norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papersвчера
ИсследованияDaily Papers

Iris-3B: Выход за пределы скрытого пространства с обучением, преобразованием и настройкой в пространстве пикселей

В статье представлено Iris-3B, текст-изображающий трансформер с 3 млрд параметров, предобученный по схеме 256to512to1024. Авторы сравнивают модели в пространстве пикселей с моделями в скрытом пространстве в задачах оценки монокулярной глубины и восстановления изображений, не обнаружив значительного улучшения производительности. Также проводится конвертация модели скрытого пространства в пространство пикселей и оцениваются оба подхода.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
6
голосов источника
Наблюдаем с8 октября 2026 г.6 голосов источника

Этот источник давно не обновлялся. Время замера указано выше.

Темп интереса+1,64/hпо замерам за 3,05 h
Опубликовано7 октября 2026 г.Hanqiu Li Cai, Chema Garabito
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

График появится после повторных замеров. Текущий показатель уже получен из источника.

6 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

Это исследование дает представление о эффективности моделей пространства пикселей по сравнению с моделями скрытого пространства в определенных задачах, что может повлиять на будущие разработки методов генерации изображений.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily Papers

Tetris3D: Генерация 3D-сцен с объектами, совместимыми друг с другом

Tetris3D — это генеративная система восстановления 3D-сцен по одному изображению, обеспечивающая геометрическую и физическую согласованность объектов. Она использует явное условие на геометрию окружающих объектов и их физические отношения, а также физически основанный набор данных ComOb для обучения и оценки.

позавчераDaily Papers

От следов к агентным мирам: Агентные языковые модели миров для интерактивного моделирования среды

В статье представлено Trace2Env — фреймворк без обучения, который использует исторические трассы взаимодействия для создания воспроизводимой книги мира среды для симуляции реалистичных сред без воссоздания исходной системы. Он улучшает точность следующих наблюдений и согласованность взаимодействия на длинных горизонтах по сравнению с традиционными языковыми моделями среды на основе подсказок.

4 дня назадDaily Papers

CheckerBench: Могут ли агенты с долгосрочной перспективой синтезировать статические анализаторы?

CheckerBench — это тестовый набор для оценки способности кодирующих агентов синтезировать статические анализаторы на основе спецификаций дефектов, включая задачи, полученные из 300 уязвимостей CVE в различных репозиториях и экосистемах языков. CheckerLab — это фреймворк оценки, измеряющий контраст диагностик, локализацию патчей и использование инструментов, при этом результаты показывают, что текущие агенты сталкиваются с трудностями в разработке надежных проверок, достигая максимального значения Pass@1 в 45,33%.

3 дня назадDaily Papers

Пересмотр кросс-токенизаторного on-policy distillation: От охвата выравнивания до надежности обучения

В статье исследуется на-policy distillation (OPD) в кросс-токенизаторных условиях, с акцентом на охват выравнивания и надежность обучения. Установлено, что строгое выравнивание 1:1 охватывает большинство токенов, сгенерированных студентом, несмотря на несоответствие словарей, и что ограничение обратной KL до топ-16 подмножества общего словаря достигает сравнимой точности с полным общим словарем OPD, в то время как добавление обучения по спанам снижает точность.

3 дня назадDaily Papers

Memento 3: Модельно-ориентированное рекурсивное самоусовершенствование через рефлексивные правила

В статье представлена система Memento 3, позволяющая агентам с фиксированным LLM непрерывно обучаться явным моделям мира через внешнюю память. Агент поддерживает правило в виде естественного языка в качестве постоянной семантической памяти, которое компилируется в исполняемый код для прогнозирования и планирования. Через цикл наблюдения, рефлексии и проверки агент уточняет свою модель и использует проверенные обновления для руководства взаимодействием. На ARC-AGI-3 агент с одним моделью достигает среднего значения Relative Human Action Efficiency 100,0 и использует 44% действий человека. В случае Atari Pong обученный контроллер выигрывает 21:0 в каждом из трех оцененных эпизодов.

вчераDaily Papers

NAMVIS: Следующий масштаб авторегрессивного синтеза многоугольных изображений

NAMVIS — это диффузионно-свободная система синтеза многоугольных изображений, использующая геометрию, условную следующую масштабную авторегрессию, предсказывающую дискретные визуальные токены через ступени грубого до точного масштаба и параллельное сэмплирование по всем целям. Она превосходит методы на основе диффузии по PSNR, SSIM и LPIPS, при этом работая более чем в три раза быстрее.

6 дней назад