norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papers1 час назад
ИсследованияDaily Papers

Образные машины Тьюринга: состояние кода для робота рекурсивного самосовершенствования

Авторы предлагают новый подход к управлению роботами, называемый Code-Only-as-Policy (COAP), в котором код измеряет и отслеживает состояние робота, окружающей среды и задачи, а затем принимает решения. COAP позволяет избежать использования моделей в реальном времени и обеспечивает более эффективное и гибкое управление.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
0
голосов источника
Наблюдаем с9 октября 2026 г.0 голосов источника
Темп интереса—Нужны повторные замеры
Опубликовано8 октября 2026 г.Kairui Hu, Siyuan Hu, Fangzhou Hong
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

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

0 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

COAP может быть полезен для разработки роботов, которые способны самостоятельно улучшать свои навыки, так как он позволяет коду принимать решения без необходимости использования моделей в реальном времени.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily 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

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

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

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 назадDaily Papers

MC-Sparse: Разбор и закрытие разрыва между плотным и разреженным вниманием в трансформерах для диффузии

Разреженное внимание используется для снижения задержки в генерации длинных последовательностей, но существующие методы могут ухудшать качество генерации при высокой разреженности. MC-Sparse — это обучение без обучения, которое выбирает отдельные ключевые значения и организует похожие запросы в группы для эффективного выполнения на GPU.

4 дня назад