Важные статьи, бенчмарки, датасеты и экспериментальные подходы
OpenDataLab выпустила бенчмарк CiteVQA, специально предназначенный для оценки способности систем интеллектуальной обработки документов отслеживать источники ответов. Набрав 143 голоса, он возглавил список Daily Papers на HuggingFace — доверенный ИИ превращается из лозунга в измеримый технический показатель.
Проект CLI-Anything от команды HKUDS Гонконгского университета возглавил GitHub Trending, собрав более 36 000 звёзд. Его ключевая идея — превратить всё программное обеспечение в «Agent-Native». Это не просто инструмент, а смена парадигмы в архитектуре ПО.
Шанхайский университет Цзяотун представил фреймворк MMSkills, который разделяет возможности мультимодального визуального агента на комбинируемые и переиспользуемые единицы навыков. Статья набрала 99 голосов и попала в тренды HuggingFace — переход к «навыковой» архитектуре агентов может оказаться ближе к будущему, чем подход, основанный исключительно на «моделях».
DeepCybo выпустила технический отчет PhysBrain 1.0, посвященный созданию системы ИИ, способной понимать законы физики. От интуитивной физики до проверки через генерацию видео — этот технологический путь может оказаться ближе к истинному «интеллекту», чем чистые языковые модели.
Команда Tencent Hunyuan опубликовала новую статью, в которой систематически исследуется эффективность On-Policy Distillation в раскрытии потенциала моделей. В работе показано ключевое влияние выбора стратегии дистилляции на производительность моделей, что предоставляет эмпирическую основу для обучения крупномасштабных моделей.
Благодаря иерархическому управлению памятью SSD-CPU-GPU, TideGS позволяет обучать 3DGS с использованием более 1 млрд гауссовых примитивов на одной GPU с 24 ГБ памяти. Это в 10 раз больше, чем у предыдущих out-of-core базовых решений (~100 млн), и примерно в 100 раз больше, чем у обучения в оперативной памяти (~11 млн). Статья принята в формате Spotlight на конференцию ICML 2026.
Anti-SD выявляет с помощью анализа точечной взаимной информации (PMI), что привилегированный контекст подавляет токены, отвечающие за рассуждения (deliberation tokens), и предлагает метод «анти-самодистилляции» — вместо сближения ученика и учителя он намеренно увеличивает их расхождение. На бенчмарках математических рассуждений метод достигает той же точности, что и базовый алгоритм GRPO, за 2–10 раз меньшее число шагов, а максимальный прирост итоговой точности составляет 11,5 балла.
Статья CogOmniControl представляет рамочную архитектуру контролируемой генерации видео, управляемую рассуждениями: процесс генерации разделяется на два этапа — когнитивное понимание творческого замысла и непосредственную генерацию видео. CogVLM, обученная на профессиональных данных анимационного производства, точно интерпретирует разреженные абстрактные условия; в сочетании с CogOmniDiT и алгоритмом обучения с подкреплением (RL) для выравнивания она превосходит существующие открытые модели на двух специально созданных бенчмарках.
GoLongRL представляет полностью открытую схему дообучения с подкреплением (RL) для задач с длинным контекстом, включая публикацию набора данных RLVR из 23 000 образцов и полного исходного кода обучения. Модель Qwen3-30B-A3B демонстрирует производительность на задачах с длинным контекстом, сопоставимую с DeepSeek-R1-0528 и Qwen3-235B-A22B-Thinking-2507.
OpenComputer предлагает основанную на валидаторах архитектуру для создания проверяемой программной среды для computer-use agent. Охватывая 33 настольных приложения и 1000 задач, эксперименты показывают, что её жестко закодированные валидаторы ближе к человеческим оценкам, чем подход LLM-as-judge.
Совместно с Национальным университетом Сингапура и другими учреждениями опубликована «Дорожная карта ИИ для автоматизированных исследований», в которой системно анализируются границы возможностей ИИ на всех этапах научного цикла: генерация одной статьи обходится всего в 15 долларов США, однако языковые модели по-прежнему склонны к выдумыванию результатов, пропуску скрытых ошибок и неспособны надёжно оценивать новизну исследований.
IAAR-Shanghai и Memtensor Research Group представили SkillsVote — фреймворк для управления полным жизненным циклом навыков агентов. Оффлайн-эволюция повысила показатели GPT-5.2 в Terminal-Bench 2.0 на 7,9 процентных пункта, а онлайн-эволюция улучшила результаты в SWE-Bench Pro на 2,6 процентных пункта.
ByteDance анонсировала Lance — мультимодальную унифицированную модель, полностью обученную с нуля, поддерживающую понимание, генерацию и редактирование изображений и видео. Архитектура модели основана на двухпотоковой смеси экспертов (MoE), обеспечивая заметное превосходство в качестве генерации по сравнению с существующими открытыми унифицированными моделями при сохранении высокой точности понимания.
Статья дня на Hugging Face №1 — обзорная работа 42 авторов систематически представляет концепцию «Код как средство управления агентами» (Code as Agent Harness), позиционируя код как единый инфраструктурный уровень для рассуждений, действий и моделирования среды агентов.
Команда NVIDIA представила LongLive-2.0 — первую полностековую систему для обучения и вывода при генерации длинных видео на базе точности NVFP4. Внедрены параллелизм по последовательности при авторегрессионном обучении и вывод в формате W4A4, что ускоряет обучение в 2.15 раза, а вывод — в 1.84 раза. 5B-модель достигает скорости 45.7 FPS.
Команда NUS опубликовала дорожную карту AI for Auto-Research, системно анализирующую границы надёжности ИИ на протяжении всего жизненного цикла научных исследований: от генерации идей до публикации статей — какие этапы ИИ может выполнять самостоятельно, а какие требуют обязательного контроля со стороны человека.
Исследователи из Цинхуа представили KVPO — онлайн-фреймворк GRPO, изначально разработанный для ОДУ (ODE-native). Перенеся источник исследования со случайного шума на исторический KV Cache, метод позволяет согласовать автогрегрессивные модели генерации видео с человеческими предпочтениями, обеспечивая улучшение визуального качества, плавности движений и соответствия текстовому запросу.
Команда из Цинхуа представила ZEDA — низкозатратный фреймворк, преобразующий предварительно обученные статические MoE-модели в динамические. На моделях Qwen3-30B-A3B и GLM-4.7-Flash он устраняет более 50% FLOPs экспертов, ускоряя сквозной инференс примерно в 1,2 раза.
ByteDance Research представила Lance — легковесную нативную унифицированную мультимодальную модель. Благодаря двухпотоковой архитектуре MoE и обучению с синергией многозадачности она одновременно обеспечивает понимание, генерацию и редактирование изображений/видео, не полагаясь на простое увеличение емкости модели.
NVIDIA выпустила LongLive-2.0 — инфраструктуру для генерации длинных видео, основанную на квантовании NVFP4 и параллельном выводе. Проект набрал 1.22k звёзд на GitHub и исследует, как создавать более длинные видеопоследовательности без потери качества.
Разработанная в Шанхайском университете Цзяотун система ARIS позволяет нескольким AI-агентам автономно выполнять научные задачи с помощью состязательного взаимодействия. На платформе Papers with Code проект получил 116 голосов upvote и 9.7k звёзд на GitHub, став одним из самых заметных проектов в сфере AI for Science за последнее время.
В исследовании группы машинного обучения Цинхуа Causal Forcing++ предложен масштабируемый метод авторегрессионной диффузионной дистилляции с малым числом шагов, который превращает интерактивную генерацию видео из процесса, требующего ожидания в несколько минут, в мгновенный отклик в реальном времени. Что это значит для игр, VR и создания интерактивного контента?
Семейство Darwin предложило фреймворк эволюционного объединения без обучения, который комбинирует скрытые возможности существующих моделей посредством градиентно-независимой перестройки весового пространства. Флагманская модель Darwin-27B-Opus достигает 86,9 % на GPQA Diamond и занимает 6-е место среди 1252 оценённых моделей — без какого-либо градиентного обучения.
Новая статья FORGE на arXiv предлагает метод самостоятельной эволюции памяти агента без обновления весов модели. Благодаря механизму группового вещания агенты могут обмениваться опытом и обучаться друг у друга, обеспечивая непрерывное развитие своей памяти. Этот подход обходит традиционную дообучение, открывая лёгкий путь к постоянному обучению агентов.
Новая работа доказывает, что с помощью простой и унифицированной стратегии масштабирования большие языковые модели могут достичь уровня рассуждений, соответствующего золотой медали Международной математической олимпиады. Никаких сложных новых архитектур, никаких хитроумных техник обучения — только масштабирование. Значение этого факта, возможно, заслуживает более глубокого осмысления, чем сама статья.
В статье, опубликованной лабораторией искусственного интеллекта KAIST, предлагается метод стратегически управляемого исследования, который побуждает процесс обучения в задачах обучения с подкреплением (RL) целенаправленно выходить из зоны комфорта и повышает эффективность обучения без увеличения объёма обучающих данных. Статья получила внимание в ежедневной подборке научных работ Hugging Face Daily Papers.
Исследовательская группа Гарвардского университета и Массачусетской общей больницы (MGH) предложила новый метод прогнозирования заболеваний, вызываемых несколькими патогенами, основанный на автономном древовидном поиске под управлением языковой модели (LLM). LLM перестаёт быть лишь инструментом диалога и превращается в автономного агента поиска, способного систематически исследовать сложное пространство гипотез в поисках оптимальной прогнозной модели. Эта работа демонстрирует новую роль LLM в научном моделировании.
Новое исследование систематически оценивает качество обратной связи от агентов-репетиторов на основе больших языковых моделей (LLM) в различных учебных ситуациях и выявляет контринтуитивный результат: ИИ-репетиторы хорошо справляются с подтверждением правильных ответов учащихся, но в тех случаях, когда учащийся ошибается — то есть там, где особенно важна высококачественная обратная связь — они чаще всего дают неточные или неполные ответы.
Представленный NVIDIA бенчмарк MemLens впервые системно оценивает способность больших визуально-языковых моделей к мультимодальной долгосрочной памяти. Он раскрывает реальный уровень современных мультимодальных моделей в плане запоминания, а также показывает, насколько далеко им ещё до «настоящего запоминания».
MMSkills, представленный Шанхайским Цзяотунским университетом, предлагает мультимодальную рамочную модель обучения навыкам для универсальных визуальных агентов. В отличие от существующих подходов, основанных на механическом запоминании, MMSkills позволяет агентам по-настоящему понимать мультимодальную природу навыков — не только «что видеть», но и «как действовать». Статья получила 39 лайков в разделе Hugging Face Daily Papers.
OpenDeepThink предлагает новую архитектуру рассуждений во время оценки, основанную на попарных сравнениях по модели Брэдли–Терри. Всего за 8 итераций вызовов ЯИМ (около 27 минут реального времени) Elo-рейтинг Gemini 3.1 Pro в Codeforces возрастает на 405 пунктов. Одновременно представлен открытый набор данных CF-73 — 73 задачи с Codeforces, промаркированные международными гроссмейстерами.
SANA-WM — это открытая модель мира с 2,6 млрд параметров, изначально поддерживающая генерацию видео продолжительностью одну минуту. Обучена на 64 GPU H100 в течение 15 дней с использованием примерно 213 тыс. общедоступных видеороликов. Её вариант, полученный методом дистилляции, способен денойзить 60-секундное видео разрешения 720p за 34 секунды на одной видеокарте RTX 5090 с квантованием NVFP4.
SDAR (Self-Distilled Agentic Reinforcement Learning) вводит on-policy самообучение-дистилляцию в качестве управляемой вспомогательной цели в процесс обучения с подкреплением для LLM-агентов. По сравнению с GRPO, SDAR демонстрирует улучшение на 9,4 %, 10,2 % и 7,0 % соответственно на наборах данных ALFWorld, WebShop и Search-QA, одновременно избегая нестабильности, присущей наивному сочетанию GRPO и OPSD.
«Самодистиллируемое агентное обучение с подкреплением» представляет новую парадигму обучения агентов: агенты обучаются путём самодистилляции на основе собственного опыта, без зависимости от человеческой разметки или внешних сигналов подкрепления. Это может кардинально изменить фундаментальные принципы обучения ИИ-агентов.
Опубликованный лабораторией NJU-LINK Lab Нанкинского университета проект Solvita предлагает парадигму эволюции агентов для повышения способностей больших языковых моделей в соревновательном программировании. В отличие от традиционного обучения с учителем, Solvita позволяет агенту развивать более сильные навыки программирования и логического вывода в процессе самоигры и непрерывной итерации.
SU-01 — это 30B-A3B MoE-модель, достигшая уровня золотой медали на IMO 2025, USAMO 2026 и IPhO 2024/2025 с помощью простого и единого рецепта обучения. Основной процесс: SFT-обучение по обратной перплексии → двухэтапное обучение с подкреплением (RL) (с объективно верифицируемым вознаграждением → RL на уровне строгих доказательств) → масштабирование во время тестирования. Модель обеспечивает стабильную генерацию рассуждений длиной более 100 000 токенов.
Kronos — это фундаментальная модель для финансовых рынков, которая рассматривает финансовые данные как «язык» для моделирования. Проект собрал 24 946 звёзд на GitHub, предлагая подход, в котором токенизатор дискретизирует финансовые временные ряды в последовательности токенов, а затем трансформер предсказывает их. Является ли этот путь жизнеспособным?
Последняя статья на arXiv указывает на фундаментальный недостаток современных методов оценки безопасности ИИ для психического здоровья: они анализируют изолированные ответы или итоговый результат, в то время как клинически наиболее опасный вред часто возникает из-за кумулятивного эффекта в последовательности взаимодействий: постепенно растущая зависимость, многократное закрепление негативных паттернов поведения, медленное ухудшение состояния от раунда к раунду. Авторы предлагают теоретическую основу «временной неидентифицируемости безопасности» и стандарт оценки SCOPE-MH.
В недавно опубликованной статье NVIDIA о модели AnyFlow представлен подход к созданию видео-диффузионной модели с «произвольным количеством шагов» — одна и та же модель может гибко переключаться между 1 и несколькими десятками шагов, не требуя отдельного обучения для каждого варианта. Ключевой метод On-Policy Flow Map Distillation позволяет модели сохранять стабильное качество генерации при любом количестве шагов инференса благодаря случайной выборке шагов во время обучения и само-направляемой дистилляции.
В новой статье на arXiv OpenDeepThink предлагается подход к рассуждению, основанный на групповой конкуренции: вместо принудительного следования единственной цепи рассуждений система организует попарное сравнение кандидатов, агрегируя результаты с помощью модели Брэдли-Терри. Благодаря этому Gemini 3.1 Pro увеличила свой рейтинг Elo на Codeforces на 405 баллов, а весь процесс занял всего около 27 минут.
