Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
EmbodiedLab: роботов проверили на экспериментах, и лучший решил меньше половины
Бенчмарк EmbodiedLab ставит ИИ-агента в симулятор лаборатории: 30 экспериментов, 14 установок, и даже сильнейший агент с нативным управлением справляется менее чем в половине случаев.
S3AC возвращает критика в RL для LLM: прирост от 1.5B до 397B параметров
Исследователи Shanghai AI Laboratory научили value-критика работать с длинными CoT. S3AC обошёл GRPO-X на моделях от 1.5B до 397B и выдержал обучение с одним роллаутом на 35B.
Skill∞: агент сам улучшает навыки и свой метанавык, 60,7% на SkillsBench
Исследователи NUS научили мета-агента оптимизировать навыки и переписывать собственную процедуру оптимизации. На 83 задачах SkillsBench он набрал 60,7% против 56,4% у навыков людей.
Обзор из 12 авторов описал, как доверять ИИ, который сам себя улучшает
Исследователи разобрали рекурсивное самоулучшение ИИ: четыре темы доверия, три оптики проверки и стадии S1–S4, на которых прирост качества легко оказывается иллюзией.
Work Agents: 16 исследователей собрали единую систему координат для ИИ-агентов
Обзор Work Agents описывает агента как связку модели и рабочей обвязки, вводит две оси условий работы, пять форм цифрового труда и пять семейств способностей.
MLE-World предсказывает исход ML-эксперимента без запуска: 77,9% точности
Модель MLE-World угадывает логи, ошибки и скор ML-программы по коду, без обучения. Совпадение с реальным выводом 77,9% против 41,1% у крупных LLM, прирост агента до 22,1%.
VibeVideoBench: агенты пишут видео кодом, и лучший справляется в 76,3% задач
Новый бенчмарк проверяет, могут ли ИИ-агенты за час собрать готовое видео со звуком только кодом. GPT-6 Astra и Claude Opus 5.5 впереди, но без ошибок не обходится никто.
Thinking-in-Bets: агенты фиксируют утверждения до критики и реже поддакивают
Метод без дообучения заставляет LLM-агента записать утверждения и уверенность до чтения жалобы пользователя, и ложные откаты правок при ревью патчей почти исчезают.
VMem-Bench показал: память в видеогенераторах роняет точность до 0,845
Исследователи проверили визуальную память в генерации длинных видео: recall сущностей вырос до 0,693, но избегание запрещённых объектов упало с 0,968 до 0,845.
Constrained decoding не ломает рассуждения LLM: тест на 11 открытых моделях
Исследователи проверили 4 семейства и 11 открытых моделей и показали: просадки при constrained decoding чаще вызваны разными промптами и форматами, а не самим ограничением.
OBB-PBD учит LocateAnything-3B находить повёрнутые объекты: rotIoU вырос с 0,125 до 0,303
Корейские исследователи расширили параллельное декодирование боксов до ориентированных рамок на аэроснимках: rotIoU вырос с 0,1253 до 0,303, код и 9 чекпоинтов открыты.
Бенчмарк iPrefBench: iOS-агенты выполняют 91,6% действий, но решают 47,7% задач
iPrefBench проверил 7 передовых агентов на 130 неполных задач в 26 iOS-приложениях: действия выполняются на 91,6%, но из-за слабой персонализации полный успех — до 47,7%.
ThinkBit сжимает Qwen3-14B до 3,74 ГБ и держит 94,8 на MATH-500
Авторы ThinkBit предложили двухбитную скалярную квантизацию, которая сохраняет способность к рассуждению: Qwen3-14B весит 3,74 ГБ вместо 29,5 ГБ и набирает 94,8 на MATH-500.
ProAS ускорил обучение LLM-агентов в 2,44 раза и довёл ALFWorld до 94,3%
Команда LINs-lab предложила ProAS: надстройку над GRPO без критика, которая точнее распределяет награду по шагам агента. На ALFWorld успех достиг 94,3%, на WebShop 70,8%.
AgentProofBench: исследователи CMU проверили, можно ли переиспользовать верификаторы веб-агентов
Бенчмарк AgentProofBench на 97 задачах и 4 веб-сервисах показал: верификаторы от DeepSeek Flash и Pro сохраняются в 82/96 и 79/96 случаев, а ошибки панели предсказывают провал доставки.
Δτ-Bench: лучший ИИ-агент решает лишь 42,3% задач в меняющемся мире
Исследователи UCL и соавторы выпустили Δτ-Bench: 1 588 задач в 42 доменах, где инструменты исчезают и заменяются. Лучший агент справился лишь с 42,3% задач.
DynaFlow учит главного агента писать workflow и обгоняет базу на 10,9 п.п.
Исследователи NUS обучили главного агента на Qwen3.5-27B самому писать программы для субагентов. Результат: 88,08% точности на шести бенчмарках, плюс 10,90 п.п. к сильнейшей базе.
Alibaba DAMO учит роботов на 30 тыс. часов видео без меток действий
RynnVLA-Latent от Alibaba DAMO Academy предобучается на 30,1 тыс. часов видео без разметки действий. Модель на 4 млрд параметров набрала 98,8% на LIBERO и 88,6% на RoboTwin 2.0.
AMBIT учит одну модель генерировать и редактировать 3D-звук по тексту
Команда NoizAI представила AMBIT: языковая команда превращается в ScenePlan с источниками и 3D-траекториями, а одна Transfusion-модель рендерит Ambisonics и правит готовые сцены.
SATE-Bench: мультимодальные модели бросают исследование сцены слишком рано
Новый бенчмарк SATE-Bench: 316 реальных сцен и 2525 QA-пар. Топовые MLLM прекращают обзор раньше времени и при этом уверены в ответе, а GRPO-дообучение путает их ещё сильнее.
Агенты с внутренней мотивацией DIAYN повторили поведение дрозофилы из 20 алгоритмов
Исследователи из NeuroAgents Lab обучили агентов в цифровой модели мухи по 20 алгоритмам без внешней награды. Лучше всех оказался DIAYN: он совпал с мухой и по поведению, и по нейроактивности.
Независимый критик поднял точность кодинг-агентов на 5.9–9.5 п.п.
Авторы сравнили 17 схем проверки работы агентов на семи моделях. Отдельный критик дал до +9.5 п.п. на Terminal-Bench при росте стоимости всего в 1.13–1.25 раза.
Qwen-Image-PE учит нейросеть дизайну: энхансер промптов дал +7,81 балла
Команда Qwen обучила энхансер промптов на дизайнерских принципах: версия на 397B добавила 7,81 балла к исходным запросам, а 9B-модель уже лежит на Hugging Face.
PatEx-Gym учит ИИ-агентов искать патентные аналоги: 1 млн патентов и модель на 4B
Исследователи выпустили PatEx-Gym, среду для агентов-патентных экспертов: 1000 задач, 1 млн патентов, 52 тыс. статей и компактный агент на 4 млрд параметров.
LLM-агенты за 20 дней построили ИИ для Hearthstone Battlegrounds сильнее топ-10 игроков
Система AutoTavern не играла сама, а строила: симулятор и RL-агента TavernAgent. Рейтинг вырос с 6000 до 15 000, 80% первых мест против 59% у лучших людей.
Исследователи CMU научили RL-модели не лить воду: FORK поднял win rate с 22% до 74%
Награда FORK добавляет к рубричному RL цель по precision и лечит раздутые, неточные ответы: на HealthBench доля побед над базовой моделью выросла с 22,1% до 74,1%.
Mycelium: исследователи разложили бенчмарки галлюцинаций по трём осям
Julia Belikova и Elisei Rykov разобрали бенчмарки детекции галлюцинаций LLM по трём осям и предложили метрику Span Coverage F1 для оценки на уровне фрагментов текста.
AV-FABLE: исследователи собрали 998 часов видео для поиска точечных дипфейков
Бенчмарк AV-FABLE из 16 650 пар оригинал–подделка показал: AV-LLM не замечают правки в аудио и видео, но их скрытые признаки это знают. Метод NFSR выигрывает.
Raspberry Pi 5 без сети: подписанный отравленный пакет знаний прошёл все проверки
Авторы прогнали офлайн-RAG на Qwen2.5 1.5B/3B/7B на Raspberry Pi 5: проверки подписи пропустили 6 из 9 атак на обновления, а слоистая верификация отсекла все 9 за 4,5 мс.
RoboJev-27B определяет успех робота по 10 кадрам: AUROC 0.993 на SO-101
Открытая VLM на 27 млрд параметров смотрит 10 кадров и говорит, справился ли робот с задачей: 95,2% balanced accuracy, 0,26 секунды на эпизод и около $0,19 за тысячу оценок на H100.