ProRL 不是一般只估你下一次會按甚麼的推薦模型，而是先安排幾個中間項目，慢慢把興趣帶向目標項目。對影片平台或電商來說，這比直接硬推陌生內容更有策略。

項目把 semantic-ID 表示和強化學習結合，先用短碼描述項目，再學一條推薦路徑。評分不只看點擊，還同時看目標興趣提升、目標排名提升，以及中間項目的點擊率。

• 多目標設計：把 IoI、IoR、CTR 一起納入，方向較完整。
• 方法亮點：加入 Stepwise Reward Centering 與 Position-Specific Advantage Estimation，重點是修正長路徑偏差並減少訓練噪音。
• 訓練穩定性：配合預訓練參考策略和 KL 正則，令訓練更穩定。
• 工程層面：支援 Accelerate 多 GPU，較適合研究環境。

這個倉庫已分成預訓練和強化學習兩段，亦提供可直接跑的 scripts，checkpoint 與日誌會自動保存。使用時最好已有 Python 3.11、CUDA 12.4 和多 GPU 條件，否則較難完整重現。

論文摘要指出，它在三個真實數據集上勝過現有主動推薦方法。整體來看，這個項目較適合做推薦研究、序列決策實驗，或想了解 ProRL、預訓練參考策略與 semantic-ID 如何配合的人。

GitHub： https://github.com/hongruhou89/ProRL

Paper： https://arxiv.org/pdf/2605.28293

LongCat-Video 是一個 13.6B 參數的影片生成項目，主打把文字生成影片、圖片生成影片，以及影片續寫放進同一套架構。對一般使用者來說，最易明白的價值是：不用為不同影片任務分開找不同模型，處理流程可以更集中。

它解決長影片生成常見的畫面走樣、色彩飄移，以及愈生成愈差的情況。項目特別提到自己原生預訓練了影片續寫能力，因此在長時間內容上較有優勢，目標是生成分鐘級影片時仍保持穩定。

先決定輸入方式：有文字概念就做 Text-to-Video，有單張圖片就做 Image-to-Video，要接續既有片段就用 Video-Continuation。提供相關模型與延伸版本，包括 LongCat-Video、LongCat-Video-Avatar 1.5，以及 Hugging Face 與 ModelScope 上提供的模型頁面。

它同時強調速度與畫質。項目表示透過時間與空間兩個方向的 coarse-to-fine 生成策略，再配合 Block Sparse Attention，可在數分鐘內產出 720p、30fps 影片；這類設計對高解析度生成尤其重要，因為影片模型最常見瓶頸就是算力與等待時間。

• 單一模型支援 Text-to-Video、Image-to-Video、Video-Continuation
• 強調長影片生成，主打減少色偏與畫質退化
• 以 coarse-to-fine 加速推理，兼顧效率與解析度
• 提到用多重獎勵的 GRPO 強化學習提升整體表現

這項目較適合關注開源影片生成、長片段內容、角色或場景延續的人，也適合想研究統一式影片模型設計的開發者。其表現可比肩領先開源模型與新近商業方案，但更細的分數與比較細節，仍需要配合技術報告一併閱讀會較穩妥。

Evaluation Results

Text-to-Video

The Text-to-Video MOS evaluation results on our internal benchmark.

Image-to-Video

The Image-to-Video MOS evaluation results on our internal benchmark.

GitHub： https://github.com/meituan-longcat/LongCat-Video

Lens 是 Microsoft 推出的文字生成圖片模型，規模約 3.8B 參數，重點不只是畫質，還包括「用較少訓練成本做到接近甚至追上更大模型」。這個 GitHub 項目目前定位清晰，主要提供推論用途的最小程式碼，方便直接用現成 checkpoint 生成圖片。

動手方式很直接：準備好 Lens 的權重後，利用這個項目的推論程式輸入文字提示，便可生成圖像。它特別適合想快速試畫面風格、測試長提示詞效果，或者比較不同文字生圖模型輸出的人；若要完整訓練或微調流程，現有儲存庫資訊顯示並不是這個項目的重心。

它解決的核心問題，在於近年文字生圖模型愈做愈大，訓練成本高得驚人。Lens 嘗試從資料密度、模型結構和解析度學習方式入手，在較緊湊的 3.8B 規模下，仍保持不錯的提示理解、高解析度輸出，以及多種長寬比生成能力。

較值得留意的地方有幾個：它用長篇密集描述的圖文資料預訓練，配合 mixed-resolution learning，令模型一次學到更多內容；文字理解方面則結合 GPT-OSS 多層特徵與 FLUX.2 semantic VAE。官方亦提到有 Lens-Turbo 這類後續變體，主打 4-step 快速生成，另有 RL 調整版本用來改善畫質與壓低瑕疵。不過仍需要 A100/V100 GPU。

• 3.8B 參數規模，定位是高效率文字生圖模型
• 支援約 1:2 至 2:1 長寬比，最高可到 1440×1440
• 相關模型包括 Lens、Lens-Turbo，以及經 RL 調整的變體
• 官方論文指出 1024×1024 輸圖可達約 3.15 秒，Turbo 4-step 約 0.84 秒

整體來看，這個項目最吸引之處不是功能包山包海，而是把焦點放在「精簡推論」與「高效率模型設計」上。對研究生成式 AI 趨勢、想評估新一代文字生圖效率，或需要高解析度輸出的開發者與創作者來說，Lens 是一個值得留意的項目；不過涉及基準細節與全面比較時，仍建議一併參考論文與模型頁面。

GitHub： https://github.com/microsoft/Lens

Paper： https://arxiv.org/pdf/2605.21573

LatentOmni 是一個面向影音多模態大語言模型的研究項目，重點不是叫模型先把線索全都翻成文字再慢慢推理，而是讓聲音與畫面的資訊在同一個潛在空間內一起運作。簡單講，它想保留更多原始感官訊號，減少中途只靠語言猜答案的情況。

這個方向要解決的問題很明確：不少模型在看影片、聽聲音後，雖然能描述內容，但一遇到需要同時對齊時間、事件因果或細節關聯的題目，表現便會下跌。LatentOmni 提出的做法，是把文字推理流程與影音潛在狀態交錯進行，並用 OSPE 這類時間同步設計，幫助模型對準聲畫節奏。

從使用角度看，現時這個 GitHub 儲存庫仍以論文與概念介紹為主，訓練程式、推論程式、模型權重和資料集尚未正式釋出。因此較適合先拿來了解新一代多模態推理方法，或者作為研究與技術評估的參考，而不是立即部署到產品流程。

• 核心亮點是統一聲音與畫面的潛在推理，而非只輸出文字式思路
• 加入特徵層級監督與 OSPE，目標是保留時間對齊與跨模態關聯
• 配套資料集為 LatentOmni-Instruct-35K，用來訓練交錯式影音推理軌跡
• 論文指出它在多個影音推理基準上，表現優於明確文字 CoT 基線

整體來看，這個項目最吸引之處，是它把「模型怎樣思考」由文字中介，推前到更接近原始聲畫訊號的層面。適合關注 MLLM、影音理解、跨模態推理的人留意；若你想比較相關模型，也可把它與依賴文字 CoT 的開源多模態模型放在同一條線上觀察。不過現階段公開內容有限，性能細節仍應以論文報告為準，評估時要保持審慎。

GitHub： https://github.com/yfanDai/LatentOmni

Paper： https://arxiv.org/pdf/2605.22012

Mega-ASR 是一個針對野外場景而設的語音辨識項目，重點放在「環境愈差，結果仍然可用」。一般模型在雜音、回音、收音距離遠，甚至傳輸中斷時，常會出現漏句、亂寫內容或直接沒有輸出；這個項目正是為了解決這類問題而來。

它的做法不是只靠單一噪音增強，而是把真實世界常見的聲學干擾拆成 7 類基本條件，再組合成 54 種複合場景，用約 260 萬筆訓練樣本去磨練模型。論文亦提到兩個關鍵方法：A2S-SFT 與基於 DG-WGPO 的強化學習，目標是令模型由聲音訊號一路更穩定地對應到語意，特別加強嚴重失真下的語意恢復與局部關鍵字重建。

想試這個項目，最直接是查看其 Hugging Face 權重、技術報告，以及配套的 Voices-in-the-Wild-2M 資料集和 Voices-in-the-Wild-Bench 基準。對開發語音輸入、會議轉錄、客服錄音整理，或戶外收音產品的人來說，這類資源比單看示範更有參考價值，因為可以用同一套基準比較不同模型在惡劣環境下的表現。

• 針對雜音、遠場、遮擋、回音、錄音瑕疵、電子失真與傳輸掉包而訓練
• 特色是減少 hallucination、空白輸出與整句遺漏
• 提供模型權重、資料集與基準，方便延伸評估
• 相關模型可留意 Qwen3-ASR-1.7B，以及 README 提到的其他開源與閉源強模型比較

表現方面，公開資料指出它在多個惡劣條件基準上優於先前強模型，例如在 VOiCES R4-B-F 與 NOIZEUS Sta-0 的錯誤率均有明顯下降；在複合聲學場景下，亦錄得超過 30% 的相對錯誤率改善。不過這些結果主要來自論文與項目提供的評估，使用時仍要看語言種類、音訊長度和部署資源是否配合你的場景。

整體來看，Mega-ASR 最值得留意的，不是它把乾淨語音分數推高多少，而是它把語音辨識帶回更接近現場的問題：收音差、環境亂、訊號不完整時，系統還能否交出可信文本。對需要「穩定比完美更重要」的項目，這個方向相當有吸引力。

GitHub： https://github.com/xzf-thu/Mega-ASR

Paper： https://arxiv.org/pdf/2605.19833

OProver 係一個圍繞 Lean 4 建立的形式化證明框架，重點唔係單次叫模型「寫答案」，而係讓系統一邊嘗試、一邊讀取已驗證證明，再根據編譯器回饋反覆修正。對非研究背景讀者來講，可以理解成 AI 做數學題時，不只交卷一次，而係會睇提示、改錯，再重新整理答案。

實際使用上，這個專案較適合已有 Lean 4 或機器學習環境的人：一類會用它做證明推理與驗證流程，另一類會直接研究訓練管線、資料建構同檢索庫管理。儲存庫同時提供模型與資料方向，包括 OProver-8B、OProver-32B，以及 OProofs 語料，較適合想評估模型表現、重現論文流程，或建立自家證明代理系統的團隊。

它要解決的核心問題，是形式化證明往往唔能夠靠一次生成成功，尤其 Lean 4 對語法、型別同邏輯正確性要求非常嚴格。OProver 的特別之處，在於把「找相似證明」、「接收編譯器錯誤訊息」同「多輪修補」由臨時技巧，變成訓練時已經學會的整體策略，這點比只在推理階段追加外掛模組更完整。

• 支援多輪修正，而唔係只生成一次證明
• 會利用已驗證證明作檢索參考，提升命中率
• 透過 Lean 4 伺服器做機械驗證，結果更可靠
• 提供 CPT、SFT、RL 等訓練流程，覆蓋研究到實作
• 附帶大型 OProofs 資料集，方便分析 pass@k 與修復軌跡

以公開資訊看，OProofs 規模相當大，包含 1.77M 個 Lean 陳述、6.86M 個經編譯器驗證的證明，亦保留失敗嘗試與後續修復過程，這對研究「模型點樣由錯變對」尤其有價值。論文亦提到它在 MiniF2F、ProverBench、PutnamBench 等基準有突出表現；不過這類成果仍主要面向形式化數學、定理證明研究者，同一般應用型開發者的距離會稍遠。

GitHub： https://github.com/multimodal-art-projection/OProver

Paper： https://arxiv.org/pdf/2605.17283