Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
Исследователи выложили датасет из 100 тысяч статей с картинками и тест из 7 метрик
Команда из Нанкинского университета и Meituan собрала 538 тысяч картинок из реальных статей и туториалов и построила тест, который проверяет ИИ-модели по семи отдельным навыкам.
ИИ учится на задачах, которые пишет сам: средний балл вырос с 57,77 до 61,05
Метод A-RSI дообучает мультимодальную модель на синтетических задачах без человеческой разметки и сам решает, когда пора сменить набор. Результат: 57,77 → 61,05 на 11 тестах.
Видео-ИИ в потоке почти не умеет переспрашивать: лучший набрал 7,22% в тесте AskStream
Китайские исследователи создали тест AskStream: умеет ли ИИ при просмотре видео вовремя попросить недостающие данные. Лучшая потоковая модель набрала 7,22 против 52,18 у офлайн-моделей.
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.
Дискретные токены картинок почти догнали непрерывные: FVQ закрыл разрыв в 59% к Emu3
Исследователи из Meituan LongCat и партнёров выяснили: ошибка квантования картинки не значит потерю смысла. Их метод FVQ довёл дискретные токены до уровня непрерывных — и обошёл Emu3-Chat на 59%.
KAIST убрал калибровку из MoE-декодинга и ускорил блоки до 2,69× к vLLM
Исследователи KAIST показали, что отбор каналов в MoE работает без калибровочных данных: 98,1% точности при чтении 17,8% весов экспертов и ускорение до 1,9× на batch one.
WebAnything сам копирует 244 сайта для обучения веб-агентов
Исследователи собрали систему, которая по обычному URL строит рабочую локальную копию сайта. На таких копиях Qwen3.5-9B после дообучения выиграла до 13,33 п.п. на WebArena-Verified.
WorkFactory: 112 тысяч офисных задач подняли Qwen с 879 до 1565 Elo
Китайские исследователи собрали задачи для 612 профессий, проверяли их пробным запуском агента и дообучили Qwen. Рейтинг модели в тесте офисной работы GDPval-AA вырос с 879 до 1565 Elo.
KAIST научил диффузионные VLM не смотреть на картинку: 35% вычислений при 99,6% качества
Метод LOWN из KAIST пропускает обработку изображения на тех шагах генерации, где текст предсказывается и без него. Итог: 35,3% вычислений и 99,6% исходного качества.
UCSD обучил картиночную модель на 3 млрд параметров за 6600 GPU-часов H100
Исследователи из UCSD разделили генерацию картинок на два этапа: авторегрессия учит «что рисовать», диффузия дорисовывает детали. Модель на 3B набрала 86 на GenEval.
TAO ускорил ИИ-агентов: первый токен быстрее до 36%, задачи до 27%
Исследователи из Шанghайского университета Цзяо Тун научили планировщик GPU учитывать, когда вернутся внешние инструменты агента. Задержка упала до 26,8%, а время до первого токена до 36,3%.
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.
Shan Yang разложил выигрыш RL: 82% — умение уложиться в токены
Сравнение 20 открытых RL-моделей с их базами показало: прирост pass@1 при малом бюджете токенов — это завершение ответа, а новые задачи RL добавляет максимум на 2,1 п.п.
Маленькая модель для финансов учится на своих ошибках: +3 п.п. без учителя
Исследователи из Беркли дообучили открытую GPT-OSS-20B на её же ошибках: +3,03 п.п. точности в сложных финансовых задачах. Сама подсказка почти ничего не значила, важно место ошибки.
Новый бенчмарк Alibaba: ИИ-агенты закрывают часть требований, но не всю задачу
Alibaba и три университета проверили десять моделей на правках реальных веб-приложений. Лучшая проходит много критериев, но целиком закрывает лишь малую долю задач.
GPT-4o mini держит 37–38 правил замены слов при 95% точности
Исследователь предложил измерять «ёмкость инструкций» модели в штуках правил, как объём памяти. GPT-4o mini уверенно держит около 37–38 правил, а при плотных заменах только 18–19.
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.