Hugging Face Daily Papers
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
CyberArena сводит 12 ИИ-агентов в 466 матчах атаки и защиты в реальном времени
Новый бенчмарк CyberArena заставляет двух LLM-агентов одновременно взламывать и чинить сервисы. 12 моделей, 40 задач, 466 матчей — и потолок одиночных тестов пробит.
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%.
DisaggKD выносит учителя на отдельные узлы и ускоряет дистилляцию Qwen3.5-35B-A3B в 9B
Фреймворк DisaggKD разделяет teacher и student по узлам, стримит hidden states и считает KD-loss без полных логитов. На паре Qwen3.5-35B-A3B → 9B он быстрее colocated-запуска.
Copy-Paste Language Models добавляют голову копирования к LLM на 135M–1,7B параметров
Исследователи добавили к LM-голове легкую Copy-Paste голову и проверили её на моделях от 135M до 1,7B параметров: рост качества на всех масштабах при почти нулевых издержках.
LeanPRM: Lean разметил 152 тысячи шагов доказательств без людей и поднял точность до 74,7%
Авторы LeanPRM разметили 10 634 доказательства через Lean без аннотаторов. Верификатор на Qwen3-4B вырос с 48,2 до 74,7% точности по шагам, обойдя PRM800K.
Исследователи проверили 6 309 agent skills: у половины есть доступ к shell
Анализ 6 309 листингов из двух маркетплейсов: у 50% есть shell, у 13% доступ к учётным данным, а 59% заявленных разрешений занижают реальные возможности.
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.
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.
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.
DuoDiscover на агентах-кодерах ускорил vLLM в 1,92 раза и обошёл ArchAgent v2
Система DuoDiscover учит флот кодинг-агентов самим придумывать быстрые прокси-оценки и обгоняет людей: vLLM быстрее в 1,92 раза, дизайн CPU готов за 16,7 дня вместо 40.
HACE совместно обучает специалиста и LLM-агента в трёх доменах
Фреймворк HACE эволюционирует доменную модель и LLM-агента как пару и по основным метрикам обошёл методы самоулучшения в рекомендациях, биологии и материаловедении.
Hacker-fixer цикл закрывает дыры в верификаторах Terminal Bench, KernelBench и SETA
Новая работа предлагает автоматически искать и чинить уязвимости в проверяющем коде агентных сред. Ранняя версия метода уже принята в официальный репозиторий Terminal Bench.
Исследователи UCAS научили слабые LLM-агенты понимать навыки: до +14,1 балла без дообучения
Навыки, которые усиливают GPT-5.6-luna на 31,1 пункта, роняют Gemma-4-E4B на 8,8. Китайские авторы предложили мета-навык, который переписывает инструкции под возможности модели.
OpenMobile-2 открыл мобильного агента: 79,9 на AndroidWorld и 110 приложений
OpenMobile-2 выложили вместе со средой, данными и рецептами: 79,9 на AndroidWorld, 50,4 на MobileWorld и рост на реальных устройствах в SPA-Bench с 31,9 до 59,6.
RealityBench: 26 VLM проверили на документировании физической работы в Blender
Бенчмарк из 11 сред в Blender показал: лучшие VLM читают текст в кадре, но плохо снимают мерки и оценивают мелкие детали. В приёмке кадров они сравнимы с одним асессором.
CompactSplat распределяет 3D-гауссианы по содержанию кадра, а не по пикселям
Новый feedforward-метод реконструирует 3D-сцены по нескольким снимкам с меньшим числом гауссианов. Плотность примитивов настраивается на инференсе, без переобучения сети.
Git-аудит двух репозиториев: трейлер ИИ нашёлся в 1 из 39 коммитов с заметками агента
Исследователи проверили два репозитория с ИИ-агентами и выяснили: Co-Authored-By в Project B есть у 2,6% коммитов, где правились заметки агента. Раскрытие по git ненадёжно.
Wasserstein BaryBooster превращает реализм диффузии в точность прогноза событий
Исследователи собрали бенчмарк прогнозирования последовательностей событий и выяснили: ни один метод не выигрывает одновременно по точности и реалистичности. Выход предлагает Wasserstein BaryBooster.
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.
DScout ускоряет Qwen3-8B в 4,14 раза за счёт диффузионного черновика
DScout обучает диффузионный черновик под принятие префикса и подбирает конфигурацию под нагрузку: 3,84× на Qwen3-4B и 4,14× на Qwen3-8B против авторегрессии.
SOUL: исследователи научили VLA-роботов «забывать» галлюцинации состояния
Метод SOUL находит в VLA-моделях разреженные признаки ложного «уже схватил» и точечно стирает их, не ломая остальные навыки манипуляции. Проверено в симуляции и на реальных роботах.
miniTE ускоряет RL в NVFP4 на B300: 1,39× к BF16 на Qwen3-30B-A3B
Команда InfiX.ai выпустила открытый фреймворк miniTE для 4-битного RL: learner выдаёт 33 540 токенов/с на узле B300, а качество Qwen3-30B-A3B остаётся близким к BF16.
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.
PAIR связывает зрение и действие в VLA: успех OpenVLA-OFT вырос с 51,4% до 65%
Фреймворк PAIR учит VLA-модели общему промежуточному представлению между восприятием и действием: на реальных роботах успех OpenVLA-OFT вырос с 51,4% до 65,0%.
BRACE учит гуманоида Unitree G1 держать силу и стоять на склоне без карты высот
Новый трекер BRACE переписывает референс движения под склон и нагрузку: Unitree G1 прикладывает и компенсирует силу рук, опираясь только на проприоцепцию.
HERA учит ИИ-агентов отказываться от невыполнимых задач: точность 61,7% → 83,3%
Фреймворк HERA совместно эволюционирует обвязку агента и среду, поднимая точность отказов с 61,7% до 83,3% и перенося выигрыш на 19 других LLM.
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.