Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
AgentVQA проверил 22 VLM на агентных задачах: лучшая набрала лишь 58,5%
Новый офлайн-бенчмарк AgentVQA из 1000 примеров в пяти доменах показал: лучшая из 22 vision-language моделей отвечает верно лишь в 58,5% случаев, а главная проблема — в зрении.
Cola2 обходит Llama-3-8B на HellaSwag, потратив в 43 раза меньше токенов
Иерархическая модель Cola2 сжимает текст в непрерывные латенты и набирает 60,10 балла на восьми задачах, обучившись на 346 млрд токенов, что в 43+ раза меньше бюджета Llama-3.
Verus-Insight учит детектор ИИ-видео находить и доказывать артефакты
Исследователи разбили поиск артефактов в сгенерированных видео на три навыка — планирование, проверку и агрегацию — и выпустили модель Verus-Insight и бенчмарк Verus-Bench.
AnyGameRenderer одевает серые ИИ-прототипы в графику и сохраняет юнитов на 62,9%
Генеративный рендерер на базе 33B-модели MiniMax-H3 превращает блокауты из игр ИИ-агентов в красивое видео; временное совпадение сущностей выросло с 50,9% до 62,9%.
WeChat открыл WeVisOne-VL: детекция, маски и матирование в одной VLM
Команда WeChat выложила в open source WeVisOne-VL: одна VLM ищет объекты, считает, читает текст и строит маски с альфа-маттами. Заявлено лидерство на 30+ бенчмарках.
DirCast сам режиссирует и комментирует киберспорт, обойдя GPT-5
Одна потоковая видео-языковая модель выбирает камеру и говорит за кастера в реальном времени. В сравнениях с GPT-4o комментарии DirCast выигрывают в 29,2% случаев.
UserArena: бенчмарк на 64 729 сессиях проверяет, можно ли симулировать покупателей
Исследователи собрали 64 729 реальных шопинг-сессий 11 010 пользователей и предложили метод OPTD, который точнее других симуляторов повторяет эффект из боевого A/B-теста.
Echo учит VLA-роботов понимать успех и провал прямо внутри действий
Исследователи встроили сигналы stop и failure в каждый action chunk VLA-модели и очищают их от шума быстрее движений. Покадровая разметка прогресса для этого не нужна.
HiSTEVE 1.0 играет в Minecraft мышью и клавиатурой: 85,0% на MineStudio Bench
VLA-агент HiSTEVE 1.0 проходит длинные задачи в Minecraft без API и скрытых состояний игры: 85,0% на MineStudio Bench, 37,4% на OpenHA и железная кирка с нуля.
Dual Exam: GPT 6 Astra набрал 31,3 балла среди мультимодальных агентов
Больше 80 авторов сделали бенчмарк Dual Exam: агентов и модели мира проверяют по отдельности. GPT 6 Astra лидирует с 31,3, а связка из 150 кейсов дала ноль успехов.
DISC учится объединять метрики сходства временных рядов и предсказывать успех переноса
Новая обучаемая схема DISC калибрует и комбинирует метрики сходства датасетов временных рядов, чтобы заранее оценивать, насколько хорошо прогноз перенесётся с источника на цель.
MMVistaReason: открытый рецепт обучения 4B-модели обходит Qwen3.5-9B на 15 бенчмарках
Авторы MMVistaReason опубликовали открытый рецепт пост-обучения: MVR-4B набрала 72,8 балла на 15 мультимодальных бенчмарках и обогнала Qwen3.5-9B (Instruct).
Обзор Shengqiong Wu и Hao Fei: 600+ работ о видеомоделях как моделях мира
Команда с участием Shuicheng Yan, Ming-Hsuan Yang и Philip Torr свела понимание и генерацию видео в одну рамку и разобрала более 600 работ в 19 таблицах.
LeWorldModel проверили на чувствительность к действиям: оси расходятся на 36–42°
Авторы препринта сравнили, как LeWorldModel и симулятор реагируют на малые изменения действий. Главные оси чувствительности расходятся на 36° в Reacher и 42° в OGBench Cube.
FocusVLA учит робота выбирать камеру по стадии задачи: +13,3 п.п. на реальных тестах
Китайские исследователи из ISCAS научили VLA-модель переключаться между общим и запястным видом по предсказанному намерению. На RoboTwin 2.0 прирост к π0.5 составил 10,10 п.п.
Команда UCLA сдвинула границу скорость—качество в speculative diffusion двумя ручками
Авторы из UCLA предлагают крутить сразу два параметра: усилие диффузии и мягкость приёма токенов верификатором. Так они расширяют границу Парето относительно одношагового драфта.
PaperFormalizer превращает LaTeX-статьи в проверенный Lean-код с участием автора
Исследователи из Стэнфорда выпустили PaperFormalizer: агентный конвейер в Claude Code или Codex, который ищет дыры в доказательствах и формализует статью в Lean.
NVIDIA открыла Flora: разметка данных для роботов в 125 раз дешевле GPT-6 Astra
NVIDIA выложила в открытый доступ Flora, движок разметки для GR00T. Он размечает 200 000 часов данных в сутки на 512 GB300 и стоит примерно в 125 раз меньше GPT-6 Astra.
Графовый токен в G-Retriever оказался пустышкой: косинус 0.985–0.998
Исследователи из Sapienza показали: «графовый токен» в G-Retriever почти одинаков для любых входов, а константа без доступа к графу не уступает методу по точности.
OPTIC сжимает per-layer embeddings Gemma 4 E4B в 100 раз и сохраняет 97,8% качества
Исследователи из VILA-Lab ужали per-layer embeddings Gemma 4 E4B примерно в 100 раз: модель сохраняет 97,8% качества на семи бенчмарках, а GPU-память падает на 29,7%.
HiP3R собирает 3D-сцены из тысяч кадров видео без дообучения моделей
Исследователи NTU Singapore предложили иерархический граф поз: сначала куски видео выравниваются в Sim(3), затем каждому кадру достаётся одна общая камера SE(3).
Nestor: вложенная разреженность в attention обошла MoE при равных затратах
Tianzhe Chu, Druv Pai и Yi Ma предложили трансформер Nestor: разреженность в attention вкладывается в MoE и даёт выигрыш при равных вычислениях и в дообучении.
Энкодер на 17 млн параметров выбирает инструмент за 14 мс на CPU
Tardelli Stekel выложил шесть открытых энкодеров от 17M до 1B для выбора из закрытого набора. Модели на 68M и 150M обходят 435M DeBERTa-v3 на 4,9 и 5,9 пункта.
Восемь агентов VibeGame собирают 2D-игру из промпта и обгоняют аналоги на GameCraft-Bench
Исследователи из Нанкина и Сингапура показали VibeGame: команда из восьми агентов собирает играбельный 2D-проект из текста и обходит другие обвязки на GameCraft-Bench.
DecisionPivot проверил 40 моделей-решателей: при равной точности разрыв до 26 п.п.
Бенчмарк DecisionPivot из 40 033 заданий показал: две модели на 27B с разницей в 2,6 пункта на референсном треке расходятся на 25,9 пункта по контрастным группам.
S-Agent 2.0 научил кодинг-агента понимать 3D и обошёл SpatialClaw на 7,8 пункта
Готовый кодинг-агент с набором 3D-инструментов поднял Qwen3.8-27B до 66,5 на MMSI-Bench и 82,3 на ReVSI. Gemini-3.8-Flash дошёл до 74,1 и 90,5.
RiseHarness учит терминальных агентов чинить собственную обвязку без дообучения
Фреймворк RiseHarness итеративно улучшает обвязку терминальных агентов при замороженных весах: сравнивает удачные и провальные запуски одной задачи и проверяет правки повторными прогонами.
Lafa на 8B параметров ускоряет генерацию текста в 2,54 раза без потери качества
Исследователи представили Lafa — модель потоковой генерации на 8 миллиардов параметров, которая генерирует текст в 2,54 раза быстрее обычных моделей без потери качества. Blockwise архитектура с bidirectional асинхронным
Бенчмарк EvaOmni проверил 24 омни-модели: лидер набрал 79,4%, но заземление — 35,1%
EvaOmni требует от моделей ответ и временные интервалы доказательств. Лидер Gemini3.7-Flash набрал 79,4% точности, но на сложных задачах B.G. упал до 12,3%.
Video-Point Model прогнозирует видео с нескольких камер и 3D-траектории точек
Video-Point Model предсказывает будущее видео с любых ракурсов и 3D-траектории точек сцены. Точечная supervision повышает качество видео и успех манипуляций робота.