Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
LiveMACEBench проверил пять LLM-агентов на живом рынке за 30 дней
Новый бенчмарк LiveMACEBench 30 дней гонял пять frontier-моделей на живых финансовых рынках и показал: доходность плохо отражает реальные навыки агента.
Scene-Designer обучили на 35 тыс. примеров дизайна и 15 тыс. критики для 3D-сцен
Исследователи представили Scene-Designer: агент, который собирает 3D-интерьеры по тексту и сам оценивает результат. Обучен на 35 тыс. траекторий дизайна и 15 тыс. примеров критики.
Consistent Distribution Matching сжал диффузию до 1 шага с FID 2,04
Новый метод дистилляции обходится без датасета и прогонов учителя: на ImageNet 256×256 один шаг даёт FID 2,04, а четыре шага — 1,37 за 40 эпох обучения.
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.
RAP собрал 25 тысяч пар статья–постер и учит ИИ верстать постеры в HTML/CSS
Датасет RAP содержит 25 тысяч+ пар «статья — постер» с ML-конференций 2022–2026 годов и 150 тестовых работ. Постер здесь превращается в проверяемую HTML/CSS-разметку.
BeliefWeaver добавил агентам 5,1 п.п. на длинных задачах, 9B-ученик — 9,8
BeliefWeaver помогает агентам исправлять ошибки, причина которых лежит на несколько шагов раньше. Дистиллированная 9B-модель дала +9,8 п.п. и сократила затраты на учителя на 54,8%.
OPMD учит студентов LLM не только ответам, но и внутренним вычислениям учителя
On-Policy Mechanism Distillation переносит от учителя промежуточные вычисления и лидирует по средней точности среди дистилляционных базлайнов во всех трёх парах учитель–студент.
LexFrame читает скрытые состояния LLM: когерентность 0,97 при потолке линз 0,30
Новый метод читает скрытые состояния через оставшиеся слои самой модели. На SmolLM3-3B и OLMo3-7B он даёт когерентность 0,97, а фиксированные линзы не выше 0,30–0,35.
ACT3D учит VLM исследовать 3D-сцены и обходит Gemini 3.6 Flash: 53,2% на шести бенчмарках
Модель ACT3D на базе Qwen учится двигаться по 3D-сцене и сама выбирать ракурсы с помощью RL: 53,2% в среднем по шести бенчмаркам при 50–70% меньше кадров.
EvoWeb проверяет кодинг-агентов на 320 последовательных запросах к 32 веб-приложениям
Новый бенчмарк EvoWeb заставляет ИИ-агентов достраивать одно приложение шаг за шагом. Главная слабость моделей — интеграция новых функций с уже написанным кодом.
Librarian Agents: LLM заранее собирают рабочее пространство и дают +33 п.п. на BrowseComp-Plus
Агент-строитель заранее раскладывает корпус документов по файловой системе, а второй агент отвечает на вопросы. На BrowseComp-Plus выигрыш 33 п.п., на BRIGHT в среднем +31.
OmniXRef объединяет текст, фото и видео в одном редакторе роликов
Модель OmniXRef принимает любое число текстовых, image- и видеореференсов и переносит пять типов атрибутов: камеру, движение, контент, стиль и VFX. Авторы заявляют победу над коммерческими моделями.
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.
TabWM учится предсказывать правки в базе данных: F1 вырос с 0,016 до 0,685
Модель TabWM по 64 примерам выполнения предсказывает, как действие изменит реляционную базу незнакомой системы: полный F1 по правкам 0,685 против 0,016 без контекста.
Intact снижает успех prompt injection в браузерных агентах с 73,1% до 12,8%
Новая архитектура Intact изолирует элементы веб-страницы друг от друга и учитывает их происхождение. На 1 091 странице с атаками она пропускает 12,8% против 73,1% у обычного планировщика.
Dream2Discern предсказывает сбои мультиагентных систем с точностью выше 90%
Аудитор Dream2Discern учится на «трудных» латентных вариантах уже записанных траекторий и дает больше 90% точности на AFTraj-2K и StepShield без новых прогонов.
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.
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.
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.
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.
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.
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.