Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
TARSphere проверяет роботов с MLLM-мозгом на 360 эпизодах в 30 сценах
Фреймворк TARSphere гоняет мультимодальные LLM-агенты в физическом симуляторе с NPC-людьми: 360 эпизодов, 30 сцен, 8 моделей и частые столкновения с падениями.
Agent Mosaic: LLM-агенты собирают секреты из безобидных документов в 7% ответов
Исследователи прогнали 12 240 ответов агентов и показали: даже GPT-5.6-Sol выдаёт запрещённые выводы в 7,08% случаев, а правила и грифы секретности оставляют 32,37% утечек.
Зацикливание слоёв сократило обучение диффузионных LLM до 3,3 раза
Повторение ранних слоёв трансформера в каждом шаге денойзинга снизило затраты на обучение равномерных диффузионных языковых моделей до 2,8x на OpenWebText и 3,3x на FineWeb-Edu.
FrontierCS 2 проверил 12 ИИ-агентов на задачах R&D: лучший прошёл 58%
Бенчмарк из 48 исследовательских задач вырезает вклад реальных статей и просит агентов восстановить его. Claude Opus 5.5 лидирует с 58%, а на 16 задачах не прошёл никто.
SplatLab сам пишет статьи по 3D Gaussian Splatting и бьёт бейзлайны до +3,78 дБ
Автономная система воспроизводит статью по 3DGS, придумывает расширение, обучает модели и пишет рукопись. Прирост PSNR над бейзлайнами составил от +0,18 до +3,78 дБ.
Обзор: роботы учатся улучшать сам процесс обучения, но доказательств пока нет
Авторы обзора переносят идею рекурсивного самоулучшения из кода в физический мир и называют четыре условия, при которых улучшения роботов не пропадают, а копятся.
ToM2Vec учит LLM-агентов моделировать партнёра в латентных токенах
ToM2Vec строит теорию сознания партнёра в непрерывных токенах и выигрывает в Hanabi, Overcooked-AI и переговорах, в том числе в играх с незнакомой GPT-5.4.
Quant-Arena: ни одна из 9 LLM не обыграла рынок A-share в 2024 году
Новый бенчмарк проверил девять frontier-моделей на полном цикле квант-исследования. GPT-6 Astra оказалась лучшей, но ни одна стратегия не обошла равновзвешенный рынок на закрытом 2024 годе.
LASAGNA проверила 450 RAG-конфигураций: обещанные +47% дали лишь +17%
Открытый фреймворк LASAGNA прогнал 450 конфигураций RAG на восьми бенчмарках: три сильные техники retrieval обещали +47% по отдельности, а вместе дали лишь +17%.
LoopRec подбирает глубину вычислений для каждого айтема и обходит базовые модели на 4 бэкбонах
Новая архитектура LoopRec заставляет рекомендательную модель задерживаться только на сложных элементах истории. Один общий блок, гейт выхода на каждом цикле и выигрыш на четырёх семействах бэкбонов.
RealMe собирает объёмное видео 2K из минимума камер через диффузию
Фреймворк RealMe превращает разреженные съёмки низкого разрешения в 4D-согласованное объёмное видео 2K с помощью видео-диффузионной модели и частотного лосса в латентном пространстве.
PACE сжимает состояние линейных LLM до 4 бит и экономит треть памяти
PACE квантует рекуррентное состояние гибридных LLM до четырёх бит без дообучения: на моделях 4B–35B он держится на уровне 8-битного DAMP при примерно 2/3 памяти.
SERA учит VLM-планировщик самоэволюции: робот набрал 51,38% на RoboMME
Исследователи превратили VLM-планировщик в робототехнического агента с редактируемой обвязкой. SERA с самоэволюцией достигает 51,38% успеха на RoboMME против 44,38% без неё.
SpatialBrain учит замороженную VLM копить опыт: плюс на 4 из 5 бенчмарков
SpatialBrain оставляет веса VLM замороженными и добавляет 3D-память, библиотеку навыков и накопленный опыт. Итог: лучше прямых ответов на четырёх из пяти бенчмарков, на пятом ничья.
DONIC научил одну политику управлять двумя руками: 86,79% успеха без дообучения
Исследователи представили DONIC, первый универсальный трекер для двух ловких рук. Один чекпоинт даёт 86,79% успеха на новых траекториях и 57,32% на незнакомых объектах.
TraceForge учит модели на «своих мыслях»: +7,1 пункта на MBPP+
TraceForge дописывает рассуждения к ответам закрытой модели в стиле семейства студента. На коде HumanEval+ вырос на 3,7 пункта, MBPP+ на 7,1, а судья оценил трассы в 0,68.
Исследователи предложили рамку PAPAV: только 3 из 64 бенчмарков проверяют верификацию
Новая работа сравнивает компьютерных агентов и роботов через пять функций PAPAV. Из 64 бенчмарков прогноз последствий оценивают 5, проверку результата только 3.
NUS научил модель искать то, что она описала: gIoU вырос с 57,5% до 68,2%
Generalized CycleGRPO связывает описание региона и его поиск по тексту в один RL-цикл без эталонных подписей и LLM-судьи. На GroundingSuite gIoU вырос с 57,5% до 68,2%.
TenetBench: 11 из 14 LLM-конфигураций нарушают этические кодексы профессий
Новый русскоязычный бенчмарк проверяет модели по конкретным пунктам кодексов этики: 11 из 14 конфигураций выдают конфликтный контент на большинство запросов, как правило без предупреждения.
DetectorScope превращает чёрный ящик детектора ИИ-текстов в прозрачный
Исследователи из Google DeepMind научили детекторы ИИ-текстов объяснять решения: разреженные автоэнкодеры достают из модели понятные признаки без потери точности и с выигрышем на новых данных.
LLM2Cert верифицирует 81 из 105 сертификатов устойчивости и безопасности
Исследователи представили LLM2Cert и бенчмарк DynaCertBench: LLM предлагает функции Ляпунова и барьерные сертификаты, а SMT-солверы и Lean проверяют их. Итог: 77,1% задач.
Пекинский университет ускорил загрузку видео для ИИ в 1,45 раза
Команда академика Wen Gao выпустила codec4AI: хранение видео под случайный доступ даёт на 58,7% меньше данных и 1,45× к скорости загрузки против LeRobot v3.
CausalAlign лечит «забывчивость» видеомоделей: ошибки геометрии ниже на 20%
Исследователи выяснили, где диффузионные видеомодели теряют движение камеры, и выровняли их с 3D-моделью. Геометрические ошибки Wan2.2 упали более чем на 20%, а роботы стали успешнее на 10 пунктов.
LEGO-SCD учится находить изменения в 3D-сценах на 17,2 FPS без ручной разметки
Метод LEGO-SCD обучается на автоматических правках 3D Gaussian Splatting и бьёт рекорды: 67,64% mIoU на PASLCD, 75,82% на CCS3D и 17,2 FPS.
HyperDrone рендерит миллионы кадров в секунду и обгоняет аналоги в 20 раз
Новый симулятор квадрокоптеров HyperDrone с трассировкой лучей на GPU работает более чем в 20 раз быстрее аналогов и переносит политику из симуляции на реальный Crazyflie.
RLSplat учит 3D Gaussian Splatting экономить: до 4,1× быстрее и в 9,6× меньше памяти
RLSplat генерирует ровно столько гауссиан, сколько задано бюджетом, и тратит на это пропорционально меньше времени и памяти: до 4,1× быстрее и до 9,6× легче по пику.
Stratified Sparse Attention ускоряет декодинг в 2,96 раза на контексте 1M
Метод разреженного внимания SSA сочетает детерминированный top-k и выборку остатка по оценкам важности: при 50-кратной разреженности на 128K он возвращает 85% качества dense-внимания.
StyleStream 2.0 вдвое сократил задержку конверсии голоса до 520 мс
Вторая версия потокового преобразования голоса работает с задержкой 520 мс на обычной видеокарте и учится создавать и править голос по текстовому описанию.
Агенты на диффузионных LLM научились шептаться векторами: +34 пункта на QASC
Исследователи заставили диффузионные языковые модели обмениваться четырьмя скрытыми векторами вместо текста. На QASC точность выросла до 80,8%, а одна поздняя передача дала 87,8%.
RoboCasa-Shift: бенчмарк показал, где ломаются VLA-роботы на кухне
Новый бенчмарк RoboCasa-Shift разобрал GR00T N1.5 на 1 040 прогонах: два сбоя с одинаковым ΔSR=0,188 ломают робота на первом этапе в 19,0% и 36,4% случаев.