Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
DynaFlow учит главного агента писать workflow и обгоняет базу на 10,9 п.п.
Исследователи NUS обучили главного агента на Qwen3.5-27B самому писать программы для субагентов. Результат: 88,08% точности на шести бенчмарках, плюс 10,90 п.п. к сильнейшей базе.
Alibaba DAMO учит роботов на 30 тыс. часов видео без меток действий
RynnVLA-Latent от Alibaba DAMO Academy предобучается на 30,1 тыс. часов видео без разметки действий. Модель на 4 млрд параметров набрала 98,8% на LIBERO и 88,6% на RoboTwin 2.0.
AMBIT учит одну модель генерировать и редактировать 3D-звук по тексту
Команда NoizAI представила AMBIT: языковая команда превращается в ScenePlan с источниками и 3D-траекториями, а одна Transfusion-модель рендерит Ambisonics и правит готовые сцены.
SATE-Bench: мультимодальные модели бросают исследование сцены слишком рано
Новый бенчмарк SATE-Bench: 316 реальных сцен и 2525 QA-пар. Топовые MLLM прекращают обзор раньше времени и при этом уверены в ответе, а GRPO-дообучение путает их ещё сильнее.
Агенты с внутренней мотивацией DIAYN повторили поведение дрозофилы из 20 алгоритмов
Исследователи из NeuroAgents Lab обучили агентов в цифровой модели мухи по 20 алгоритмам без внешней награды. Лучше всех оказался DIAYN: он совпал с мухой и по поведению, и по нейроактивности.
Независимый критик поднял точность кодинг-агентов на 5.9–9.5 п.п.
Авторы сравнили 17 схем проверки работы агентов на семи моделях. Отдельный критик дал до +9.5 п.п. на Terminal-Bench при росте стоимости всего в 1.13–1.25 раза.
В библиотеке Ollama нашли 7 «мёртвых» моделей из 305: они не пишут код
Исследователи прогнали через тест на код 305 сжатых моделей из официальной библиотеки Ollama. Семь решили не больше 6 из 164 задач. Файлы целы, виновато сжатие без калибровки.
Агенты по-разному работают через MCP и CLI, а метод DART дал до +9 баллов
Одни и те же действия агента через MCP и командную строку дают разный результат и расход токенов. Исследователи нашли причину и починили её методом DART: до +9,0 балла.
Qwen-Image-PE учит нейросеть дизайну: энхансер промптов дал +7,81 балла
Команда Qwen обучила энхансер промптов на дизайнерских принципах: версия на 397B добавила 7,81 балла к исходным запросам, а 9B-модель уже лежит на Hugging Face.
PatEx-Gym учит ИИ-агентов искать патентные аналоги: 1 млн патентов и модель на 4B
Исследователи выпустили PatEx-Gym, среду для агентов-патентных экспертов: 1000 задач, 1 млн патентов, 52 тыс. статей и компактный агент на 4 млрд параметров.
LLM-агенты за 20 дней построили ИИ для Hearthstone Battlegrounds сильнее топ-10 игроков
Система AutoTavern не играла сама, а строила: симулятор и RL-агента TavernAgent. Рейтинг вырос с 6000 до 15 000, 80% первых мест против 59% у лучших людей.
Исследователи CMU научили RL-модели не лить воду: FORK поднял win rate с 22% до 74%
Награда FORK добавляет к рубричному RL цель по precision и лечит раздутые, неточные ответы: на HealthBench доля побед над базовой моделью выросла с 22,1% до 74,1%.
Mycelium: исследователи разложили бенчмарки галлюцинаций по трём осям
Julia Belikova и Elisei Rykov разобрали бенчмарки детекции галлюцинаций LLM по трём осям и предложили метрику Span Coverage F1 для оценки на уровне фрагментов текста.
AV-FABLE: исследователи собрали 998 часов видео для поиска точечных дипфейков
Бенчмарк AV-FABLE из 16 650 пар оригинал–подделка показал: AV-LLM не замечают правки в аудио и видео, но их скрытые признаки это знают. Метод NFSR выигрывает.
Raspberry Pi 5 без сети: подписанный отравленный пакет знаний прошёл все проверки
Авторы прогнали офлайн-RAG на Qwen2.5 1.5B/3B/7B на Raspberry Pi 5: проверки подписи пропустили 6 из 9 атак на обновления, а слоистая верификация отсекла все 9 за 4,5 мс.
RoboJev-27B определяет успех робота по 10 кадрам: AUROC 0.993 на SO-101
Открытая VLM на 27 млрд параметров смотрит 10 кадров и говорит, справился ли робот с задачей: 95,2% balanced accuracy, 0,26 секунды на эпизод и около $0,19 за тысячу оценок на H100.
C3L разрывает петлю дрейфа объяснений в continual learning: 5 бенчмарков, 20+ базлайнов
Исследователи из Тель-Авива показали, что регуляризация по собственным saliency-картам закрепляет ложные корреляции, и предложили C3L с опорой на семантические концепции класса.
ReGE учит агентов на своих попытках: +9,9 п.п. без дообучения
Исследователи TIGER-Lab предложили ReGE: агент сам пишет себе план по логам прошлых попыток. GPT-5.6 Luna догоняет Sol (67,4% против 67,0%) за 28% стоимости.
ACEdit учит редактор изображений работать на своих ошибках без деградации
ACEdit применяет Self-Forcing к редактированию изображений: модель учится на своих выходах, а учитель смотрит на исходник и составную инструкцию.
Mine-Sample-Render: трёхэтапный метод разнообразной генерации
Современные генеративные модели качественны, но однообразны. MSR (Mine-Sample-Render) — подход от Microsoft Research для разнообразной генерации на этапе тестирования. Явная процедура семплирования из корпуса заменяет вс
Разреженные автоэнкодеры: парные взаимодействия подняли rank fidelity до 0,7790
Новая метрика SAR показала: признаки SAE складываются лучше случайного базиса во всех 18 настройках, но для точного steering без парных взаимодействий не обойтись.
PathFM: генерация полных траекторий временных рядов через flow matching
Исследователи Autogluon представили PathFM — модель, которая генерирует полные траектории временных рядов вместо простых точечных прогнозов. На специальном бенчмарке fps-bench модель опередила TimesFM-3 на 10,6% и генери
Правка весов без дообучения снизила долю сексистских ответов с 57,9% до 24,3%
Исследователи из AI Interpretability @ Illinois разработали метод редактирования весов моделей. Без переобучения он снизил сексизм на 33,6 пункта и повысил честность на 6+ пунктов при попытках заставить модель врать.
Dusting the Phantom: умное распределение гауссиан для динамических сцен
Команда учёных из корейских университетов решила ключевую проблему 3D Gaussian Splatting: исчезновение быстрых объектов при видеосинтезе. Две новые стратегии — поиск недовосстановленных зон и динамическое перебалансирова
DuET снижает ошибку транскрипции фортепиано в партитуру с 6,56% до 3,64%
Исследователи из Национального университета Сингапура представили DuET — трансформер для автоматической транскрипции фортепиано в ноты. На датасете Gangqinpu модель снизила ошибку с 6,56% до 3,64%.
LexFrame читает скрытые состояния LLM: когерентность 0,97 при потолке линз 0,30
Новый метод читает скрытые состояния через оставшиеся слои самой модели. На SmolLM3-3B и OLMo3-7B он даёт когерентность 0,97, а фиксированные линзы не выше 0,30–0,35.
OmniXRef: унифицированный фреймворк для редактирования видео с мультимодальными ссылками
Adobe Research представила OmniXRef — фреймворк для редактирования видео с мультимодальными ссылками. Позволяет комбинировать текст, изображения и видео для контроля движения, камеры, стиля и эффектов. На бенчмарке OmniX
Scene-Designer обучили проектировать и критиковать 3D-сцены по тексту на 50 тыс. примеров
Scene-Designer учится проектировать и критиковать 3D-сцены из текста. Два датасета по 35 и 15 тысяч примеров. Scene-Critic достигает 89% точности в сравнении сцен, превосходя GPT-5.2.
RAP собрал 25 тысяч пар статья–постер и учит ИИ верстать постеры в HTML/CSS
Новый датасет RAP содержит 25+ тысяч пар конференцных статей и авторских постеров из событий 2022–2026. Исследователи из Meituan разработали полностью автоматизированный pipeline для преобразования постеров в стилизованн
ProD предотвращает зацикливание ИИ-агентов: тест на 8 моделях (0,6B–8B)
Малые языковые модели застревают в неправильных стратегиях при решении сложных задач. Исследователи Penn State и Microsoft CoreAI предложили ProD — метод дистилляции, который штрафует зацикливание в процессе обучения, ис