HuggingFace 论文日报 · 2025/05/20：GSPO 让 Qwen3 训练更稳，AI 短片生成迎来关键突破
今日 HuggingFace 热榜精选 8 篇：阿里 GSPO 用序列级打分稳住大规模 RL 训练；字节联合斯坦福让 AI 生成有故事逻辑的短片；斯坦福/OpenAI 用物理运动感知颠覆传统语义分割；GloVe 十年后发布 2024 升级版。附通俗解读与一眼扫览表格。
HuggingFace 论文日报 · 2025 年 5 月 20 日
今天 HuggingFace 热榜共 11 篇论文，涵盖 AI 训练算法、视频生成、图像理解、词向量更新等多个方向。以下精选 8 篇，从「外行也能懂」的角度逐一解读。
1. GSPO：让大模型的「自我打分」更稳、更聪明
来自：阿里巴巴 Qwen 团队 1
你训练一个大模型时，怎么告诉它「这个回答更好」？目前最流行的方式是「强化学习」——让模型自己生成一堆答案，再打分筛出好的继续学习。但这个打分过程很容易不稳定，尤其是大规模的 MoE（混合专家）模型，训练经常崩掉。
Qwen 团队提出的 GSPO（组序列策略优化） 换了一个思路：之前的算法（比如 GRPO）是以每个词为单位打分，GSPO 改成以整段回复为单位打分。就像批改作文——你评的是整篇文章的质量，而不是每个字值多少分。
换成整段打分带来两个好处：训练更稳定，训练速度也更快。Qwen3 系列模型就用了这套方法，效果明显提升。
2. MUR：让模型「知道自己什么时候不需要再想了」
来自：西安交通大学、南洋理工大学等 2
现在的推理型大模型（比如 o1/o3）喜欢在回答前「慢慢想一大段」，有时这段思考对最终答案毫无贡献，纯粹在浪费计算资源——业内叫「过度思考」。
MUR 的解法受物理学「动量」概念启发：一辆车在高速上不需要每秒都猛踩油门，当速度足够稳定就可以维持巡航。MUR 会持续估算模型当前的「不确定性」，如果不确定性已经很低、答案趋于收敛，就让模型尽早收手，不再继续推理。
关键优势：不需要额外训练，直接插进现有模型的推理过程即可。几乎是免费的效率提升。
3. Captain Cinema：用 AI 拍「短片」，而不只是几秒的视频片段
来自：字节跳动 Seed、斯坦福、约翰霍普金斯 3
当前 AI 视频生成有个根本问题：生成几秒的短片段还行，但拍一个有完整故事线的「短片」几乎不可能——角色长得不一样，场景前后不连贯，故事逻辑断裂。
Captain Cinema 把这个问题拆成两步走：
- 自上而下规划：先用文字故事线生成一批关键帧，像分镜头脚本一样确定整体叙事走向和视觉一致性（角色长什么样，场景是什么风格）。
- 自下而上填充：把关键帧喂给支持长上下文的视频模型，让它把关键帧之间的动态过渡生成出来。
这套「先定格局、再填细节」的方式，让 AI 第一次有可能生成有前后逻辑、人物外貌一致的短片，而不只是碎片化的视觉特效。
4. TTS-VAR：图像生成也能「测试时花更多计算换更好质量」
来自：香港大学、阿里通义实验室、香港中文大学 4
语言模型有个被验证过的规律：推理时多花点计算（比如让模型多想几步），质量就会提升，不需要重新训练。这叫「测试时缩放（Test-Time Scaling）」。
但图像生成领域一直没有这么干净的方案。TTS-VAR 把图像生成过程建模成一个「路径搜索问题」：从多条候选生成路径中，动态挑出效果最好的继续走下去，而不是闷着头一路生成到底。
用白话说：就像你写一篇文章，边写边读一读，觉得不好的段落就换一个方向重写，最终出来的文章质量比闷头写一遍要好很多。
5. EarthCrafter：用扩散模型生成「城市街区级」的三维地球场景
来自：阿里达摩院 5
卫星图和地图数据大家都见过，但要生成「可交互的三维地球场景」——比如城市规划模拟、游戏世界构建——以前要么精度不够，要么生成极慢。
EarthCrafter 的思路：把地球表面的三维信息压缩成「稀疏体素」（可以理解为把地图分成一格格的小方块，只记录有意义的位置），然后用扩散模型（和 Stable Diffusion 同类的技术）在这些体素上做生成。
「双稀疏」的意思是从两个层面都做了压缩：结构层和语义层都只保留关键信息，所以即使是城市街区这种信息量极大的场景，也能高效生成。项目已开源，提供了演示页面。6
6. TeleChat2 / T1：电信运营商也在做自己的「通用 + 推理」大模型
来自：TeleAI（中国电信 AI 研究院） 7
TeleChat2 和 T1 是中国电信 AI 研究院发布的新一代大模型系列技术报告，对研究者来说值得关注的点：
- 在 10 万亿 token 上做了预训练，规模和当前头部开源模型相当
- 加入了「持续预训练 + 强化学习」阶段，T1 专门针对推理密集型任务做了强化
- 架构改动不大，但通过数据配比和训练策略的改进，性能有明显跳升
这份报告记录了从通用模型到推理增强模型的完整训练链路，对复现类研究有参考价值。
7. New GloVe：2014 年的词向量经典，十年后发布 2024 升级版
来自：斯坦福 NLP 组 8
GloVe 可能是 NLP 历史上被引用最多的词向量模型之一，2014 年发布，至今仍广泛使用。问题是：2014 年版本没有「covid」「ChatGPT」「deepfake」这些词，很多词的语义也发生了偏移。
斯坦福 NLP 组在十年后发布了更新版，用 2024 年的语料重新训练，同时补充记录了原版漏掉的数据版本和预处理细节。
这不是什么革命性突破，但对很多不需要大模型的轻量 NLP 应用来说，有一份「与当代语言对齐的 GloVe 词向量」是实用的基础设施更新。
8. Spelke Segments：教 AI 像婴儿一样理解「哪些东西是一个整体」
来自：斯坦福大学、OpenAI 9
人类从婴儿期开始就能判断「这个茶杯和杯垫是两件东西，不是一件」。发展心理学把这种能力叫 Spelke 物体感知——我们不是靠「它是什么类别」来切分物体，而是靠「它们在物理力作用下会不会一起动」。
当前主流的 CV 分割模型（比如 SAM）都是基于语义类别来分割——认出「这是猫」「这是椅子」——但这带来一个问题：不认识的新物体就分不好。
这篇论文用一个完全不同的路径：
- 构建了 SpelkeBench 数据集，专门标注「会一起运动的物理整体」
- 训练了 SpelkeNet，它不学物体的名字，而是学「戳一下这个区域，哪些地方会跟着动」
实验结果：SpelkeNet 在 SpelkeBench 上超过了 SAM。在实际的机器人操作任务里（比如「把这个物体挪走」），使用 Spelke 分割方案的机器人比用传统语义分割的机器人成功率更高。
今日热榜一眼扫
| 论文 | 机构 | 一句话核心 |
|---|---|---|
| GSPO | 阿里 Qwen | 序列级打分让 RL 训练更稳 |
| MUR | 西安交大等 | 动量不确定性控制推理深度 |
| Captain Cinema | 字节 Seed 等 | 关键帧规划 → 短片生成 |
| TTS-VAR | 港大 / 阿里 | 图像生成也能测试时缩放 |
| EarthCrafter | 阿里达摩院 | 扩散模型生成三维地球场景 |
| TeleChat2 / T1 | 中国电信 AI | 10 万亿 token 训练 + 强化推理 |
| New GloVe | 斯坦福 NLP | 十年后更新，词向量对齐当代语言 |
| Spelke Segments | 斯坦福 / OpenAI | 物理运动感知取代语义分割 |
来源：HuggingFace Daily Papers · 2025-05-20
References
- 1GSPO 论文 arXiv
huggingface.co
- 2MUR 论文 arXiv
huggingface.co
- 3Captain Cinema 论文 arXiv
huggingface.co
- 4TTS-VAR 论文 arXiv
huggingface.co
- 5EarthCrafter 论文 arXiv
huggingface.co
- 6EarthCrafter 项目页
whiteinblue.github.io
- 7TeleChat 技术报告 arXiv
huggingface.co
- 8New GloVe 论文 arXiv
huggingface.co
- 9Spelke Segments 论文 arXiv
huggingface.co
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.