2026 年 7 月 Hugging Face Papers Top20 论文速读
作者：XD / 发表： 2026年7月31日 03:44 / 更新： 2026年7月31日 03:44 / 科研学习 / 阅读量：4
数据来自 Hugging Face Papers 2026-07 月榜，按页面 upvotes 排序取 Top20。这个月比较集中的方向是 world model、开放大模型、Agent harness、长上下文 RL、具身智能、视频理解和可执行技能。
说明：机构字段使用 Hugging Face 页面里的 organization，不等同于完整作者单位；缺失时标注为“HF 页面未给出机构”。
简单统计
入选论文数 20
总点赞数 3974
平均点赞数 198.7
GitHub 覆盖 15 / 20
项目主页覆盖 16 / 20
排序方式 Hugging Face upvotes 降序
Top20
1. Orca: The World is in Your Mind
- 点赞：440
- 机构：HF 页面未给出机构
- 关键词：world foundation model, world latent space, next-state-prediction modeling, embodied action generation
- 链接：HF / arXiv / GitHub，775 stars / Project
Orca 是 7 月榜单第一名，目标是做 general world foundation model。它不再把 next-token、next-frame、next-action 当成割裂任务，而是围绕 Next-State-Prediction 学习统一的 world latent space，再通过不同模态的 readout 接口输出结果。这个设定很适合具身智能、视频预测和动作生成，因为核心问题都是“当前状态经过动作或时间后会变成什么”。高票原因也很直接：world model 叙事强，项目页和代码完整，方向足够大。
摘要要点：Orca learns a unified world latent space from multimodal world signals, using next-state-prediction modeling as a route toward understanding, predicting, and acting upon the world.
2. Kimi K3: Open Frontier Intelligence
Kimi K3 是一个 2.8T 参数、104B 激活参数的 MoE 模型，原生支持视觉能力和 100 万 token 上下文。技术上，它使用 Kimi Delta Attention、Attention Residuals 和 Stable LatentMoE 来提升长序列和深层网络里的信息流效率。它的看点不是单纯“大”，而是把超长上下文、视觉、多专家路由和开放模型放在一起。GitHub stars 很高，说明社区对开放 frontier model 的工程复用意愿很强。
摘要要点：Kimi K3 combines a large MoE architecture, native vision, 1M-token context, and improved scaling efficiency through attention and routing design.
3. ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU
ABot-World-0 延续了 6 月 ABot-Earth 的热度，这次重点是 action-conditioned video world model。它面向实时、长程、闭环交互，并强调单张桌面 GPU 上的无限交互式 rollout。数据基础来自 AAA games、simulation engines 和互联网视频，并通过多阶段质量检查、VLM 评估和动作/文本标注来构建训练数据。它的价值在于把世界模型从“生成视频”推向“可被 Agent 控制和探索的环境”。
摘要要点：ABot-World-0 distills action-conditioned models for real-time closed-loop world rollout, supported by a large multi-source data and annotation pipeline.
4. Program-as-Weights: A Programming Paradigm for Fuzzy Functions
- 点赞：238
- 机构：University of Waterloo
- 关键词：Program-as-Weights, FuzzyBench, parameter-efficient adapters, frozen interpreter
- 链接：HF / arXiv / GitHub，219 stars / Project
Program-as-Weights 讨论一种“模糊函数”的编程范式。很多日常任务很难用规则写清楚，比如判断重要日志、修复不规范 JSON、按意图排序搜索结果，大家常把这些任务丢给 LLM API。PAW 的思路是把自然语言规格编译成紧凑、可本地执行的 neural artifact，用 4B compiler 和 0.6B frozen interpreter 实现。它的吸引力在于把 LLM API 调用变成更可复现、更便宜、更本地化的函数。
摘要要点：PAW compiles natural-language fuzzy function specifications into compact neural artifacts, aiming for local execution, reproducibility, and lower inference cost.
5. Harness Handbook: Making Evolving Agent Harnesses Readable,Navigable, and Editable
Harness Handbook 关注 Agent harness 的可读、可导航、可编辑。现代 Agent 的能力不只来自 foundation model，还来自 prompt 组织、状态管理、工具调用和执行协调。问题是 harness 会随着模型、API、环境和需求不断变化，开发者或 coding agent 要修改行为前，必须先找到分散在代码里的相关逻辑。这篇的价值在于把“Agent 外壳工程”作为独立问题来处理，适合做生产级 Agent 系统的人看。
摘要要点：The paper targets evolving agent harnesses, where behavior is distributed across code and hard to modify without better readability and navigation support.
6. LongStraw: Long-Context RL Beyond 2M Tokens under a Fixed GPU Budget
LongStraw 处理长上下文 RL post-training 的断层：推理系统已经接近百万 token，但 RL 训练常停在 256K 或更短。对 Agent 来说，观察、工具输出、文档和历史决策会不断累积，训练长度不足会直接影响部署表现。LongStraw 是一个面向固定 GPU 预算的执行栈，目标是在超过 2M tokens 的上下文下做 RL post-training。它对长任务 Agent 很关键，因为长上下文不能只靠推理时硬撑。
摘要要点：LongStraw provides an architecture-aware stack for million-token RL post-training under fixed GPU budgets, targeting long-horizon agent trajectories.
7. RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation Model
RynnBrain 1.1 是具身基础模型系列，覆盖 2B、9B 和 122B-A10B 规模。它使用统一的时空和物理 grounded 框架训练，支持具身感知、空间推理、定位和规划。相比 1.0，新版本加入 contact-point prediction，并在 2B、9B 模型中支持 native 3D grounding，使输出更贴近机器人操作。它适合关注 VLA、机器人 manipulation 和 embodied reasoning 的读者。
摘要要点：RynnBrain 1.1 improves embodied foundation models with grounded spatio-temporal training, contact-point prediction, and native 3D grounding.
8. Progress Reward Modeling for Robotic Learning: A Comprehensive Survey
这是一篇机器人学习里的 progress reward survey。机器人任务里，终局成功信号太稀疏，只告诉你任务成没成，不告诉当前行为是在接近目标、原地踏步，还是把之前成果破坏掉。Progress reward 的价值就是在执行过程中提供更细的进展反馈。作为综述，它的意义在于整理 observation、goal specification、output signal、supervision 等差异，为后续机器人 RL 和 imitation learning 提供共同框架。
摘要要点：The survey organizes progress reward modeling for robotic learning, where intermediate progress signals are needed beyond sparse terminal success.
9. VideoChat3: Fully Open Video MLLM for Efficient and Generalist Video Understanding
VideoChat3 是一个 fully open 的 video MLLM，目标是高效、通用的视频理解。当前视频模型常有三个问题：泛化到不同视频类型不稳定，计算成本高，以及开放程度不完整。VideoChat3 的卖点是把模型、训练策略、代码和数据相关组件尽量开放出来，降低社区复现和扩展成本。它和 TimeLens2 可以一起看：一个强调通用视频理解，一个强调视频证据的时间定位。
摘要要点：VideoChat3 targets efficient, generalist video understanding with stronger openness than many existing video MLLM systems.
10. The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
- 点赞：170
- 机构：HF 页面未给出机构
- 关键词：reinforcement learning, training-inference mismatch, policy optimization, inference policy
- 链接：HF / arXiv / Project
这篇论文讨论 LLM RL 中的 training-inference mismatch。RL post-training 越来越重要，但训练侧和推理侧通常使用不同引擎，哪怕模型参数同步，同一轨迹的概率也可能不一致。这会引入特殊 off-policyness，导致训练不稳定甚至 collapse。论文主张真正目标应该是优化 inference policy，并提出 Monotonic Inference Policy 相关框架。它提醒我们：LLM RL 的问题不只是奖励设计，还有训练系统和推理系统的一致性。
摘要要点：The paper argues that RL for LLMs should optimize monotonic improvements in inference policies rather than only training-side objectives.
11. TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs
TimeLens2 关注 generalist video temporal grounding。很多视频 MLLM 能描述视频内容，但不能明确指出证据发生在什么时候。TimeLens2 要解决的是跨长度、跨领域、跨查询形式的视频证据区间预测，而且输出区间数量可变。这个能力很实用：视频问答、审计、监控、长视频检索都需要“答案来自哪一段”。它和 VideoChat3 一起构成 7 月视频理解方向的两条重点线。
摘要要点：TimeLens2 trains multimodal LLMs to predict variable sets of evidence intervals, making video answers more temporally grounded.
12. AREX: Towards a Recursively Self-Improving Agent for Deep Research
AREX 是面向 deep research 的 recursively self-improving agent。深度研究往往存在 discovery-verification asymmetry：找到答案很难，但验证候选答案可以拆成多个较容易的约束检查。AREX 的思路是让 Agent 不只是搜索更久，而是递归验证中间结果，并用部分验证状态指导后续 refinement。它适合关注 AI researcher、deep research agent 和长链路验证机制的人。
摘要要点：AREX recursively improves intermediate answers by using constraint-wise verification to guide further research refinement.
13. RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
RAGU 是一个开源 modular GraphRAG engine。它认为现有 GraphRAG 常在一次抽取中构图，容易产生 noisy entities 和 brittle retrieval。RAGU 把抽取和 consolidation 分开：typed extraction、DBSCAN 去重、LLM summarization、Leiden community detection 等步骤组成多阶段流程。另一个亮点是使用 compact domain-adapted LLM 做管线内抽取，降低成本。它适合知识图谱增强 RAG 和企业知识库场景。
摘要要点：RAGU improves GraphRAG by separating extraction from consolidation and using a compact domain-adapted LLM inside the pipeline.
14. Vidu S1: A Real-Time Interactive Video Generation Model
- 点赞：144
- 机构：Tsinghua University
- 关键词：TurboDiffusion, TurboServe, real-time video generation, voice control, consumer GPUs
- 链接：HF / arXiv / GitHub，226 stars / Project
Vidu S1 做实时交互式视频生成，支持用户通过语音随时控制数字角色。它声称可以生成无限长度实时视频，并在普通消费级 GPU 上达到 540p、最高 42 FPS。技术上使用 TurboDiffusion 和 TurboServe。相比离线视频生成，它更强调交互性和低延迟，适合数字人、直播、虚拟角色和实时内容创作场景。
摘要要点：Vidu S1 supports voice-controlled, infinite-length, real-time video generation on consumer hardware.
15. HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone
HiFi-UMI 关注机器人 manipulation policy 的数据问题。真实机器人遥操作数据质量高但难扩展，robot-free UMI 数据容易扩展但通常只用于预训练，还需要少量真实机器人数据 anchor。HiFi-UMI 反过来问：如果把 robot-free UMI 数据质量做得足够高，是否可以去掉这个 anchor？它提出便携式高保真 UMI 数据生产系统，目标是仅靠高质量 UMI 数据学习可部署操作策略。
摘要要点：HiFi-UMI studies whether high-fidelity robot-free UMI data alone can train deployable manipulation policies without real-robot anchors.
16. RESOURCE2SKILL: Distilling Executable Agent Skills from Human-Created Multimodal Resources
RESOURCE2SKILL 和 Codex 的 skill 概念很贴近：把教程视频、代码仓库、文章、参考资料等人类创建的多模态资源蒸馏成可执行 Agent skills。现有 skill library 多数手写、偏文本，或来自 Agent trace，而大量高价值教程资源没有被结构化利用。它的意义在于把“人类经验”转成 Agent 可复用的程序化知识，适合软件 Agent、自动化办公和工具学习方向。
摘要要点：RESOURCE2SKILL distills multimodal human resources into executable hierarchical skills for software agents.
17. Weak-to-Strong Generalization via Direct On-Policy Distillation
- 点赞：139
- 机构：BytedTsinghua-SIA
- 关键词：reinforcement learning, verifiable rewards, weak-to-strong transfer, direct on-policy distillation
- 链接：HF / arXiv / Project
这篇论文关注 weak-to-strong generalization 下的 RLVR 成本问题。对每个强模型重新跑 RL 很贵，因为训练时需要大量 rollout。Direct On-Policy Distillation 的想法是先在较小模型上做 RL，再把 RL 诱导出的 policy shift 当作隐式 reward 信号迁移到强模型上。它适合关注 post-training scaling 的读者：如果可行，可以减少强模型反复 RL 的成本。
摘要要点：Direct OPD transfers RL improvements from smaller models to stronger models by using RL-induced policy shifts as implicit reward signals.
18. Boogu-Image-0.1: Boosting Open Agentic Multimodal Generation via Understanding under a Minimal Budget
Boogu-Image-0.1 是开放的统一多模态理解与生成模型族，包含 Base、Turbo、Edit、Edit-Turbo 等版本。它面向高质量文生图、快速推理、指令式编辑和中英双语文字渲染。论文指出很多闭源多模态生成系统强在系统级集成，但内部实践不可见；Boogu 的价值在于用较小预算开放模型和方法，让社区能复现和继续改进 agentic multimodal generation。
摘要要点：Boogu-Image-0.1 provides an open multimodal generation family covering text-to-image, fast inference, editing, and bilingual text rendering.
19. DataFlow-Harness: A Grounded Code-Agent Platform for Constructing Editable LLM Data Pipelines
DataFlow-Harness 解决 NL2Pipeline gap：LLM coding agent 往往生成脚本，但这些脚本没有自动变成持久、可编辑的平台原生数据流资产。它让 Agent 通过 typed、incremental mutations 构造平台里的 DAG，而不是自由写一段脚本完事。这个方向很实际，因为数据处理工作流需要长期维护、可视化编辑、局部修改和复用。它也和 Harness Handbook 呼应：Agent 产物要能进入真实工程系统。
摘要要点：DataFlow-Harness guides LLM agents to construct editable platform-native DAG pipelines through typed incremental mutations.
20. PhiZero: A World Model Built Around Physical Language
PhiZero 是另一个 world model，但它不直接预测未来像素，而是围绕 physical language 构建。physical language 是一种紧凑的离散世界状态转移表示，目标是把视频里的物理动态抽象成更显式、可推理的结构。这个思路和 Orca、ABot-World 不同：它更强调从视觉经验中抽象预测结构，而不是只在高维视觉空间里隐式建模。作为第 20 名，它提供了 world model 方向的另一种路线。
摘要要点：PhiZero learns physical language from in-the-wild videos and uses it as an explicit representation for physical world modeling.
小结
7 月 Top20 的主题很集中：前几名几乎都在围绕世界模型、开放大模型和 Agent 系统工程展开。Orca、ABot-World、PhiZero 代表 world model 的不同路线；Kimi K3 代表开放 frontier model；Harness Handbook、RESOURCE2SKILL、DataFlow-Harness 都在处理 Agent 如何进入可维护工程系统；LongStraw、MIPU、Direct OPD 则说明 RL post-training 和长上下文训练还在快速演进。整体看，这个月的关键词不是单点能力，而是“可交互、可执行、可维护、可部署”。
