Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
LM2LM: Qwen3.8-27B обгоняет GPT-6-sol в идеях улучшения LLM и на 33% дешевле
Исследователи обучили LLM с помощью RL предлагать улучшения для языковых моделей: Qwen3.8-27B обошёл GPT-6-sol на отложенных задачах и сэкономил 33% затрат на генерацию данных.
RoboHarness: кодинг-агент на Qwen3.8-Flash-Next обошёл VLA-модели в BEHAVIOR
Исследователи из Zhejiang University открыли RoboHarness: визуально-геометрическую панель управления, с которой LLM-агент обходит VLA-модели на задачах BEHAVIOR Challenge 2025.
Новый обзор систематизирует ИИ в гуманитарной сфере: шесть задач от погоды до беженцев
В обзоре на Hugging Face Daily Papers ИИ описан как инструмент для шести гуманитарных задач: прогноз погоды, энергетика, леса, бедность, ущерб после ЧС и миграция.
ARC-SORT набрал 81,82 HOTA на SportsMOT и работает на 50 fps
Трекер ARC-SORT без обучения показал 81,82 HOTA на SportsMOT с минимумом смен ID среди 69 решений и держит около 50 кадров в секунду на ноутбучной RTX 3060.
Бенчмарк SciΠvot: лучшая LLM выбирает верный план в 63,5% случаев против 73,4% у людей
Бенчмарк из 248 правок старших исследователей показал: лучшая модель выбирает верное решение в 63,5% случаев, свежий исследователь — в 73,4%. Контекст проекта моделям скорее мешает.
GlobeBench: лучшая LLM предсказывает отклик среды лишь в 49,57% задач
Бенчмарк GlobeBench из 1632 задач показал: лучшая из 20 моделей, GPT-6 Astra, верно симулирует отклик среды лишь в 49,57% случаев, а 631 задачу не решил никто.
Замороженный словарь на 16 МБ сравнялся с обучаемым в малых LLM
Исследователи заменили 168 млн параметров эмбеддингов Gemma-подобной модели замороженной таблицей в 16 МБ и на трёх из четырёх бенчмарков не проиграли.
LIBERO-Industry проверил 5 робо-политик на 216 заводских задачах
Новый бенчмарк LIBERO-Industry добавил конвейер, узкие окна действий и жёсткие допуски. Пять универсальных политик теряют качество по мере усложнения условий.
LLM-Attacker сравнивает атаки на split-LLM: градиенты подняли утечку до 37,77%
Фреймворк LLM-Attacker унифицирует проверку приватности split-LLM. На GPT-2 градиенты с сервера подняли точное восстановление документов с 13,71% до 37,77%.
Переписывание данных обошло DP-SGD по балансу приватности и качества
Контролируемое сравнение на синтетических медкартах с «канарейками»: файнтюнинг утекает больше всех, DP-SGD бьёт по качеству, а приватное переписывание даёт лучший компромисс.
Kolab: 115 часов записей показали, что ИИ-агенты не понимают коллег-людей
Исследователи из Minnesota NLP записали 50 профессионалов из 40 профессий за работой с агентами. Передовые модели переоценивают качество такого сотрудничества.
DialFork измерил процедурные галлюцинации агентов на 36 278 диалогах
Бенчмарк DialFork ловит агентов, которые говорят гладко и верно, но уходят от сценария. В нём 36 278 диалогов, 24 задачи, 12 доменов и две новые метрики: FlowKL и FlowScore.
SAE-IDF сопоставляет символы разных систем и обгоняет базовый метод до 45 пунктов
Метод SAE-IDF на разреженных автоэнкодерах сопоставляет элементы разнородных символьных систем и обходит плотный базлайн на 12 задачах с Gemma-2-9B, выигрывая до 45 пунктов.
ReaDy ускоряет декодирование гибридных LLM в 3,16 раза на одной B200
Метод ReaDy берёт рекуррентные состояния гибридных линейных моделей для спекулятивного черновика и даёт среднее ускорение 3,16x на Qwen3.8-27B и одной B200.
DAGFormer планирует связи между слоями и снижает перплексию на 17–25%
DAGFormer добавляет в трансформер прямые связи между слоями и планирует их предиктором топологии. На моделях до 1B перплексия WikiText-2 падает на 17–25%.
Исследователи нашли в Pythia окно в 0,4–1,1% претрейна, где перестраивается readout
Скрытые состояния модели кодируют задачу раньше, чем её выход это показывает. Разрыв связан с матрицей unembedding, которая перестраивается на 0,4–1,1% претрейна Pythia.
semCER взвешивает ошибки OCR по тяжести: 61 млн оценок LLM-судьи
Новая метрика semCER сохраняет разметку CER, но оценивает каждую ошибку распознавания LLM-судьёй. Авторы выложили 61 млн оценённых правок на 16 языках.
SAE на Gemma-2-2B: доля совпавших признаков выросла с 2% до 29% при 50M токенов
Эксперименты на четырёх архитектурах SAE и трёх моделях: реконструкция выходит на плато при малых бюджетах, а воспроизводимость признаков растёт с данными — 2% на 5M, 29% на 50M токенов.
REASON учит модель думать в два контура и экономит около половины вычислений
Схема REASON делит вывод на быстрый и медленный контуры: система добирает данные только там, где остаётся неопределённость, и тратит около половины вычислений.
MULTIFINGROUND: LLM узнают бухгалтерские понятия на 99%, но теряют факты
Новый бенчмарк на отчётности 90 эмитентов: модели распознают концепт с точностью до 99,4%, но в 26,6–41,9% случаев пропускают хотя бы одно связанное число.
Interlock учит агентов доводить задачи до конца: до +6,64 балла на JobBench
Фреймворк Interlock синтезирует длинные задачи для LLM-агентов. Дообучение двух моделей Qwen3.6 на собственных траекториях дало +4,00–4,50 п.п. на AutomationBench.
BlenderWorld: GPT-6-Astra обошёл Opus-5 в 3D-бенчмарке, набрав 79,9 балла
Новый бенчмарк BlenderWorld прогнал 13 передовых моделей через 223 задачи по 3D-созданию в Blender. Лидер — GPT-6-Astra с 79,9, но пространственная связность всё ещё хромает.
WinARDet лечит зацикливание MLLM-детекторов: F1 вырос с 32,16 до 39,36
Метод сжатия окон WinAR не даёт мультимодальным моделям бесконечно повторять один бокс: на плотном RSDense F1 вырос до 39,36, а доля дублей упала с 35,48% до 13,00%.
GAFU достаёт знания из генерации в UMM и поднимает VStar-Bench на 20%
Метод пост-обучения GAFU сжимает генеративные представления унифицированных мультимодальных моделей в G-токены и даёт до +20,00% к SFT на VStar-Bench.
RTAformer учит модель замечать смену отношений между объектами в видео
Исследователи предложили одноэтапный трансформер RTAformer для графов сцен в видео: он отдельно моделирует устойчивость объектов и смену связей и улучшает recall на Action Genome.
MolLean заставляет LLM проверять химию: выигрыш в 12 из 12 задач
Новый язык MolLean на базе Lean проверяет каждый шаг химического рассуждения модели. На Qwen3.6-27B он обошёл обычный chain-of-thought во всех 12 задачах из 8 800 примеров.
PrismaCoder: открытые модели 9B и 35B догоняют закрытые в генерации визуального кода
Исследователи выпустили PrismaCoder-9B и 35B, обученные на крупнейшем открытом датасете PrismaCoder-2M, где качество кода оценивает синтезированная рубрика критериев.
FLOMSS: flow matching разделил музыку на 4 стема и занял 2-е место на слух
Исследователи применили flow matching к разделению музыки на вокал, бас, ударные и остальное. Модель FLOMSS-M заняла второе место в слепом прослушивании, хотя по SDR уступила дискриминативным системам.
SliderEdit++ сглаживает ползунки в ИИ-редакторах: +18,5% и ускорение до 20 раз
Исследователи представили SliderEdit++ и бенчмарк SlideBench: метод выравнивает траекторию правки, улучшает общий балл на 18,5% и работает в 3–20 раз быстрее аналогов.
JockeyBench: 28 конфигураций LLM-агентов проиграли на скачках в Японии
Исследователи из HKUST проверили LLM-агентов на 324 японских скачках. Семь конфигураций улучшили прогноз, но все 28 ушли в минус по средней прибыли.