Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
Lean4AgenticRL: многоуровневые процесс-награды довели LAR-27B до 77,3%
Исследователи Amazon создали Lean4AgenticRL — фреймворк с многоуровневыми наградами для обучения агентов инженерии ПО. Модели LAR-9B и LAR-27B превосходят аналоги: LAR-27B набирает 77,3% на TerminalBench-2.1 и 84,2% на S
HeirCommit отсекает до 83% вредных обновлений в самоэволюционных LLM
Схема EvoHeir проверяет обновлённую модель на свежих вопросах до наследования и поднимает среднюю оценку по математике на 5,3% относительно Agent0 на четырёх базовых моделях.
ACT3D учит VLM исследовать 3D-сцены и обходит Gemini 3.6 Flash: 53,2% на шести бенчмарках
Модель ACT3D на базе Qwen учится двигаться по 3D-сцене и сама выбирать ракурсы с помощью RL: 53,2% в среднем по шести бенчмаркам при 50–70% меньше кадров.
Librarian Agents: LLM заранее собирают рабочее пространство и дают +33 п.п. на BrowseComp-Plus
Агент-строитель заранее раскладывает корпус документов по файловой системе, а второй агент отвечает на вопросы. На BrowseComp-Plus выигрыш 33 п.п., на BRIGHT в среднем +31.
Intact снижает успех prompt injection в браузерных агентах с 73,1% до 12,8%
Новая архитектура Intact изолирует элементы веб-страницы друг от друга и учитывает их происхождение. На 1 091 странице с атаками она пропускает 12,8% против 73,1% у обычного планировщика.
LILIE учит генерацию картинок через язык и снижает gFD с 66,84 до 53,01
Обратимый кодировщик LILIE даёт генеративной модели языковой сигнал вместо чисто пиксельного лосса: gFD на GPIC падает на 14 пунктов, код и веса открыты.
Компетентность вместо точности: почему GPT и Qwen теряют логику в вариациях
Новая методология CBE (Competence-Based Evaluation) выявила фундаментальный дефект в логическом мышлении LLM: даже сильные GPT и Qwen модели не справляются с одним типом задач при смене формулировки. Результаты UIUC-иссл
Теорема no-hair для трансформеров: промпт забывается как t^-α, α≈0,55–0,7
Разбор показал: после t токенов расстояние между скрытыми состояниями разных промптов падает как t^-α. У обученных моделей α≈0,55–0,7, граница доказана: O(P(log t)^{L-1}/t).
Huginn обошёл Ouro на всех 10 бенчмарках: дизайн циклических LLM
Циклические языковые модели переиспользуют блоки Трансформера, но правильная архитектура — дефицитный ресурс. Исследователи из Institute of Foundation Models разобрали три дизайн-оси и показали, что Huginn превосходит Ou
MOSS-Image: открытая 5B-модель рисует длинный текст с покрытием 96,3%
Открытая диффузионная модель MOSS-Image на 5 млрд параметров показала 96,3% покрытия текста на LLTB и обещает опубликовать веса, рецепт обучения и фреймворк оценки.
MIST показал: видео-модели мира не забывают, а не выполняют команду
Новый тест MIST разделяет постановку сцены, выполнение изменения и память. M3-Agent поднял reveal score более чем втрое, а WRBench T вырос на 26,1%.
«Wait» в reasoning-моделях оказался наследством данных, а не открытием RL
Разбор обучения OLMo-3 и MiMo показывает: слово «wait» в рассуждениях моделей приходит из данных. RL поднимает MATH-500 и без него, а частота маркера ничего не доказывает.
HumanoidPose определяет позу гуманоида по видео и снижает ошибку углов на 18–32%
Система HumanoidPose восстанавливает углы суставов гуманоидных роботов только по видео. Её обучили на синтетике для 16 моделей, ошибка упала на 18–32% против лучших базовых методов.
Исследователи разметили 2122 диалога WildChat: 71,1% юридических чатов ищут личный совет
Таксономия юридических запросов к LLM, 2122 диалога из WildChat-1M и открытые модели: в 71,1% чатов с правовым контентом люди просят персональный или практический совет.
StopLoss прерывает обречённые запуски кодинг-агентов и экономит до 48% затрат
Малый внешний монитор StopLoss предсказывает провал агента по последним шагам и останавливает запуск: минус 4,5% стоимости на Verified и до 31% на SWE-bench Pro.
Смена определения «unsafe» двигает оценку guardrail от 0 до 100 при 0,03% весов
Авторы дважды разметили ~53 тыс. промптов под разные политики и обучили 20 guardrail-моделей. Разброс на бенчмарках достиг 23 раз, а часть тестов уже была в обучающих данных.
Исследователи предложили Anti-Persistence: память LLM-агентов без хранимых правил
Новая схема памяти для LLM-агентов хранит траектории и исходы, а подсказки собирает заново под каждую задачу — и тратит меньше всего вызовов LLM среди сравниваемых дизайнов.
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.