/Agent 基…
為什麼重要：Paper-native main-table result (Table 1).
帶走什麼：Paper-native main-table result (Table 1).
下一步：先看問題設定與 benchmark，再決定是否需要讀完整簡報。
Learning from Next-Frame Prediction: Autoregressive Video Modeling Encodes Effe…
研究趨勢
為什麼重要：Paper-native main-table result (Table 1).
帶走什麼：Paper-native main-table result (Table 1).
下一步：先看問題設定與 benchmark，再決定是否需要讀完整簡報。