Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
3D-генерация сцен: DiT работает в 3D-латенте и кодирует сцену в 1K токенов
Исследователи переносят диффузию сцен из 2D-видов в неявное 3D-латентное пространство на базе DINOv2, SigLIP2 и DA3. По заголовку работы, сцена умещается примерно в 1K токенов.
Аудит POPE: выбор токенов «yes/no» сдвигает F1 LLaVA-1.5 на 6,13 пункта
Авторы попытались воспроизвести метод борьбы с галлюцинациями VLM и нашли ошибку в самой оценке: неверные ID токенов «yes» и «no» сдвигают F1 на POPE на 6,13 пункта.
Параллельное уточнение вместо диффузии: DRLMs достигли 93,9% на Sudoku-Extreme
Microsoft представила DRLMs — метод параллельного рассуждения, который генерирует полный черновик и итеративно его улучшает вместо обратной диффузии. На трёх сложных задачах 6M-параметровая модель достигла 44,4% (Countdo
TokenWorth учит ИИ-агентов забывать: лучший результат на трёх средах при минимуме токенов
Исследователи представили TokenWorth — лёгкую систему памяти для агентов, которая оценивает «стоимость» воспоминаний и обходит сложные аналоги на трёх средах LifelongAgentBench.
Ropedia W0 обучили на 10 тыс. часов видео людей и 3 тыс. часов роботов
Ropedia W0 — world model для ходьбы и манипуляций сразу у людей и роботов. После дистилляции она в реальном времени строит минутные прогнозы и работает в VR.
TokenGate ускоряет prefill в LLM до 11,3 раза за счёт обучаемого отсева
Liana Patel, Rishabh Ranjan, Ion Stoica, Matei Zaharia и Carlos Guestrin из UC Berkeley представили TokenGate для ускорения prefill'а в LLM. Механизм снижает потребление памяти до 3,4 раза и ускоряет TTFT до 11,3 раза бе
T2Quant перераспределяет точность по шагам диффузионных LLM: до +6,7 п.п.
Исследователи предложили T2Quant: квантизацию диффузионных языковых моделей, которая меняет разрядность активаций по шагам денойзинга и добавляет до 6,7 п.п. точности при том же бюджете бит.
RIDAR ловит нарушения добросовестности у ИИ-учёных: 3964 случая в 300 прогонах
Новый фреймворк RIDAR находит нарушения научной честности у автономных агентов с F1 85,2%. В 99,7% траекторий нашлись косяки, а runtime-режим убирает 36,8% из них.
FilmFlow: четыре агента строят траектории камеры в 3D по тексту и видео
Агентная система FilmFlow превращает текст или референсное видео в исполняемую траекторию камеры в 3D. На бенчмарке CinemaBench из 750 задач она обошла базовые методы и выиграла по оценкам людей.
BrickWright учит кодинг-агентов собирать LEGO: 100% валидных сборок против 9–69%
Фреймворк BrickWright с Python-тулкитом BrickLayer довёл долю физически корректных LEGO-сборок до 100% на 512 промптах, тогда как базовые агенты давали от 9% до 69%.
Крошечная политика на 856K параметров ускорила диффузионную LLaDA-8B
Контролируемое исследование показало, как учить политику unmasking для диффузионных LLM: 856K параметров дали лучший баланс точности и NFE на GSM8K для LLaDA-8B-Instruct.
IQuest-Q1: открытая MoE-модель на 320 млрд параметров для агентного кодинга в CLI
IQuest-Q1 — открытая MoE-модель на 320 млрд параметров, из которых активны 15 млрд. Она обучена для агентного кодинга в командной строке и собрана слиянием нескольких экспертов.
Наивный RAG обошёл агентные системы памяти в шести из семи тестов
Raw-RAG с плотным поиском и реранкингом по сырой истории диалога занял первое место в шести из семи настроек и опередил лучшую агентную память на 0,13–5,53 пункта.
AgentVQA проверил 22 VLM на агентных задачах: лучшая набрала лишь 58,5%
Новый офлайн-бенчмарк AgentVQA из 1000 примеров в пяти доменах показал: лучшая из 22 vision-language моделей отвечает верно лишь в 58,5% случаев, а главная проблема — в зрении.
Cola2 обходит Llama-3-8B на HellaSwag, потратив в 43 раза меньше токенов
Иерархическая модель Cola2 сжимает текст в непрерывные латенты и набирает 60,10 балла на восьми задачах, обучившись на 346 млрд токенов, что в 43+ раза меньше бюджета Llama-3.
Verus-Insight учит детектор ИИ-видео находить и доказывать артефакты
Исследователи разбили поиск артефактов в сгенерированных видео на три навыка — планирование, проверку и агрегацию — и выпустили модель Verus-Insight и бенчмарк Verus-Bench.
AnyGameRenderer одевает серые ИИ-прототипы в графику и сохраняет юнитов на 62,9%
Генеративный рендерер на базе 33B-модели MiniMax-H3 превращает блокауты из игр ИИ-агентов в красивое видео; временное совпадение сущностей выросло с 50,9% до 62,9%.
WeChat открыл WeVisOne-VL: детекция, маски и матирование в одной VLM
Команда WeChat выложила в open source WeVisOne-VL: одна VLM ищет объекты, считает, читает текст и строит маски с альфа-маттами. Заявлено лидерство на 30+ бенчмарках.
DirCast сам режиссирует и комментирует киберспорт, обойдя GPT-5
Одна потоковая видео-языковая модель выбирает камеру и говорит за кастера в реальном времени. В сравнениях с GPT-4o комментарии DirCast выигрывают в 29,2% случаев.
UserArena: бенчмарк на 64 729 сессиях проверяет, можно ли симулировать покупателей
Исследователи собрали 64 729 реальных шопинг-сессий 11 010 пользователей и предложили метод OPTD, который точнее других симуляторов повторяет эффект из боевого A/B-теста.
Echo учит VLA-роботов понимать успех и провал прямо внутри действий
Исследователи встроили сигналы stop и failure в каждый action chunk VLA-модели и очищают их от шума быстрее движений. Покадровая разметка прогресса для этого не нужна.
HiSTEVE 1.0 играет в Minecraft мышью и клавиатурой: 85,0% на MineStudio Bench
VLA-агент HiSTEVE 1.0 проходит длинные задачи в Minecraft без API и скрытых состояний игры: 85,0% на MineStudio Bench, 37,4% на OpenHA и железная кирка с нуля.
Dual Exam: GPT 6 Astra набрал 31,3 балла среди мультимодальных агентов
Больше 80 авторов сделали бенчмарк Dual Exam: агентов и модели мира проверяют по отдельности. GPT 6 Astra лидирует с 31,3, а связка из 150 кейсов дала ноль успехов.
DISC учится объединять метрики сходства временных рядов и предсказывать успех переноса
Новая обучаемая схема DISC калибрует и комбинирует метрики сходства датасетов временных рядов, чтобы заранее оценивать, насколько хорошо прогноз перенесётся с источника на цель.
MMVistaReason: открытый рецепт обучения 4B-модели обходит Qwen3.5-9B на 15 бенчмарках
Авторы MMVistaReason опубликовали открытый рецепт пост-обучения: MVR-4B набрала 72,8 балла на 15 мультимодальных бенчмарках и обогнала Qwen3.5-9B (Instruct).
Обзор Shengqiong Wu и Hao Fei: 600+ работ о видеомоделях как моделях мира
Команда с участием Shuicheng Yan, Ming-Hsuan Yang и Philip Torr свела понимание и генерацию видео в одну рамку и разобрала более 600 работ в 19 таблицах.
LeWorldModel проверили на чувствительность к действиям: оси расходятся на 36–42°
Авторы препринта сравнили, как LeWorldModel и симулятор реагируют на малые изменения действий. Главные оси чувствительности расходятся на 36° в Reacher и 42° в OGBench Cube.
FocusVLA учит робота выбирать камеру по стадии задачи: +13,3 п.п. на реальных тестах
Китайские исследователи из ISCAS научили VLA-модель переключаться между общим и запястным видом по предсказанному намерению. На RoboTwin 2.0 прирост к π0.5 составил 10,10 п.п.
Команда UCLA сдвинула границу скорость—качество в speculative diffusion двумя ручками
Авторы из UCLA предлагают крутить сразу два параметра: усилие диффузии и мягкость приёма токенов верификатором. Так они расширяют границу Парето относительно одношагового драфта.
PaperFormalizer превращает LaTeX-статьи в проверенный Lean-код с участием автора
Исследователи из Стэнфорда выпустили PaperFormalizer: агентный конвейер в Claude Code или Codex, который ищет дыры в доказательствах и формализует статью в Lean.