Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
SpatialScout: лучший VLM-агент собрал 3D-карту комнаты лишь на 41,71%
Новый бенчмарк SpatialScout проверяет, умеют ли VLM-агенты сами исследовать сцены и строить карту объектов. Claude Opus 5.5 набрала 41,71%, а IoU выше 0,9 получили 3,25% целей.
Omni-Woodpecker снижает галлюцинации омни-LLM без дообучения: +12,9 на CMM
Команда из Нанкинского университета предложила метод OWP: он правит скрытые состояния омни-модели до декодинга и добавляет 12,9 пункта на CMM для Qwen2.5-Omni-7B.
Исследователи описали, как JEPA выбирает признаки: важны связи, а не одиночки
Mosh Levy, Aly Lidayan и Yoav Goldberg ввели «predictive closure»: JEPA сохраняет не отдельно предсказуемые признаки, а наборы, которые предсказывают друг друга.
Генераторы стакана заявок воспроизвели рыночный импакт с показателем степени чуть выше 0,5
Оксфордские исследователи выпустили бенчмарк LOB-Impact: нейромодели стакана заявок сами воспроизвели рыночный импакт, но не показали его спада после остановки торгов.
TILDE учит роботов у фундаментальных моделей и улучшает результат до 4,1 раза
Исследователи предложили TILDE: учитель из Embodied Foundation Model вмешивается в обучение студента, а AutoDAgger собирает данные восстановления вдвое быстрее людей.
Deep Fusion Memory сокращает поиск в 32 раза и бьёт бейзлайны на 12,7%
Deep Fusion Memory встраивает внешние знания в скрытые состояния замороженной LLM без поиска при инференсе: в 32 раза меньше запросов и до +12,71% на QA-задачах.
Биометрию взломали по ответам «принят/отклонён»: шаблон восстановлен в 97,6–100% случаев
Исследователи показали: даже бинарный ответ «принят/отклонён» позволяет восстановить защищённый биометрический шаблон, а диффузионная модель лица сокращает число запросов в 5 раз.
IF-MAP находит, каких агентов улучшать: вдвое больший прирост точности
Метод IF-MAP ранжирует агентов в LLM-системе по потенциалу улучшения: +3,81 п.п. от оптимизации промптов против 1,85 при равномерном выборе и до 65% экономии токенов.
ID-TAP подбирает персону для LLM-агента за десять парных сравнений
Фреймворк ID-TAP учит LLM-агентов выбирать персону под запрос по бинарным сравнениям ответов и показывает лучший совокупный результат на семи бенчмарках при бюджете в десять раундов.
LayerEditor учит редактор изображений отдавать результат в RGBA-слоях
LayerEditor объединяет правку картинки по инструкции с генерацией упорядоченных RGBA-слоёв. Для обучения собран датасет LayerEditor-100K и отдельные бенчмарки слойного редактирования.
Design Anything удерживает бриф в больших проектах: +25% на 24 артефактах
Графовая обвязка Design Anything хранит замысел дизайнера вне модели. С GPT-5.6 Sol High она выполняет 92,5% ограничений брифа, на 24 артефактах отрыв от базовых схем достигает 25,1%.
CoRE учит ИИ сам выбирать правила поиска по базам знаний без разметки
Метод CoRE совместно обучает маршрутизатор правил и ретривер без пар «запрос — правило». Проверен на трёх доменах бенчмарка STaRK-QA: наука, биомедицина и e-commerce.
MTEdit: 500 тысяч траекторий правок учат модели не терять качество за 8 шагов
Исследователи собрали датасет MTEdit на 500 тысяч многошаговых правок изображений и дообучили Qwen-Image-Edit до лучшего результата среди открытых моделей.
Xiaomi-Lens-0 на 4B параметров обошла Qwen3.5 на 5,6 пункта в RefCOCO
Xiaomi выпустила Lens-0: 4B-модель на базе Qwen3.5 рисует маски из собственных визуальных латентов, прибавляет 5,6 пункта на RefCOCO и лидирует по cIoU.
OfficeTown симулирует 23 организации и учит агентов офисной работе на 406 задачах
Исследователи собрали OfficeTown: генеративную симуляцию контор, из которой вырос бенчмарк на 406 задач и 4 836 критериев. На её данных Qwen3.5-9B заметно прибавил на GDPval.
MARS переносит текстовый отказ на видео и картинки без данных: тест на 5 MLLM
Метод MARS берет направление отказа из текстовой основы LLM и добавляет безопасность мультимодальным моделям без обучения и без опасных картинок. Проверка на пяти MLLM.
Conditional Program сжимает n-gram память DeepSeek с 203 до 51 ГБ при 2 битах
Исследователи предложили Conditional Program: 2-битное сжатие таблиц n-gram памяти режет KL-ошибку на 41–63% против round-to-nearest и ужимает таблицу DeepSeek вчетверо.
ERB: ИИ-агенты сами собирают тесты для моделей и совпадают с эталоном в 75% пар
Бенчмарк EvalResearchBench проверил 9 агентов-исследователей: их оценщики упорядочивают модели так же, как целевые тесты, в 75% пар при потолке в 91%.
MambaAct ускоряет робота на π0.5: эксперт в 10 раз меньше, задержка −64,8%
MambaAct заменяет трансформерный action expert в π0.5 компактным блоком на Mamba: он в 10 раз меньше, режет задержку денойзинга на 64,8% и поднимает успех в LIBERO.
LM2LM: Qwen3.8-27B обгоняет GPT-6-sol в идеях улучшения LLM и на 33% дешевле
Исследователи обучили LLM с помощью RL предлагать улучшения для языковых моделей: Qwen3.8-27B обошёл GPT-6-sol на отложенных задачах и сэкономил 33% затрат на генерацию данных.
RoboHarness: кодинг-агент на Qwen3.8-Flash-Next обошёл VLA-модели в BEHAVIOR
Исследователи из Zhejiang University открыли RoboHarness: визуально-геометрическую панель управления, с которой LLM-агент обходит VLA-модели на задачах BEHAVIOR Challenge 2025.
ABF-Bench: ИИ-агентов учат искать украденную крипту, но они сдаются рано
Исследователи из Imperial College London сделали тест, где ИИ-агент идёт по следу отмытых криптоактивов, а каждый его вывод проверяется по записям блокчейна. Агенты бросают поиск раньше времени.
Те же 74 задачи, другие люди: ИИ-агенты в браузере теряют 36% успеха
Исследователи девяти университетов дали браузерным ИИ-агентам одни и те же задачи, но просьбы писали разные «люди». Средний результат упал с 0,689 до 0,441.
Новый обзор систематизирует ИИ в гуманитарной сфере: шесть задач от погоды до беженцев
В обзоре на Hugging Face Daily Papers ИИ описан как инструмент для шести гуманитарных задач: прогноз погоды, энергетика, леса, бедность, ущерб после ЧС и миграция.
ARC-SORT набрал 81,82 HOTA на SportsMOT и работает на 50 fps
Трекер ARC-SORT без обучения показал 81,82 HOTA на SportsMOT с минимумом смен ID среди 69 решений и держит около 50 кадров в секунду на ноутбучной RTX 3060.
Бенчмарк SciΠvot: лучшая LLM выбирает верный план в 63,5% случаев против 73,4% у людей
Бенчмарк из 248 правок старших исследователей показал: лучшая модель выбирает верное решение в 63,5% случаев, свежий исследователь — в 73,4%. Контекст проекта моделям скорее мешает.
GlobeBench: лучшая LLM предсказывает отклик среды лишь в 49,57% задач
Бенчмарк GlobeBench из 1632 задач показал: лучшая из 20 моделей, GPT-6 Astra, верно симулирует отклик среды лишь в 49,57% случаев, а 631 задачу не решил никто.
Замороженный словарь на 16 МБ сравнялся с обучаемым в малых LLM
Исследователи заменили 168 млн параметров эмбеддингов Gemma-подобной модели замороженной таблицей в 16 МБ и на трёх из четырёх бенчмарков не проиграли.
LIBERO-Industry проверил 5 робо-политик на 216 заводских задачах
Новый бенчмарк LIBERO-Industry добавил конвейер, узкие окна действий и жёсткие допуски. Пять универсальных политик теряют качество по мере усложнения условий.
LLM-Attacker сравнивает атаки на split-LLM: градиенты подняли утечку до 37,77%
Фреймворк LLM-Attacker унифицирует проверку приватности split-LLM. На GPT-2 градиенты с сервера подняли точное восстановление документов с 13,71% до 37,77%.