Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
WorldStream строит бесконечный 3D-мир и помнит каждую правку игрока
WorldStream достраивает играбельный 3D-мир за пределами карты, исполняет языковые команды и восстанавливает посещённые места с правками. Планируют два уровня, собирает детерминированный код.
Qwen-Audio-3.1-ASR: 30 языков, 16 диалектов и диаризация в одной модели
Qwen выпустила семейство Qwen-Audio-3.1-ASR: 30 языков, 16 китайских диалектов, диаризация с метками спикеров и понимание звука — от музыки до событий по времени.
Команда ИИ-исследователей нашла линейное внимание, которое обошло GDN2 на 1.3B
Команда постоянных ИИ-агентов с разным научным бэкграундом искала архитектуры линейного внимания и на масштабе 1.3B параметров превзошла GDN2 по языку, рассуждениям и retrieval.
DiffResearch: диффузионная LLM ускорила deep research в 6 раз
Открытый фреймворк DiffResearch заменил авторегрессионную модель на диффузионную и ускорил deep research примерно в 6 раз. Режим dFast дал ещё 1,99× на декомпозиции запроса.
Из 1 598 RL-статей в фреймворки дошли 37: аудит семи open-source стеков
Анализ коммитов семи open-source фреймворков для RL-постобучения: из 1 598 методов до кода добрались 37, а поток статей вырос в пять раз при тех же 5–7 включениях.
Исследователи прогнали 120 конфигураций CPT для игровых агентов: от 0,8B до 27B
Контролируемое исследование проверило, работает ли масштабирование для агентов в разных играх: 120 запусков, от 50 до 1 600 часов данных и модели до 27B параметров.
Исследователи научили LLM подстраиваться под диалект: метод CAP и 10 линеек моделей
Аудит 10 открытых линеек моделей показал: DPO сильнее поощряет британское и австралийское написание, чем AAE и сингльш. Метод CAP выравнивает это без вреда для стандартного английского.
Agent4Sci: Claude Opus улучшил рекорды на 20 научных бенчмарках на 10,4%
Тестовый стенд Agent4Sci показал: фронтирные агенты побивают опубликованные рекорды на всех 20 научных ML-бенчмарках, но выигрывают инженерными трюками, а не научными идеями.
MultiAgent-OPD обучает команду агентов целиком и берёт 38,68% на семи QA-бенчмарках
Исследователи TaoLive AIGC совместили on-policy дистилляцию с RL для иерархии Leader–Searcher–Answerer. Результат: 38,68% macro avg@4, на 4,06 п.п. лучше Prompted Critic.
DuoLM ускоряет LLM-рекомендации в 60 раз: 26 400 оценок в секунду на одном H100
Исследователи разделили рекомендательную LLM на энкодер и ранкер, закэшировали описания товаров и получили 26 400 оценок кандидатов в секунду на одном H100 при качестве учителя.
RoboJudge-9B судит робо-видео точнее Gemini: корреляция с людьми 0,719
Исследователи CUHK собрали бенчмарк из 800 размеченных роликов и обучили 9B-судью для видео с роботами: корреляция с людьми 0,719, на 0,089 выше Gemini-3.7-Flash.
DeCert учит ИИ-судей объяснять вердикты: 76,2 на RM-Bench у 8B-модели
Фреймворк DeCert обучает генеративные reward-модели не только выбирать верный ответ, но и обосновывать его. Qwen3-8B получает 76,2 на RM-Bench и до +14,8 к позиционной устойчивости.
OvisOCR3 на 0,8 млрд параметров обошёл OCR-модели: 96,74 на OmniDocBench v1.6
Команда ATH-MaaS выпустила OvisOCR3 — 0,8B-модель для пяти OCR-задач сразу. Она набрала 96,74 на OmniDocBench v1.6 и заняла первое место на OCRBench v2.
Bridged Self-Distillation учит малые модели рассуждать у любого учителя, даже по API
Метод BSD дистиллирует рассуждения из любой модели, включая закрытый API: учитель выдаёт только текст, а токенный сигнал для ученика даёт его же копия.
Диффузионные LLM тратят втрое больше проходов на рассказ, чем на грамматику
Анализ двух диффузионных моделей на 10 задачах показал: токен рассказа в DiffusionGemma стоит втрое дороже токена правки грамматики, а скорость декодирования помогает выбирать верные ответы.
EgoX собирает камеру, руки и объекты в одну 3D-сцену и на 65,6% точнее по рукам
Модель EgoX по видео от первого лица за один проход восстанавливает камеру, сцену, руки и объекты в общих метрических координатах. Ошибка камеры ниже на 68,9%.
OpenVLHarness добавил мультимодальным моделям память и инструменты: +9,7–12,6 балла
Обвязка OpenVLHarness с инструментами и постоянной мультимодальной памятью подняла средний балл восьми MLLM на 9,7–12,6 пункта на 22 бенчмарках, потратив до 37% токенов конкурентов.
Stateful Harness поднял точность мировых моделей с 32% до 92% на скрытом состоянии
Исследователи разделили исполнение правил и рендер видео: Stateful Harness с замороженной MiniMax-H3 выдаёт верный исход в 92% пар WorldState-Bench против 32% без него.
Гибридные LLM: рекуррентные слои глушат attention, помогает поэтапное обучение
Исследователи описали Competing Learning: в гибридных моделях рекуррентные слои быстрее учат retrieval и подавляют attention. Поэтапное обучение проверили на моделях до 1B.
Роботы делятся опытом: флот из 96 машин поднял успех упаковки с 79,2% до 98,3%
Исследователи представили Collective Experience Learning — парадигму, где развёрнутые роботы делятся опытом выполнения задач для улучшения общей политики. Система использует контексты отказов и поиск релевантных успешных
Halcyon обошла LlamaGen и JiT-T2I, потратив на претрейн в 18–275 раз меньше compute
Исследователи обучили Halcyon с нуля на 100M пар «картинка–текст» без языкового претрейна: gFD 48,0 против 63,3 у LlamaGen при 18,2× меньших затратах на обучение.
MemT-1.0 встраивает память в саму модель: хранилище меньше в 66 раз при 128K
Представлено семейство MemT-1.0 с памятью внутри вычислений модели на Gated DeltaNet-2. При истории 128K токенов Nano ускоряет инференс в 1,86 раза и сокращает хранилище в 66 раз.
ActionRoPE превращает действия игрока в координаты и режет дрейф сцены на 66%
ActionRoPE задаёт управление в игровых мировых моделях через мировые координаты без новых параметров и снижает дрейф при возврате в точку на 66% относительно лучшего baseline.
Heartbeat Thinking учит голосовых агентов работать, пока вы ещё говорите: задержка −36,4%
Новая схема для голосовых агентов запускает рассуждения и вызовы инструментов прямо во время речи. На FDBench v3 охват тулов вырос на 16 п.п., а задержка ответа упала на 36,4%.
OpenDS-World: лучший ИИ-агент решил 39% задач глубокого поиска в живом вебе
Новый бенчмарк OpenDS-World проверил 12 топовых моделей на 200 задачах в живом интернете: лучшая набрала 39,0%, а люди в 1000 независимых попыток — 21,1%.
SEAM учит TTS новым словам без аудио и режет нужду в данных на 75%
Метод SEAM инициализирует эмбеддинги новых токенов для TTS по известным подтокенам, без единой аудиозаписи, и сокращает потребность в обучающих данных до четырёх раз.
Агенты GPT теряют до 11,3 пункта точности, когда отчёт симулятора лежит в файле
Если длинный вывод PHREEQC уходит из контекста в файл, GPT-5.1 и GPT-5.2 отвечают хуже на 11,3 и 7,9 пункта, а Claude Opus 4.6 и Sonnet 4.6 просадки не показывают.
VerifierBench: 19 LLM написали верификаторы, лучший набрал лишь 62,1 балла
Новый бенчмарк проверяет, умеют ли агенты сами писать код для проверки решений. На 222 задачах 19 моделей получили от 10,6 до 62,1 баллов, а чаще всего верификаторы режут верные ответы.
Сильные ИИ-агенты передают ход человеку в 80% случаев, когда его путь короче
Эксперимент с лабиринтом на двоих показал: модели, которые решают задачу сами, делегируют человеку выборочно — около 80% первых решений при коротком маршруте у человека.
RouteWeaver учит LLM-роутер выбирать режим и дал 61,4% точности
RouteWeaver объединяет одно-, много-раундовую и агентную маршрутизацию LLM в одной политике. Средняя точность 61,4%, на 11,03% выше сильнейшего бейслайна.