Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
SpecMRL улучшает Matryoshka-эмбеддинги: половина размерности бьёт полный MRL
Метод SpecMRL перестраивает пространство признаков в Matryoshka-эмбеддингах и на MTEB обгоняет MRL при всех проверенных размерностях, а на половине измерений превосходит даже полный MRL.
HOLI-World учит 4B-модель понимать мир по записям от первого лица
Авторы HOLI-World собрали экосистему из ~100 сцен и ~80 тыс. QA-пар, чтобы модель HOLIWORLD-VL-4B лучше понимала пространство и время по egocentric-видео.
InfiniDream: синтез 100 объектов и 20 сцен в процедурной генерации 3D-миров
InfiniDream — VLM-фреймворк для процедурной генерации фотореалистичных 3D-миров. На 100 объектах и 20 сценах показаны улучшения по четырём метрикам с сохранением редактируемости активов.
Manga2Animate: мультиагентная система превращает мангу в аниме через сценарий и раскадровку
Manga2Animate делит адаптацию манги на два шага: сценарий и раскадровку. Каждый шаг делает агент-создатель, а агент-рецензент сверяет результат с исходными панелями.
Lean-компиляция завышает точность формализации: разрыв до 29,5 п.п.
Агент с Lean компилирует 87,2% утверждений, но верными признаны лишь 57,7%. Авторы бенчмарка измерили, насколько компиляция переоценивает качество перевода в Lean.
TTR-Compressor сжимает последовательности регрессией и режет визуальные токены на 55,6%
Новый компрессор TTR-Compressor превращает токены в задачу регрессии и берёт её коэффициенты как сжатое представление: то же качество при 55,6% меньшем числе визуальных токенов.
Исследование: переобучение и лишний compute съедают 68% прироста от эволюции харнесса
Новый протокол HDA разложил прирост автоматической оптимизации агентов на 11 моделях: в среднем 54% дает переобучение, 14% — test-time scaling, а перенос на новые задачи нестабилен.
First Passage Attention заменяет сумму затуханий экстремумом: passkey на 8× длине
Новый механизм внимания FPA стирает промежуточный контекст и сохраняет старые токены. Модель на 110M параметров идеально находит passkey на 8× длины при кэше в 25%.
Исследователи проверили 16 видов подсказок для OPSD и нашли метрику отбора
16 конфигураций привилегированной информации, 3 агентных бенчмарка, 3 модели: KL-метрики предсказывают пользу подсказок для OPSD лучше, чем прямая проверка их полезности.
Механистическая неопределенность LLM: измеряем через причинную устойчивость внутренних механизмов
Ученые предложили мерить неопределенность LLM через устойчивость внутренних механизмов. Вместо анализа выходных вероятностей они изучают, насколько сильно нужно воздействовать на внутренние процессы, чтобы сбить модель.
Модель на 8B параметров обошла Claude Opus 4.8 в генерации научных идей
Исследователи из Salesforce обучили 8B модель на set-level reinforcement learning генерировать разнообразные научные идеи. На контаминационно-чистом бенчмарке она превзошла Claude Opus 4.8 и GPT-6 Astra, сохраняя исполня
LEASH передаёт сложные шаги сильному агенту и экономит 19,2% на Opus 5
Фреймворк LEASH пускает дешёвого агента за штурвал и зовёт Claude Opus 5 только в трудных местах: 73,66% на OSWorld при стоимости на 19,2% ниже.
Учёные персонализировали три MoE-LLM и нашли экспертов, отвечающих за адаптацию
Исследователи дообучили три открытые MoE-модели на датасете персонализации и с помощью кросскодеров выделили экспертов, кодирующих отдельные признаки пользователя.
Lean4AgenticRL: многоуровневые процесс-награды довели LAR-27B до 77,3%
Исследователи Amazon создали Lean4AgenticRL — фреймворк с многоуровневыми наградами для обучения агентов инженерии ПО. Модели LAR-9B и LAR-27B превосходят аналоги: LAR-27B набирает 77,3% на TerminalBench-2.1 и 84,2% на S
HeirCommit отсекает до 83% вредных обновлений в самоэволюционных LLM
Схема EvoHeir проверяет обновлённую модель на свежих вопросах до наследования и поднимает среднюю оценку по математике на 5,3% относительно Agent0 на четырёх базовых моделях.
ACT3D учит VLM исследовать 3D-сцены и обходит Gemini 3.6 Flash: 53,2% на шести бенчмарках
Модель ACT3D на базе Qwen учится двигаться по 3D-сцене и сама выбирать ракурсы с помощью RL: 53,2% в среднем по шести бенчмаркам при 50–70% меньше кадров.
Librarian Agents: LLM заранее собирают рабочее пространство и дают +33 п.п. на BrowseComp-Plus
Агент-строитель заранее раскладывает корпус документов по файловой системе, а второй агент отвечает на вопросы. На BrowseComp-Plus выигрыш 33 п.п., на BRIGHT в среднем +31.
Intact снижает успех prompt injection в браузерных агентах с 73,1% до 12,8%
Новая архитектура Intact изолирует элементы веб-страницы друг от друга и учитывает их происхождение. На 1 091 странице с атаками она пропускает 12,8% против 73,1% у обычного планировщика.
LILIE учит генерацию картинок через язык и снижает gFD с 66,84 до 53,01
Обратимый кодировщик LILIE даёт генеративной модели языковой сигнал вместо чисто пиксельного лосса: gFD на GPIC падает на 14 пунктов, код и веса открыты.
Компетентность вместо точности: почему GPT и Qwen теряют логику в вариациях
Новая методология CBE (Competence-Based Evaluation) выявила фундаментальный дефект в логическом мышлении LLM: даже сильные GPT и Qwen модели не справляются с одним типом задач при смене формулировки. Результаты UIUC-иссл
Теорема no-hair для трансформеров: промпт забывается как t^-α, α≈0,55–0,7
Разбор показал: после t токенов расстояние между скрытыми состояниями разных промптов падает как t^-α. У обученных моделей α≈0,55–0,7, граница доказана: O(P(log t)^{L-1}/t).
Huginn обошёл Ouro на всех 10 бенчмарках: дизайн циклических LLM
Циклические языковые модели переиспользуют блоки Трансформера, но правильная архитектура — дефицитный ресурс. Исследователи из Institute of Foundation Models разобрали три дизайн-оси и показали, что Huginn превосходит Ou
MOSS-Image: открытая 5B-модель рисует длинный текст с покрытием 96,3%
Открытая диффузионная модель MOSS-Image на 5 млрд параметров показала 96,3% покрытия текста на LLTB и обещает опубликовать веса, рецепт обучения и фреймворк оценки.
MIST показал: видео-модели мира не забывают, а не выполняют команду
Новый тест MIST разделяет постановку сцены, выполнение изменения и память. M3-Agent поднял reveal score более чем втрое, а WRBench T вырос на 26,1%.
«Wait» в reasoning-моделях оказался наследством данных, а не открытием RL
Разбор обучения OLMo-3 и MiMo показывает: слово «wait» в рассуждениях моделей приходит из данных. RL поднимает MATH-500 и без него, а частота маркера ничего не доказывает.
HumanoidPose определяет позу гуманоида по видео и снижает ошибку углов на 18–32%
Система HumanoidPose восстанавливает углы суставов гуманоидных роботов только по видео. Её обучили на синтетике для 16 моделей, ошибка упала на 18–32% против лучших базовых методов.
Исследователи разметили 2122 диалога WildChat: 71,1% юридических чатов ищут личный совет
Таксономия юридических запросов к LLM, 2122 диалога из WildChat-1M и открытые модели: в 71,1% чатов с правовым контентом люди просят персональный или практический совет.
StopLoss прерывает обречённые запуски кодинг-агентов и экономит до 48% затрат
Малый внешний монитор StopLoss предсказывает провал агента по последним шагам и останавливает запуск: минус 4,5% стоимости на Verified и до 31% на SWE-bench Pro.
Смена определения «unsafe» двигает оценку guardrail от 0 до 100 при 0,03% весов
Авторы дважды разметили ~53 тыс. промптов под разные политики и обучили 20 guardrail-моделей. Разброс на бенчмарках достиг 23 раз, а часть тестов уже была в обучающих данных.
Исследователи предложили Anti-Persistence: память LLM-агентов без хранимых правил
Новая схема памяти для LLM-агентов хранит траектории и исходы, а подсказки собирает заново под каждую задачу — и тратит меньше всего вызовов LLM среди сравниваемых дизайнов.