AI 论文日报 - 2026-09-26

今日重点论文 Top 3

#1 Flash-dLLM：实时长视频理解的新架构

Flash-dLLM: A Simple and Efficient Framework for Long-Context Video Understanding

作者：Shen, Zhang, Liu et al. · 机构：清华/字节跳动 · 2026-09-25

提出一种高效的长视频理解框架，通过动态视觉 token 压缩将长视频处理效率提升 3x，在 MMBench-Video 和 MathVista-Video 上达到 SOTA。核心思想是在保持关键帧信息的同时自适应压缩冗余帧。

multimodal-researchmodel-research

#2 HARMONY：统一多模态 Agent 规划器

HARMONY: Unified Planning for Multimodal Foundation Agents

作者：Wang, Chen, Li et al. · 机构：Stanford AI Lab · 2026-09-24

提出统一的视觉-语言 Agent 规划框架，支持跨模态任务分解与工具调用。在 GAIA 和 AgentBench 基准上分别超越现有 SOTA 模型 4.2% 和 6.8%。

agent-researchmultimodal-research

#3 Atria Dawn：744B MoE 模型技术报告

Atria Dawn: Scaling Vision-Language Models to 744 Billion Parameters with Mixture-of-Experts

作者：Zhang et al. · 机构：上海人工智能实验室 · arXiv:2609.xxxxx

上海 AI Lab 发布的 744B MoE 多模态模型技术报告，支持图像生成与理解。开源协议为 MIT，在 MMMU 和 MMVet 基准上表现优异，是当日最受关注的模型之一。

multimodalmodel-weights

新模型发布与权重

GLM-5.3 Prime

机构：智谱 AI · 参数量：未知（MoE 架构） · 协议：商业授权 · 上下文：1M tokens

智谱最新 Prime 系列模型，增强推理与代码能力。在 Chatbot Arena 中排名第 19 位（Elo 1483±6）。

llmreasoning

Qwen3.8 Max Prime

机构：阿里巴巴 · 参数量：未知 · 协议：商业授权 · 上下文：1M tokens

通义千问 3.8 系列 Prime 版本，主打超长上下文与复杂推理任务。

llm

GPT-oss-120b / GPT-oss-20b

机构：OpenAI · 参数量：120B / 20B · 协议：Apache 2.0 · 下载：Hugging Face

OpenAI 时隔多年重新开源模型权重（自 GPT-2 以来首次），采用 Apache 2.0 许可，包含完整推理代码。

llmmodel-weights

Atria Dawn Preview

机构：上海人工智能实验室 · 参数量：744B MoE · 协议：MIT

744B 参数的视觉语言 MoE 模型，支持图像生成与理解，MIT 开源许可证。

multimodalimage-genmodel-weights

MiMo-V2.6 系列

机构：小米 · 参数量：多尺寸（含 7B/72B） · 协议：MIT · 上下文：1M tokens

小米 MiMo V2.6 系列模型更新，优化多轮对话与代码生成能力。

llmmodel-weights

按方向分类论文列表

LLM & 推理 (reasoning)

Scaling Laws for Reasoning in Large Language Models

作者：DeepMind Team · 机构：DeepMind · arXiv:2609.xxxxx · 2026-09-25

系统性研究大模型推理能力的 scaling laws，发现推理性能随数据量呈现新的幂律关系。

reasoningmethod

Efficient Fine-tuning of Large Language Models via LoRA-Adapted Quantization

作者：Liu, Wang, Chen · 机构：MIT CSAIL · arXiv:2609.xxxxx · 2026-09-24

结合 LoRA 与量化技术的高效微调方法，在 4-bit 精度下保持 99% 的原始性能。

methodcoding

多模态 (multimodal)

Unified Multimodal Foundation Models: A Survey of Recent Advances

作者：Chen, Zhang, Li et al. · 机构：Google DeepMind · arXiv:2609.xxxxx · 2026-09-25

多模态基础模型全面综述，涵盖视觉-语言、音频-视觉、跨模态生成等方向的最新进展。

multimodal-researchbenchmark

Text-to-Image Generation via Latent Diffusion with ControlNet++

作者：Wang, Zhang · 机构：清华大学 · arXiv:2609.xxxxx · 2026-09-25

改进版 ControlNet++，提供更精确的条件控制能力，在 Stable Diffusion 基础上提升 15% FID 分数。

multimodal-researchimage-gen

Agent & 安全 (agent-research, ai-safety)

ToolFormer-X: Tool-Use Learning for Autonomous Agents in Open-World Environments

作者：Zhao, Li, Wang · 机构：蚂蚁集团 AI Lab · arXiv:2609.xxxxx · 2026-09-24

面向开放环境的自主 Agent 工具学习框架，支持动态工具发现与组合使用。

agent-researchcoding

Evaluating Adversarial Robustness of Multimodal LLMs: A Systematic Benchmark

作者：Park, Kim, Lee · 机构：SNU AI Lab · arXiv:2609.xxxxx · 2026-09-25

系统性评估多模态 LLM 对抗鲁棒性的基准测试，发现现有模型在视觉对抗攻击下脆弱性较高。

ai-safetybenchmark

排行榜变动

数据来源：Chatbot Arena (LMArena) · 更新至 2026-09-26

排名	模型	Elo 得分	变化	机构
#1	Claude Fable 5.1	1507.58	—	Anthropic
#2	GPT-5.3 Pro	1498.21	↑ 1	OpenAI
#3	GPT-5.2	1492.45	↓ 1	OpenAI
#5	Qwen3.8 Pro	1488.12	—	阿里通义
#19	GLM-5.3-Max	1483±6	新上榜	智谱 AI
#24	Atria Dawn Preview	1478±8	新上榜	上海 AI Lab

* GLM-5.3-Max 和 Atria Dawn Preview 为新上榜模型