dNaViT: los códigos discretos son representaciones visuales de propósito general
El modelado autorregresivo discreto, en particular mediante la predicción del siguiente token, se ha convertido en un pilar de los modelos de lenguaje modernos. Extender este paradigma a la visión permite que los modelos visuales y de lenguaje converjan en un marco unificado,…
Traducción automática · Título original: dNaViT: Discrete Codes are General-Purpose Visual Representations
Autores: Xiaotong Li, Zhengrong Yue, Xu Huang y 9 más
LowRAM: claves de bajo rango y valores amortizados para la compresión componible de la caché KV en tiempo de prueba
La decodificación autorregresiva depende de la caché KV, cuya huella de memoria crece linealmente con la longitud del contexto y limita el tamaño de lote y el rendimiento. Los métodos posteriores al entrenamiento existentes explotan la redundancia entre tokens, capas y…
Traducción automática · Título original: LowRAM: Low-Rank Keys and Amortised Values for Composable KV Cache Compression at Test-Time
Autores: Teresa Delgado, Hugo Hazard, Martin Benfeghoul y 2 más
La sorprendente eficacia de eliminar pesos en el postentrenamiento de LLM
¿Qué tan poco tiene que cambiar un modelo de lenguaje grande (LLM) preentrenado para adquirir nuevas capacidades? Descubrimos que poner a cero menos del 0,05 % de sus pesos, sin ninguna otra modificación, iguala al ajuste fino completo (FFT) a escala en tres regímenes de…
Traducción automática · Título original: The Surprising Effectiveness of Deleting Weights in LLM Post-Training
Autores: Jack Lu, Zhenbang Yang, Mike Lasby y 3 más
Open-HumanScale: una receta abierta para escalar la experiencia humana y robótica para modelos fundacionales encarnados
El video humano en primera persona ofrece una fuente escalable de prioridades de manipulación para el aprendizaje robótico, pero traducir la escala de datos brutos en políticas robóticas generalizables exige una curación de datos y recetas de entrenamiento rigurosas.…
Traducción automática · Título original: Open-HumanScale: An Open Recipe for Scaling Human and Robot Experience for Embodied Foundation Models
Autores: Juncheng Ma, Jiaxin Li, Jiankai Tu y 28 más
RoboColosseum: Evaluación de la inteligencia física a escala en entornos reales
Las políticas de robots de propósito general deben funcionar en distintos robots, tareas y entornos; sin embargo, la variación que hace informativos los ensayos físicos también los vuelve difíciles de reproducir. Presentamos RoboColosseum, un marco de evaluación distribuido que…
Traducción automática · Título original: RoboColosseum: Evaluating Physical Intelligence at Scale In-The-Wild
Autores: Tan Sang Nguyen, Yi Ru Wang, Shailesh Shailesh y 24 más
OneTrans-GSR: A Generative Slate Ranking Paradigm Unifying Reranking and Mix-Ranking with One Autoregressive Transformer
Industrial recommender systems allocate substantial computation to pointwise candidate scoring, yet separate reranking and mix-ranking stages still assemble the final exposure slate using hand-crafted rules and specialized low-capacity models. Mix-ranking combines product…
Autores: Feng Cheng, Yu-Hsuan Huang, Fengyi Wang y 13 más
Los LLM no saben lo que saben: evaluación comparativa del autoconocimiento temporal para backtesting financiero
Los backtests financieros de modelos de lenguaje grandes (LLM) solo son significativos si el modelo no conocía ya los resultados que se le pide predecir. Los profesionales se protegen de esto confiando en la fecha de corte de conocimiento indicada por el proveedor,…
Traducción automática · Título original: LLMs Don't Know What They Know: Benchmarking Temporal Self-Knowledge for Financial Backtesting
Autores: Lingfei Qian, Yan Wang, Xueqing Peng y 12 más
Lee menos, resuelve más: lectura dispersa y eficiente en tokens de contenido externo para agentes de IA
Los agentes de IA orientados a la web acceden repetidamente a páginas web, documentos, repositorios y respuestas de herramientas, pero las interfaces de lectura suelen exponer objetos completos cuando solo se necesita evidencia dispersa. Esta lectura excesiva aumenta los costos…
Traducción automática · Título original: Read Less, Solve More: Token-Efficient Sparse Reading of External Content for AI Agents
Axion 1.0: modelos fundacionales de agentes abiertos, simplificados
Presentamos Axion 1.0, un modelo fundacional de agentes totalmente abierto que combina capacidades agénticas sólidas y amplias con una receta de entrenamiento notablemente simple. Axion 1.0 se entrena en solo tres etapas: dos etapas ligeras de ajuste fino supervisado seguidas…
Traducción automática · Título original: Axion 1.0: Open Agent Foundation Models, Simplified
Autores: Yuqi Jia, Yunjie Tian, Jiayu Zheng y 4 más
Halley: un plano de control predictivo para redes ópticas de centros de datos de IA
Un modelo de IA de frontera se entrena en un centro de datos de IA, en decenas de miles de aceleradores conectados por una red dedicada, y cada paso de entrenamiento termina con todos ellos intercambiando datos a la vez. Entre los racks, esa red es óptica, y cada una de sus…
Traducción automática · Título original: Halley: A Predictive Control Plane for Optical AI Data Center Networks
MACaQ: cuantización calibrada rápida y agnóstica al modelo para pesos y activaciones de baja precisión
La cuantización de pesos y activaciones puede reducir el costo de memoria y cómputo de la inferencia en redes neuronales, pero los métodos recientes a menudo requieren una optimización costosa y una propagación de transformaciones de base específica de la arquitectura entre…
Traducción automática · Título original: MACaQ: Fast, Model Agnostic Calibrated Quantization for Low-Precision Weights and Activations
Autores: Lorenz K. Muller, Philippe Bich, Chiara Boretti y 3 más
Ropedia Xperience 2: un estándar de oro para escalar entornos y comportamientos de IA física
Recientemente se ha demostrado que grandes modelos fundacionales como GPT-6 Astra y Claude Fable 5.1 controlan robots directamente a partir de observaciones visuales. Sin embargo, siguen siendo frágiles en tareas de largo horizonte y con mucho contacto en entornos del mundo…
Traducción automática · Título original: Ropedia Xperience 2: A Gold Standard for Scaling Physical AI Environments and Behaviors
Autores: Hao Li, Fangzhou Hong, Zhaoxi Chen y 18 más
Paper de arXiv destacado en Hugging Face Daily Papers
YANAMI: un conjunto de datos y benchmark multimodales a gran escala para la interacción con estado multiturno
Los Modelos Multimodales Unificados (UMM) integran la comprensión visual, la generación y la edición dentro de un único marco unificado. Sin embargo, los conjuntos de datos y benchmarks multimodales unificados existentes siguen dominados por tareas de un solo turno. Incluso en…
Traducción automática · Título original: YANAMI: A Large-Scale Multimodal Dataset and Benchmark for Multiturn Stateful Interaction
Autores: Shengyu Wang, Tengyue Nong, Junming Liu y 10 más
Paper de arXiv destacado en Hugging Face Daily Papers
Bajo la superficie: lo que pasamos por alto cuando hablamos de la evolución de los agentes
La evolución del harness de agentes permite la mejora recursiva autónoma (RSI) sin actualizar los pesos del modelo. Examinamos si las puntuaciones más altas en los benchmarks producen una mejora fiable, eficiente y transferible. Evaluamos cuatro métodos en distintos harness, en…
Traducción automática · Título original: Beneath the Surface: What We Overlook When We Talk About Agent Evolution
Longtail-SWE: tareas SWE de alta calidad para lenguajes poco representados
Los benchmarks desafiantes a nivel de repositorio siguen siendo limitados para muchos ecosistemas de lenguajes de programación, donde filtrar candidatos escasos con descripciones ambiguas o pruebas defectuosas puede descartar problemas de ingeniería valiosos. Presentamos…
Traducción automática · Título original: Longtail-SWE: High-Quality SWE Tasks for Underrepresented Languages
Autores: Vladimir Dobrovolskii, Ibragim Badertdinov, Alexander Golubev
D3D: Decoupled Diffusion Drafting for Asynchronous Speculative Decoding
Los drafters de difusión condicionados por el objetivo predicen tokens candidatos en paralelo, pero cada nuevo bloque debe esperar a que se actualicen los estados ocultos del modelo objetivo. Esto obliga a que el drafting y la verificación se ejecuten de forma secuencial, lo…
Traducción automática · Título original: D3D: Decoupled Diffusion Drafting for Asynchronous Speculative Decoding
Autores: Baoyou Chen, Ruiqiao Mei, Guancong Lin y 4 más
Enrutar cualquier cosa: un estudio del enrutamiento de modelos y políticas para sistemas de IA de propósito general
La inteligencia artificial general (AGI) requiere un método capaz de comprender, generar, razonar y actuar en diversos dominios y modalidades. En lugar de depender de un único modelo que domine todas las capacidades, un camino prometedor hacia la AGI consiste ahora en orquestar…
Traducción automática · Título original: Route Anything: A Study of Model and Policy Routing for General-Purpose AI Systems
Autores: Pengfei Zhou, Yixing Ma, Hexin Wang y 4 más
Paper de arXiv destacado en Hugging Face Daily Papers
Aprendizaje en contexto del mundo para la manipulación robótica agéntica
Las políticas de acción entrenadas escriben la habilidad de manipulación en los pesos de la red, vinculando lo aprendido a la distribución de la que se aprende. El aprendizaje en contexto (ICL) evita este acoplamiento pero no ha igualado a las políticas entrenadas, porque una…
Traducción automática · Título original: World In-Context Learning for Agentic Robot Manipulation
Autores: Heng Fang, Zehui Guo, Yuehan Zhang y 3 más
MoviEdit: edición de video de múltiples tomas y formato largo hecha fácil
La edición de video de múltiples tomas y formato largo requiere que una edición prevista se mantenga coherente a través de cambios abruptos de escena, punto de vista y apariencia del sujeto, mientras se procesa un contexto visual sustancialmente más largo que el de los editores…
Traducción automática · Título original: MoviEdit: Long-form Multi-Shot Video Editing Made Easy
Autores: Suhyeon Lee, Zhengang Li, Soo Ye Kim y 6 más
Generación de video en streaming en pocos pasos mediante desplazamiento de condiciones
El muestreo en pocos pasos reduce el costo de la generación de video en streaming. Distribution Matching Distillation (DMD) supervisa a los generadores de pocos pasos con una red de puntuación falsa separada, lo que añade memoria y cómputo de entrenamiento y debe seguir al…
Traducción automática · Título original: Few-Step Streaming Video Generation via Condition Shifting
Autores: Deyuan Liu, Jungang Li, Kaiwen Zheng y 8 más
DreamX: el modelo de difusión de video es un aprendiz universal de acciones latentes
Aprender una representación universal de acciones a partir de video requiere modelar dinámicas que sean consistentes entre distintas ejecuciones de la misma acción y, a la vez, invariantes a cambios de corporalidad y apariencia. Los modelos de acciones latentes existentes…
Traducción automática · Título original: DreamX: Video Diffusion Model is a Universal Latent Action Learner
Autores: Jisoo Kim, Chaehyun Kim, Junsu Kim y 6 más
Paper de arXiv destacado en Hugging Face Daily Papers
BirdDreams: generación conjunta de vídeo en perspectiva y BEV para un modelo de mundo de conducción plausible y reactivo
Los modelos de mundo de conducción buscan simular cómo se desarrolla una escena bajo distintas acciones del ego. Esto requiere un movimiento plausible de los vehículos circundantes, así como un control preciso de la trayectoria del ego. Aprender el movimiento de los vehículos…
Traducción automática · Título original: BirdDreams: Joint Perspective and BEV Video Generation for a Plausible, Reactive Driving World Model
Autores: Junyoung Seo, Jaewoo Seo, Seungryong Kim y 3 más
Una tabla, muchas consultas: evaluación comparativa de modelos tabulares generalistas en generación, imputación y predicción
La generación, la imputación y la predicción evalúan aspectos distintos de una misma distribución tabular, pero suelen evaluarse por separado. Esto deja sin claridad qué capacidades comparten, cómo interactúan sus objetivos de entrenamiento y si un solo modelo puede desempeñar…
Traducción automática · Título original: One Table, Many Queries: Benchmarking Generalist Tabular Models Across Generation, Imputation, and Prediction
Autores: Yuanrui Wang, Kaifang Li, Xuanyue Li y 4 más
On the Design of Hyper-Connections: Simplification, Stability, and Scalability
Hyper-Connections (HC) architectures are increasingly adopted in frontier language models, yet their components remain insufficiently understood and introduce non-negligible training overhead. In this work, we systematically study the HC architecture to understand its…
Autores: Xiangdong Zhang, Xiaohan Qin, Sunan Zou y 8 más
Democratizar los agentes de uso de robots: un arnés unificado con modelos abiertos
Los agentes de uso de robots (RUA) han mostrado capacidades prometedoras de manipulación zero-shot, pero la dependencia de modelos propietarios de frontera limita la investigación sobre entrenamiento adicional. Para democratizar la investigación en RUA, presentamos…
Traducción automática · Título original: Democratizing Robot-Use Agents: A Unified Harness with Open Models
Autores: Jiarui Yuan, Yuxin Zuo, Xiaoyu Huang y 25 más
¿Lo aleatorio es casi suficiente? Compresión de benchmarks estable y de bajo costo mediante BestRand
La compresión de benchmarks reduce el tiempo y el costo, a menudo prohibitivos, de la evaluación de modelos al evaluarlos en un subconjunto pequeño del benchmark que coincide estrechamente con los resultados del benchmark completo. Para cuantificar el error de estimación,…
Traducción automática · Título original: Random Is Almost Enough? Stable and Low-Cost Benchmark Compression via BestRand
Autores: George Ling, Shanshan Zhong, Lijin Yang y 3 más
Wave Forcing: hacia la generación de video en streaming a la velocidad de la luz
La generación de video largo en tiempo real requiere una salida continua con apariencia consistente y movimiento natural. Los métodos autorregresivos por fragmentos existentes enfrentan desafíos tanto en la eficiencia de generación como en la calidad del video largo: la…
Traducción automática · Título original: Wave Forcing: Towards Speed-of-Light Streaming Video Generation
De la fragmentación a la fusión: un estudio y hoja de ruta para los embeddings omnimodales
Los modelos de embeddings sustentan prácticamente todos los sistemas modernos de IA, desde los motores de búsqueda hasta los sistemas de recomendación. Pese a compartir fundamentos matemáticos, la investigación sobre modelos de embeddings sigue fragmentada por modalidad: las…
Traducción automática · Título original: From Fragmentation to Fusion: A Survey and Roadmap for Omnimodal Embeddings
Autores: Ziyin Zhang, Yuyu Guo, Ying Zhang y 15 más
La generación de video se encuentra con el arnés de agentes: generación de video agéntica, modelado del mundo agéntico y automejora recursiva
La generación de video está pasando de la síntesis de extremo a extremo hacia la generación agéntica, donde la planificación, el uso de herramientas y la retroalimentación permiten videos de múltiples tomas coherentes y controlables. En paralelo, los modelos del mundo de video…
Traducción automática · Título original: Video Generation Meets Agent Harness: Agentic Video Generation, Agentic World Modeling and Recursive Self-Improvement
Autores: Liaoyuan Fan, Yuhao Zheng, Dongxing Mao y 18 más
Apriel Voice 27B Preview: un modelo abierto para voz, razonamiento y uso de herramientas
Un asistente de voz capaz debe hacer más que reconocer palabras; debe entender solicitudes, razonar sobre el contexto, mantener conversaciones y actuar mediante herramientas. Presentamos Apriel Voice 27B Preview, un modelo abierto de voz y lenguaje que unifica estas capacidades…
Traducción automática · Título original: Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool Use
Autores: Aman Tiwari, Akshay Kalkunte, Akintunde Oladipo y 28 más
Leer, asignar, enrutar: tokenización acoplada por roles para Transformers generativos en espacio de píxeles
Los Transformers generativos en espacio de píxeles suelen usar un token por parche de imagen, por lo que capturar detalles más finos requiere más tokens y encarece cada vez más la atención global. Observamos que el detalle más fino no requiere necesariamente más comunicación…
Traducción automática · Título original: Read, Allocate, Route: Role-Coupled Tokenization for Pixel-Space Generative Transformers
Autores: Jiongfan Yang, Weichen Fan, Haiwen Diao y 2 más
Paper de arXiv destacado en Hugging Face Daily Papers
L3G-World: generación de mundos infinitos en tiempo real con memoria latente de Gaussianas 3D
Los modelos de mundo interactivos generan contenido visual condicionado por las acciones del usuario, pero mantener la coherencia espacial en exploraciones de largo horizonte en tiempo real sigue siendo un desafío. Los enfoques existentes dependen del contexto temporal o de…
Traducción automática · Título original: L3G-World: Real-Time Infinite World Generation with Latent 3D Gaussian Memory
Autores: Jinhyeok Choi, JoungBin Lee, Jongmin Lee y 5 más
Paper de arXiv destacado en Hugging Face Daily Papers
HairDeck: tarjetas de cabello estilizadas listas para animación a partir de una sola imagen
El cabello de los personajes estilizados en juegos y avatares se construye con tarjetas de cabello: cintas colocadas por el artista cuya geometría es el cabello visible, animadas mediante huesos de resorte. Los métodos existentes basados en imágenes producen cabello realista o…
Traducción automática · Título original: HairDeck: Animation-Ready Stylized Hair Cards from a Single Image
Autores: Yuze He, Yixiang Wei, Wang Zhao y 3 más
Paper de arXiv destacado en Hugging Face Daily Papers
Wizard: manipula cualquier mundo en tiempo real mediante control agéntico
Los recientes avances en modelos de mundo de video han permitido generar entornos virtuales cada vez más realistas e interactivos, abriendo nuevas posibilidades para jugabilidades personalizables por el jugador. Los marcos agénticos impulsan aún más esta dirección al desacoplar…
Traducción automática · Título original: Wizard: Manipulate Any World in Real Time via Agentic Control
La generación de texto a imagen en uno o pocos pasos debe representar con precisión los detalles especificados en el prompt pese a las limitadas oportunidades de refinamiento. La destilación por coincidencia de distribuciones (DMD) utiliza diferencias de puntuación para acercar…
Traducción automática · Título original: Intrinsic Distribution Matching
Autores: Deyuan Liu, Yansen Han, Kaiwen Zheng y 7 más
Demostrar y mejorar la hipótesis de la representación platónica con JEPAs
Que los modelos entrenados con distintas modalidades converjan hacia la misma representación del mundo es un tema central en la IA. La hipótesis de la representación platónica (PRH) conjetura que lo hacen a medida que escalan, pero sin una demostración no ofrece ni una garantía…
Traducción automática · Título original: Proving and Improving the Platonic Representation Hypothesis with JEPAs
Venus-DefakerOne2: un modelo fundacional de visión forense con una cobertura más amplia
La falsificación en el mundo real es intrínsecamente heterogénea: se manifiesta no solo como manipulación digital, sino también como suplantación física, y no solo en imágenes, sino también en videos. A pesar de los avances sustanciales, un modelo fundacional unificado…
Traducción automática · Título original: Venus-DefakerOne2: A Vision-Forensics Foundation Model with Broader Coverage
Autores: Chenfan Qu, Yachao Liang, Mingqi Fang y 27 más
¿Pueden los tokens discretos servir como representaciones semánticamente sin pérdida de señales visuales?
Los tokens visuales discretos representan la visión en una forma discreta análoga al lenguaje, ofreciendo una interfaz nativa para el modelado multimodal bajo un objetivo compartido de predicción del siguiente token. Sin embargo, se asume ampliamente que el error de…
Traducción automática · Título original: Can Discrete Tokens Serve as Semantically Lossless Representations of Visual Signals?
Autores: Jialv Zou, Xiaotong Li, Zhengrong Yue y 6 más
Paper de arXiv destacado en Hugging Face Daily Papers
Sigue el gradiente: rastrear la degradación de la seguridad hasta los datos de entrenamiento
El ajuste fino de modelos de lenguaje grandes (LLM) con datos de instrucciones puede erosionar silenciosamente su seguridad, incluso cuando ningún ejemplo de entrenamiento parece dañino. Como estos datos que degradan la seguridad parecen benignos, los filtros de contenido…
Traducción automática · Título original: Follow the Gradient: Tracing Safety Degradation Back to Training Data
Autores: Saket Reddy, Amro Abbas, Anshuman Suri y 3 más
Explora los datos de OpenAI Signals sobre 165 actividades laborales en casi 100 países, que revelan cómo las personas usan ChatGPT para trabajar y cómo cambia su uso con el tiempo.
Traducción automática · Título original: ChatGPT’s expanding world of work
Agentes de trabajo: sistemas, capacidades y optimización
A medida que los modelos fundacionales evolucionan de la generación de información a la ejecución de trabajo digital, los agentes son cada vez más capaces de completar tareas complejas en herramientas, aplicaciones y flujos de trabajo. Sin embargo, la investigación existente…
Traducción automática · Título original: Work Agents: Systems, Capabilities, and Optimization
Autores: Zishan Xu, Enjun Du, Mingqi Gao y 13 más
Paper de arXiv destacado en Hugging Face Daily Papers
OmniShowcase: generación de video omnidireccional con consistencia de sujeto a partir de imágenes multivista
Generar videos de un sujeto específico a partir de unas pocas imágenes de referencia sigue siendo un desafío cuando la cámara revela superficies que no son visibles en la entrada. Los primeros métodos de sujeto a video (S2V) se condicionan con una sola imagen de referencia y,…
Traducción automática · Título original: OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View Images
Autores: Junyeong Ahn, Geonwoo Kim, Kinam Kim y 4 más
Memory Tax: diseccionando el valor neto de la memoria de los agentes
La memoria se usa cada vez más en agentes de horizonte largo, pero el valor neto de construir memoria frente a la recuperación directa del historial sin procesar sigue sin estar claro. Mediante una evaluación a gran escala en múltiples benchmarks y modelos base, encontramos que…
Traducción automática · Título original: Memory Tax: Dissecting the Net Value of Agent Memory
Autores: Xuan He, Sining Zhoubian, Ruozhen Yang y 8 más
AV-FABLE: Análisis forense de manipulación audiovisual en videos de larga duración
Las manipulaciones localizadas con IA en videos de larga duración suelen afectar a eventos breves dentro de un contenido por lo demás auténtico, lo que hace que la clasificación a nivel de video sea insuficiente para el análisis forense. Los benchmarks existentes de deepfakes…
Traducción automática · Título original: AV-FABLE: Audio-Visual Manipulation Forensics in Long-Form Videos
Autores: Yuesheng Huang, Hoi Fan Au, Jiaqi Hou y 8 más
WorldCast: generación de video de personajes con consistencia del mundo y control de cámara de gran ángulo
El control preciso de la cámara es esencial para la generación cinematográfica de video de personajes, pero los métodos existentes tienen dificultades para seguir trayectorias de gran ángulo con rotación, traslación y variación de radio combinadas desde acimuts iniciales…
Traducción automática · Título original: WorldCast: World-Consistent Character Video Generation with Large-Angle Camera Control
Extracción eficiente de audio y vídeo del hablante objetivo en streaming para escenarios acústicos del mundo real
La extracción de audio y vídeo del hablante objetivo en streaming (AVTSE) es esencial para aplicaciones sensibles a la latencia. Sin embargo, los sistemas causales actuales presentan dos brechas acopladas. Primero, los benchmarks estándar fijan el número de hablantes en dos e…
Traducción automática · Título original: Efficient Streaming Audio-Visual Target Speaker Extraction for Real-World Acoustic Scenes
Juicio por rastro: evaluación comparativa de los arneses de agentes de IA para la fiabilidad y la atribución de fallos
Los agentes LLM se usan cada vez más para resolver problemas del mundo real, y su eficacia depende tanto de los modelos subyacentes como de los arneses que sustentan su funcionamiento. Sin embargo, la mayoría de los benchmarks existentes se centran en las capacidades de los…
Traducción automática · Título original: Trial by Trace: Benchmarking AI Agent Harnesses for Reliability and Failure Attribution
Autores: Zhiyong Cao, Hengjie Zhu, Yongxin Wang y 20 más
Hacer que los latentes de los MLLM importen: aprendizaje predictivo con reconocimiento de factores para la generación de video cinematográfico
La generación de video cinematográfico requiere tanto inferencia temporal a partir de entradas limitadas (es decir, una guía dispersa en lugar de fotograma por fotograma) como un control con reconocimiento de factores de personaje, escena, acción y cámara. Los modelos de…
Traducción automática · Título original: Making MLLM Latents Matter: Factor-Aware Predictive Learning for Cinematic Video Generation
Autores: Songlin Yang, Zhe Wang, Xiaotong Zhao y 8 más
Leer, escribir, compartir e interactuar con el mundo a través del video
Los modelos fundacionales de video han avanzado rápidamente en la comprensión y generación de secuencias visuales, mientras que los modelos del mundo de video buscan capturar la dinámica subyacente del mundo que representan. A pesar de sus diferentes objetivos, ambos conciernen…
Traducción automática · Título original: Reading, Writing, Sharing, and Interacting with the World through Video
HiP3R: grafos jerárquicos de poses para reconstrucción 3D de largo horizonte
Los modelos feed-forward estiman con precisión el movimiento de cámara y la geometría 3D a partir de ventanas de video cortas. Sin embargo, los costos computacionales y de memoria impiden la inferencia directa en secuencias de miles de fotogramas. Por lo tanto, los videos…
Traducción automática · Título original: HiP3R: Hierarchical Pose Graphs for Long-Horizon 3D Reconstruction
Autores: Zunnan Xu, Shangchen Zhou, Yihang Luo y 1 más
Tareas distintas, pasos temporales distintos: cuantización temporal consciente de la tarea para modelos de lenguaje de difusión
Los modelos de lenguaje de difusión (DLM) plantean desafíos únicos de cuantización debido a su proceso iterativo de eliminación de ruido. En este trabajo revelamos que la sensibilidad a la cuantización depende tanto de la tarea como del tiempo, y que distintas tareas…
Traducción automática · Título original: Different Tasks, Different Timesteps: Temporal Task-Aware Quantization for Diffusion Language Models
Autores: Ofek Avivi, Eliron Rahimi, Avi Mendelson y 1 más
IQuest-Q1: Avanzando en las capacidades fundamentales para sistemas CLI agénticos
Presentamos IQuest-Q1, un modelo fundacional agéntico de Mezcla de Expertos (MoE) dispersa con 320B de parámetros totales (15B activados). IQuest-Q1 se desarrolla mediante un proceso de tres etapas: (1) preentrenamiento estable y eficiente, combinando Stable SplitNorm, Muon y…
Traducción automática · Título original: IQuest-Q1: Advancing Foundation Capabilities for Agentic CLI Systems
UserArena: evaluación comparativa de la simulación interactiva de usuarios para agentes de compras de horizonte largo
La recomendación agéntica persigue los objetivos del comprador mediante secuencias de decisiones dependientes del contexto. Desarrollar y evaluar dichas políticas requiere modelos fieles del mundo de la recomendación que capturen tanto el entorno interactivo de compras como las…
Traducción automática · Título original: UserArena: Benchmarking Interactive User Simulation for Long-Horizon Shopping Agents
Agent Mosaic: cómo detectar filtraciones de confidencialidad en sistemas de agentes basados en LLM
Los agentes modernos basados en LLM pueden recuperar información de documentos accesibles y luego revelar una conclusión sensible ensamblada a partir de ellos. Este efecto mosaico crea un riesgo crítico para los agentes que operan sobre datos confidenciales. Cuantificamos su…
Traducción automática · Título original: Agent Mosaic: Recognizing Confidentiality Leaks in Agentic LLM Systems
Agentes encarnados multimodales: una perspectiva unificada centrada en capacidades, del uso de computadoras al uso de robots
Los agentes multimodales (MMA) mantienen la interacción mediante razonamiento, memoria, herramientas y retroalimentación, de forma más visible como agentes de uso de computadoras, mientras que los sistemas robóticos (RS) acoplan la percepción y la actuación bajo dinámicas…
Traducción automática · Título original: Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use
Autores: Yanzhe Chen, Ziyi Yang, Jifeng Zhu y 14 más
Paper de arXiv destacado en Hugging Face Daily Papers
Composicionalidad de la generación aumentada por recuperación
La generación aumentada por recuperación (RAG) fundamenta los grandes modelos de lenguaje en conocimiento externo. Los pipelines modernos combinan embedding, chunking, recuperación, reranking, aumento de consultas, compresión de contexto y verificación agéntica, pero estas…
Traducción automática · Título original: Retrieval Augmented Generation Compositionality
Usar un LLM para generar datos de entrenamiento para otro es una de las formas más generales de entrenar uno, y sigue siendo una práctica común. Algunos equipos de frontera han cerrado esa vía para sus propios modelos: lo que se recibe es una respuesta, o un breve resumen, sin…
Traducción automática · Título original: TraceForge: Distilling with Your Own Thinking
LaLa-World: escalando modelos del mundo latentes con acciones en lenguaje natural
Este artículo muestra que los modelos del mundo latentes (LWM) de estilo JEPA pueden aprender en diversos dominios y fuentes de datos al adoptar la interfaz condicionada por lenguaje de los modelos de generación de video. Establecemos este enfoque como una base eficaz y…
Traducción automática · Título original: LaLa-World: Scaling Latent World Models with Natural Language Actions
Autores: Junha Song, Geonmo Gu, Jeongeun Park y 5 más
¡Articulaciones, cámara, acción! Cogeneración de movimiento 3D y video para rigs arbitrarios
Los modelos de generación de video ya pueden representar movimiento de forma notablemente realista. Sin embargo, no está claro cómo usar ese movimiento más allá de los píxeles: para animar un recurso 3D específico y reproducir la animación en su escena 3D. Por ejemplo, un…
Traducción automática · Título original: Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs
Autores: Noam Rotstein, Yoad Tewel, Chen Tessler y 5 más
Paper de arXiv destacado en Hugging Face Daily Papers
We introduce OvisOCR3, a 0.8B model for a broad range of OCR-related tasks. OvisOCR3 unifies document parsing, general OCR, key information extraction (KIE), document figure captioning, and cross-page table reconstruction in a single model. We train the model on real and…
SolarRenderer: renderizado de referencia generativo en pocos pasos
Los motores de juego y los agentes de programación pueden especificar el diseño, el movimiento y la cámara de una escena, pero convertir esa estructura aproximada en video realista requiere un renderizador que siga la estructura y complete la apariencia que deja abierta. Los…
Traducción automática · Título original: SolarRenderer: Few-Step Generative Reference Rendering
Autores: Guian Fang, Shengju Qian, Dongyue Lu y 6 más
Paper de arXiv destacado en Hugging Face Daily Papers
Los agentes de modelos de lenguaje grandes (LLM) pueden manejar tareas cada vez más complejas, recorriendo largas trayectorias de observaciones y acciones. A medida que estas trayectorias crecen, la E/S y el almacenamiento de la caché de clave-valor (KV) se convierten en el…
Traducción automática · Título original: Cache Engineering for Agents
Code2Video-Compass: un benchmark integral para la generación de video basada en código de propósito general en T2V, I2V y V2V
La generación de video basada en código ofrece control detallado, edición específica y reutilización de componentes en comparación con la generación directa de video. Este enfoque requiere que los modelos de lenguaje grandes multimodales (MLLM) traduzcan requisitos visuales y…
Traducción automática · Título original: Code2Video-Compass: A Comprehensive Benchmark for General-Purpose Code-Based Video Generation across T2V, I2V, and V2V
Autores: Zhenghan Chen, Zekai Shao, Xin Lin y 2 más
Meta Expert: uso compartido de expertos entre capas para un MoE eficiente en almacenamiento y recuperación
A medida que los parámetros de los modelos aumentan, los enfoques de Mezcla de Expertos (MoE) con activación dispersa se han vuelto esenciales para escalar los modelos. Sin embargo, los modelos convencionales adoptan actualmente arquitecturas jerárquicas, en las que los…
Traducción automática · Título original: Meta Expert: Cross-Layer Expert Sharing for Storage- and Retrieval-Efficient MoE
Autores: Ermo Hua, Xiangyu Hong, Baiting Wu y 11 más
Specter: inferencia rápida de MoE mediante offloading especulativo de varios pasos habilitado por cuantización
Los modelos de mezcla de expertos (MoE) a menudo superan la capacidad de memoria de un solo acelerador. Descargar los expertos a la memoria del host crea un grave cuello de botella de E/S en PCIe porque el enrutamiento dependiente de los datos mantiene las transferencias en la…
Traducción automática · Título original: Specter: Fast MoE Inference via Quantization-Enabled Multi-Step Speculative Offloading
Autores: Wenfeng Wang, Xiaofeng Hou, Xinfeng Xia y 5 más