Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
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.
AlphaBet учит LLM-агента прогнозировать события: Brier лучше на 14,4%
Исследователи обучили GLM-4.5-Air искать данные и называть вероятности по нескольким датам. Brier на Forecast-Dojo упал с 0,731 до 0,626, на FutureX с 0,612 до 0,528.
RealCLI: лучший ИИ-агент для терминала набрал 49% в тесте на работу с человеком
Новый бенчмарк RealCLI проверяет не только, решил ли агент задачу в терминале, но и как он общается с пользователем. Лучшая из 33 конфигураций получила 49,2%, а по совместной метрике только 37,6%.
CoSTA сжимает речевые токены Step-Audio 2 mini через BPE: 10K–320K добавленных единиц
Китайские исследователи научили Step-Audio 2 mini говорить сжатыми BPE-единицами: словарь вырос на 10K–320K, декодер и токенизатор остались прежними, качество ответов сохранилось.
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.
KANLab: форк TensorFlow Playground показывает обучение KAN в браузере
Lukas Niehaus с коллегами выпустил KANLab: в браузере обучается малая сеть Колмогорова — Арнольда, а каждая B-spline-кривая видна и правится руками. Код открыт, Apache-2.0.
CyberArena сводит 12 ИИ-агентов в 466 матчах атаки и защиты в реальном времени
Новый бенчмарк CyberArena заставляет двух LLM-агентов одновременно взламывать и чинить сервисы. 12 моделей, 40 задач, 466 матчей — и потолок одиночных тестов пробит.
BeliefWeaver добавил агентам 5,1 п.п. на длинных задачах, 9B-ученик — 9,8
BeliefWeaver помогает агентам исправлять ошибки, причина которых лежит на несколько шагов раньше. Дистиллированная 9B-модель дала +9,8 п.п. и сократила затраты на учителя на 54,8%.
DisaggKD выносит учителя на отдельные узлы и ускоряет дистилляцию Qwen3.5-35B-A3B в 9B
Фреймворк DisaggKD разделяет teacher и student по узлам, стримит hidden states и считает KD-loss без полных логитов. На паре Qwen3.5-35B-A3B → 9B он быстрее colocated-запуска.
Copy-Paste Language Models добавляют голову копирования к LLM на 135M–1,7B параметров
Исследователи добавили к LM-голове легкую Copy-Paste голову и проверили её на моделях от 135M до 1,7B параметров: рост качества на всех масштабах при почти нулевых издержках.
LeanPRM: Lean разметил 152 тысячи шагов доказательств без людей и поднял точность до 74,7%
Авторы LeanPRM разметили 10 634 доказательства через Lean без аннотаторов. Верификатор на Qwen3-4B вырос с 48,2 до 74,7% точности по шагам, обойдя PRM800K.