【9.19日报】计算机科学、人工智能、自然语言处理、多模态技术、医学信息学等多个领域

聚焦 embodied AI 领域的全向视觉（360°视觉）技术，系统梳理全向视觉在机器人、工业检测、环境监测等领域的核心价值，分析当前全向视觉生成、感知、理解等方向的技术瓶颈，提出针对性解决方案，同时总结工业需求与学术研究驱动下全向视觉的发展趋势，为相关研究提供清晰的技术路线图。：聚焦阿拉伯语领域，构建大规模阿拉伯语中心的指令与翻译模型，通过针对性的数据构建与模型优化，解决阿拉伯语在多模态模型中

马拉AI

820人浏览 · 2025-09-19 10:41:54

马拉AI · 2025-09-19 10:41:54 发布

今天给大家带来9月18日的github和huggingface的热点论文项目,精选12篇前沿论文，覆盖计算机科学、人工智能、自然语言处理、多模态技术、医学信息学等多个领域，有需要开源代码和论文的，点击下方链接即可免费领取。

点击阅读原文，获取前沿论文

1、HALA Technical Report: Building Arabic-Centric Instruction & Translation Models at Scale

作者：Hasan Abed Al Kader Hammoud（King Abdullah University of Science and Technology）

亮点：聚焦阿拉伯语领域，构建大规模阿拉伯语中心的指令与翻译模型，通过针对性的数据构建与模型优化，解决阿拉伯语在多模态模型中代表性不足、指令理解与翻译精度低的问题，为阿拉伯语自然语言处理提供专用且高效的基础模型支持。

Cross-lingual translation and fine-tuning pipeline for Liquid 1.2B

论文：https://arxiv.org/pdf/2509.14008

项目：https://github.com/hammoudhasan/Hala

意义：填补阿拉伯语专用指令与翻译模型的规模化空白，推动阿拉伯语在AI领域的应用普及，促进多语言AI生态的均衡发展。

2、SAIL-VL2 Technical Report

作者：Douyin SAIL Team（Bytedance）、LV-NUS Lab（National University of Singapore）

亮点：提出SAIL-VL2多模态视觉语言基础模型，创新采用大规模数据筛选与评分 pipeline 提升训练数据质量与分布合理性，设计“预训练视觉编码器→多模态预训练→思维融合SFT-RL混合训练”的渐进式训练框架，同时引入高效稀疏混合专家（MoE）架构，在2B和8B参数规模下刷新106个图像与视频数据集性能，尤其在MMMU、MathVista等复杂推理基准上表现突出。

论文：https://arxiv.org/pdf/2509.14033

项目：https://github.com/BytedanceDouyinContent； https://huggingface.co/BytedanceDouyinContent

意义：为开源多模态社区提供高效可扩展的基础模型，推动视觉语言模型在细粒度感知到复杂推理场景的能力突破，降低多模态AI技术的应用门槛。

3、PANORAMA: The Rise of Omnidirectional Vision in the Embodied AI Era

作者：Xu Zheng（Hong Kong University of Science and Technology (Guangzhou)）

亮点：聚焦 embodied AI 领域的全向视觉（360°视觉）技术，系统梳理全向视觉在机器人、工业检测、环境监测等领域的核心价值，分析当前全向视觉生成、感知、理解等方向的技术瓶颈，提出针对性解决方案，同时总结工业需求与学术研究驱动下全向视觉的发展趋势，为相关研究提供清晰的技术路线图。

论文：https://arxiv.org/pdf/2509.12989

意义：填补全向视觉在 embodied AI 领域的研究综述空白，引导学术与工业界关注全向视觉技术，推动其在复杂环境感知与决策场景的落地应用。

4、GENEXAM: A MULTIDISCIPLINARY TEXT-TO-IMAGE EXAM

作者：Zhaokai Wang（Shanghai Jiao Tong University、Shanghai AI Laboratory）

亮点：构建跨学科文本到图像生成评测基准GENEXAM，设计具有严格生成约束的复杂多样提示（如化学反应方程式绘制、物理实验装置示意等），提供精准参考答案（真值图像）与定制化详细评分标准，以层级化知识体系覆盖多学科领域，同时集成“理解-推理-生成”全流程能力评估，全面衡量模型在专业领域的文本到图像生成精度。

Examples and performance of state-of-the-art text-to-image models on GenExam

论文：https://arxiv.org/pdf/2509.14232

项目：https://github.com/OpenGVLab/GenExam

意义：解决现有文本到图像评测基准在专业领域覆盖不足、评分标准模糊的问题，为多学科场景下的图像生成模型提供精准评测工具，推动专业领域AIGC技术的性能提升。

5、Scrub It Out! Erasing Sensitive Memorization in Code Language Models via Machine Unlearning

作者：Zhaoyang Chu（Huazhong University of Science and Technology）

亮点：针对代码语言模型中敏感信息记忆问题，提出基于机器遗忘的敏感记忆清除方法，通过设计针对性的数据筛选与遗忘训练策略，精准定位并清除模型对敏感代码片段（如私有算法、涉密项目代码）的记忆，同时保证模型在正常代码生成任务中的性能不受显著影响，平衡模型安全性与可用性。

论文：https://arxiv.org/pdf/2509.13755

项目：https://github.com/Zhaoyang-Chu/code-unlearning

意义：解决代码语言模型的敏感信息泄露风险，为代码生成AI的安全部署提供关键技术支撑，推动AI在软件开发领域的合规应用。

6、MedResearcher-R1: Expert-Level Medical Deep Researcher via A Knowledge-Informed Trajectory Synthesis Framework

作者：Ailing Yu（Ant Group）

亮点：提出医疗领域深度研究智能体MedResearcher-R1，创新基于医疗知识图谱提取稀有医疗实体子图的最长链，生成复杂多跳问答对以补充模型密集型医疗知识；同时集成定制化医疗专用检索工具，解决通用深度研究Agent在医疗领域知识不足、检索工具不匹配的问题，提升复杂医疗任务的推理与信息合成精度。

论文：https://arxiv.org/pdf/2508.14880

项目：https://github.com/AQ-MedAI/MedResearcher-R1

意义：推动AI在医疗领域的深度应用，为临床研究、医学文献分析、患者咨询等场景提供专业级智能支持，助力医疗行业的智能化升级。

7、MARS2 2025 Challenge on Multimodal Reasoning: Datasets, Methods, Results, Discussion, and Outlook

作者：Peng Xu（未明确标注核心机构，联合团队含Argonne National Laboratory、University of Chicago等）

亮点：组织MARS2 2025多模态推理挑战赛，发布大规模多模态推理数据集，涵盖图像、文本、音频等多模态输入与复杂推理任务；系统汇总参赛队伍的主流方法（如跨模态注意力融合、知识图谱增强推理等）、竞赛结果与性能排名，深入分析当前多模态推理技术的优势与不足，并对未来研究方向（如长序列多模态推理、低资源模态适配）提出展望。

论文：https://arxiv.org/pdf/2509.14142

项目：https://github.com/mars2workshop/

意义：为多模态推理领域提供统一的评测基准与技术交流平台，推动学术界与工业界对多模态推理技术的深入研究，加速技术突破与落地。

8、WAN-ANIMATE: UNIFIED CHARACTER ANIMATION AND REPLACEMENT WITH HOLISTIC REPLICATION

作者：HumanAIGC Team（Tongyi Lab, Alibaba）

亮点：提出统一角色动画与替换框架WAN-Animate，基于WAN模型改进输入范式以区分参考条件与生成区域，实现“角色动画生成”与“角色替换”任务的统一表示；通过空间对齐骨架信号复现身体动作，结合从源图像提取的隐式面部特征还原表情，保证生成视频的可控性与表现力；额外设计重光照LoRA模块，在角色替换时适配场景光照与色调，实现无缝环境融合。

论文：https://arxiv.org/pdf/2509.14055

项目：https://humanaigc.github.io/wan-animate/

意义：突破现有角色动画工具任务单一、生成效果与场景融合度低的问题，为影视制作、游戏开发、虚拟人交互等领域提供高效的角色动画与替换解决方案。

9、THOR: TOOL-INTEGRATED HIERARCHICAL OPTIMIZATION VIA RL FOR MATHEMATICAL REASONING

作者：Qikai Chang（University of Science and Technology of China、iFLYTEK Research）

亮点：针对语言模型在数学推理中高精度计算与符号操作能力不足的问题，提出THOR框架：首先通过多智能体演员-评论家（Actor-Critic）流水线TIRGen构建高质量工具集成推理路径数据集，保证数据与模型策略的对齐性；其次设计层级化强化学习（RL）策略，联合优化轨迹级问题解决与步骤级代码生成，同时引入工具使用反馈机制提升推理精度，在数值计算、符号推导等任务中显著提升模型性能。

论文：https://arxiv.org/pdf/2509.13761

项目：https://github.com/JingMog/THOR

意义：推动数学推理AI从“定性推理”向“定量精准计算”升级，为科学计算、工程建模、教育辅导等依赖高精度数学推理的场景提供技术支撑。

10、Improving Context Fidelity via Native Retrieval-Augmented Reasoning

作者：Suyuchen Wang（Université de Montréal、Mila - Quebec AI Institute）

亮点：提出CARE原生检索增强推理框架，解决语言模型在基于给定上下文回答时的一致性（保真度）问题。该框架不依赖昂贵的监督微调或额外网页搜索，而是教会模型在推理过程中显式集成给定上下文的检索信息，通过“推理+原生检索增强”的双流程设计，提升模型对上下文信息的利用率，减少因信息遗漏或误读导致的回答不一致。

Illustration of the training data creation and two-phase training process of CARE.

论文：https://arxiv.org/pdf/2509.13683

项目：https://github.com/FoundationAgents/CARE

意义：提升语言模型在信息密集型任务（如文档问答、知识问答）中的回答可靠性，为需要精准依赖给定上下文的AI应用（如智能客服、法律文档分析）提供关键技术保障。

11、AERIS: Argonne Earth Systems Model for Reliable and Skillful Predictions

作者：Väinö Hatanpää（Argonne National Laboratory）

亮点：提出地球系统预测模型AERIS，采用1.3B到80B参数的像素级Swin扩散Transformer架构，解决现有扩散基天气预测方法在高分辨率下难以稳定缩放的问题；创新设计SWiPe技术，将窗口并行与序列、流水线并行结合，实现基于窗口的Transformer分片，无额外通信成本且不增加全局批次大小；在Aurora超级计算机（10080节点）上实现10.21 ExaFLOPS（混合精度）算力，显著提升天气与季节尺度预测的精度与效率。
High-level overview of AERIS.

论文：https://arxiv.org/pdf/2509.13523

项目：暂未公开具体项目网址

意义：推动地球系统预测从传统数值方法向AI驱动的高分辨率、高可靠性方向升级，为极端天气预警、气候变化研究、农业生产规划等提供更精准的科学支撑。

12、LLM-I: LLMs are Naturally Interleaved Multimodal Creators

作者：Zirun Guo（Zhejiang University、ByteDance BandAI）

亮点：提出LLM-I交错多模态生成框架，将图像-文本交错生成重构为工具使用问题，突破现有统一模型“单一工具”瓶颈（仅支持合成图像，缺乏事实 grounding 与程序精度）。框架让核心LLM/MLLM智能体通过强化学习（RL）训练，灵活调度在线图像搜索、扩散生成、代码执行、图像编辑等专用视觉工具，结合规则逻辑与LLM/MLLM评估器的混合奖励系统优化工具选择与应用，在4个基准上大幅超越现有方法。