Hugging Face Daily Papers
Fuente de noticias de IA. Los artículos son seleccionados y adaptados por la redacción de Hamidun News.
Últimas publicaciones
LiveMACEBench evaluó a cinco agentes LLM en un mercado real durante 30 días
El nuevo benchmark LiveMACEBench puso a prueba a cinco modelos frontier durante 30 días en mercados financieros reales: la rentabilidad refleja mal las habilidades reales del agente.
Scene-Designer, entrenado con 35 mil ejemplos de diseño y 15 mil de crítica para escenas 3D
Scene-Designer es un agente que crea interiores 3D a partir de texto y evalúa su propio resultado. Se entrenó con 35 mil trayectorias de diseño y 15 mil ejemplos de crítica.
Consistent Distribution Matching comprime la difusión a 1 paso con un FID de 2,04
Un nuevo método de destilación prescinde de datasets y de ejecuciones del profesor: en ImageNet 256×256 logra un FID de 2,04 en un paso y 1,37 en cuatro, con 40 épocas de entrenamiento.
Un vocabulario congelado de 16 MB iguala al entrenable en LLM pequeños
Investigadores sustituyeron 168 millones de parámetros de embeddings de un modelo tipo Gemma por una tabla congelada de 16 MB y no perdieron en tres de cuatro benchmarks.
RAP reúne 25 000 pares artículo–póster y enseña a la IA a maquetar pósteres en HTML/CSS
El dataset RAP reúne más de 25 000 pares «artículo–póster» de conferencias de ML de 2022–2026 y 150 trabajos de prueba. Aquí el póster se convierte en un marcado HTML/CSS verificable.
BeliefWeaver suma 5,1 p. p. a los agentes en tareas largas; el alumno de 9B, 9,8
BeliefWeaver ayuda a los agentes a corregir errores cuya causa está varios pasos atrás. El modelo destilado de 9B logró +9,8 p. p. y recortó un 54,8% el coste del profesor.
OPMD enseña a los LLM estudiantes los cálculos internos del profesor, además de sus respuestas
On-Policy Mechanism Distillation transfiere del profesor los cálculos intermedios y lidera en precisión media entre los baselines de destilación en los tres pares profesor–estudiante.
LexFrame lee los estados ocultos de los LLM: coherencia de 0,97 frente a un techo de 0,30 para las lentes
Un nuevo método lee los estados ocultos con las capas restantes del propio modelo. En SmolLM3-3B y OLMo3-7B logra una coherencia de 0,97; las lentes fijas no pasan de 0,30–0,35.
ACT3D enseña a un VLM a explorar escenas 3D y supera a Gemini 3.6 Flash: 53,2% en seis benchmarks
ACT3D, un modelo basado en Qwen, aprende con RL a moverse por una escena 3D y a elegir sus propios ángulos: 53,2% de media en seis benchmarks con 50–70% menos de fotogramas.
EvoWeb pone a prueba a los agentes de programación con 320 solicitudes consecutivas sobre 32 aplicaciones web
El nuevo benchmark EvoWeb obliga a los agentes de IA a construir una aplicación paso a paso. La mayor debilidad de los modelos: integrar funciones nuevas con el código ya escrito.
Librarian Agents: los LLM preparan el espacio de trabajo con antelación y logran +33 p. p. en BrowseComp-Plus
Un agente constructor organiza de antemano el corpus en un sistema de archivos y otro agente responde. En BrowseComp-Plus mejora 33 p. p.; en BRIGHT, +31 de media.
OmniXRef reúne texto, fotos y vídeo en un único editor de clips
OmniXRef admite cualquier número de referencias de texto, imagen y vídeo y transfiere cinco tipos de atributos: cámara, movimiento, contenido, estilo y VFX. Los autores afirman que supera a modelos comerciales.
GlobeBench: la mejor LLM predice la respuesta del entorno solo en el 49,57% de las tareas
GlobeBench, con 1632 tareas, muestra que el mejor de 20 modelos, GPT-6 Astra, simula bien la respuesta del entorno solo en el 49,57% de los casos. Ningún modelo resolvió 631 tareas.
TabWM aprende a predecir ediciones en una base de datos: el F1 sube de 0,016 a 0,685
Con 64 ejecuciones de ejemplo, TabWM predice cómo una acción cambiará la base relacional de un sistema desconocido: F1 completo de 0,685 frente a 0,016 sin contexto.
Intact reduce del 73,1% al 12,8% el éxito de la prompt injection en agentes de navegador
Intact aísla los elementos de la página entre sí y tiene en cuenta su origen. En 1 091 páginas con ataques deja pasar el 12,8%, frente al 73,1% del planificador convencional.
Dream2Discern predice fallos de sistemas multiagente con una precisión superior al 90%
El auditor Dream2Discern aprende de variantes latentes «difíciles» de trayectorias ya registradas y supera el 90% de precisión en AFTraj-2K y StepShield sin nuevas ejecuciones.
OfficeTown simula 23 organizaciones y entrena a agentes en trabajo de oficina con 406 tareas
Un equipo de investigadores presenta OfficeTown, una simulación generativa de oficinas de la que sale un benchmark de 406 tareas y 4 836 criterios. Con sus datos, Qwen3.5-9B mejora de forma notable en GDPval.
Benchmark SciΠvot: el mejor LLM elige el plan correcto en el 63,5% de los casos, frente al 73,4% de los humanos
Un benchmark con 248 correcciones de investigadores sénior: el mejor modelo elige bien en el 63,5% de los casos; un investigador nuevo, en el 73,4%. El contexto del proyecto más bien estorba.
ARC-SORT alcanza 81,82 HOTA en SportsMOT y funciona a 50 fps
El tracker ARC-SORT, sin entrenamiento, logró 81,82 HOTA en SportsMOT con el menor número de cambios de ID entre 69 soluciones y rinde unos 50 fps en una RTX 3060 de portátil.
Una nueva revisión sistematiza la IA en el ámbito humanitario: seis tareas, del pronóstico del tiempo a los refugiados
Una revisión en Hugging Face Daily Papers presenta la IA como herramienta para seis tareas humanitarias: tiempo, energía, bosques, pobreza, daños tras emergencias y migración.
Xiaomi-Lens-0, con 4B parámetros, supera a Qwen3.5 en 5,6 puntos en RefCOCO
Xiaomi lanza Lens-0, un modelo de 4B basado en Qwen3.5 que dibuja máscaras a partir de sus propios latentes visuales, gana 5,6 puntos en RefCOCO y lidera en cIoU.
MTEdit: 500 mil trayectorias de edición enseñan a los modelos a no perder calidad en 8 pasos
Investigadores crean MTEdit, un dataset de 500 mil ediciones de imagen en varios pasos, y afinan Qwen-Image-Edit hasta lograr el mejor resultado entre los modelos abiertos.