EVA: агент, который сначала думает — потом смотрит видео
Обычные видео-модели тупо сэмплируют кадры равномерно и скармливают их LLM. Даже "агентные" подходы сначала показывают видео, а потом рассуждают. EVA переворачивает это: агент сначала читает только текстовый запрос, планирует что и как смотреть, и только потом вызывает инструмент выборки кадров.
Фишка: инструмент позволяет гибко задавать временной диапазон, количество кадров и разрешение. Агент может сначала просмотреть всё видео грубо (низкое разрешение, редкие кадры), найти нужный момент, а потом зумануть детально.
Обучение — три стадии: SFT cold-start (10k примеров), KTO на успешных и провальных траекториях (11k), и онлайн GRPO с data-driven наградами.
Результат: SOTA на нескольких видео-бенчмарках при меньших затратах на токены.
https://arxiv.org/abs/2603.22918
Обычные видео-модели тупо сэмплируют кадры равномерно и скармливают их LLM. Даже "агентные" подходы сначала показывают видео, а потом рассуждают. EVA переворачивает это: агент сначала читает только текстовый запрос, планирует что и как смотреть, и только потом вызывает инструмент выборки кадров.
Фишка: инструмент позволяет гибко задавать временной диапазон, количество кадров и разрешение. Агент может сначала просмотреть всё видео грубо (низкое разрешение, редкие кадры), найти нужный момент, а потом зумануть детально.
Обучение — три стадии: SFT cold-start (10k примеров), KTO на успешных и провальных траекториях (11k), и онлайн GRPO с data-driven наградами.
Результат: SOTA на нескольких видео-бенчмарках при меньших затратах на токены.
https://arxiv.org/abs/2603.22918
Microsoft Research представила AsgardBench — новый бенчмарк для оценки визуально заземлённого интерактивного планирования.
Суть в том, что системы ИИ теперь можно тестировать на способность планировать долгосрочные задачи, опираясь на реальное пространственное восприятие — то есть понимать, где именно в физическом мире находятся объекты, и выстраивать последовательность действий для манипуляций роботов.
Почему это важно: большинство существующих бенчмарков проверяют либо зрение, либо планирование отдельно. AsgardBench объединяет оба навыка в связке с реальной физической средой. Это ближе к тому, как работают настоящие роботизированные системы.
Для разработчиков это новая планка для оценки робототехнических агентов и мультимодальных моделей. Прогресс в этой области напрямую влияет на то, насколько скоро роботы смогут выполнять сложные задачи в реальных условиях — на складах, в больницах, дома.
https://www.microsoft.com/en-us/research/blog/asgardbench-a-benchmark-for-visually-grounded-interactive-planning/
Суть в том, что системы ИИ теперь можно тестировать на способность планировать долгосрочные задачи, опираясь на реальное пространственное восприятие — то есть понимать, где именно в физическом мире находятся объекты, и выстраивать последовательность действий для манипуляций роботов.
Почему это важно: большинство существующих бенчмарков проверяют либо зрение, либо планирование отдельно. AsgardBench объединяет оба навыка в связке с реальной физической средой. Это ближе к тому, как работают настоящие роботизированные системы.
Для разработчиков это новая планка для оценки робототехнических агентов и мультимодальных моделей. Прогресс в этой области напрямую влияет на то, насколько скоро роботы смогут выполнять сложные задачи в реальных условиях — на складах, в больницах, дома.
https://www.microsoft.com/en-us/research/blog/asgardbench-a-benchmark-for-visually-grounded-interactive-planning/
Microsoft Research
AsgardBench: A benchmark for visually grounded interactive planning
AsgardBench evaluates whether embodied agents can revise their plans based on visual observations as tasks unfold. By focusing on perception-driven planning, it exposes key limitations and guides improvements in agent reliability.
Nvidia Tech рассказала, как выжать максимум из каждого ватта в ИИ-дата-центрах.
За шесть поколений архитектур — от Hopper до новейшей Vera Rubin — компания улучшила производительность инференса на мегаватт в 1 000 000 раз. Для сравнения: если бы топливная эффективность автомобилей росла так же быстро, одного галлона бензина хватило бы на полёт до Луны и обратно.
Что это значит на практике: Blackwell Ultra GB300 NVL72 даёт в 50 раз больше токенов на мегаватт и в 35 раз снижает стоимость токена по сравнению с Hopper. Vera Rubin идёт ещё дальше — плюс 10x к Blackwell.
Для операторов ИИ-фабрик это прямой рост выручки в рамках фиксированного энергетического бюджета. Мощность стала главным ограничением отрасли, и именно эффективность теперь определяет конкурентоспособность.
https://developer.nvidia.com/blog/scaling-token-factory-revenue-and-ai-efficiency-by-maximizing-performance-per-watt/
За шесть поколений архитектур — от Hopper до новейшей Vera Rubin — компания улучшила производительность инференса на мегаватт в 1 000 000 раз. Для сравнения: если бы топливная эффективность автомобилей росла так же быстро, одного галлона бензина хватило бы на полёт до Луны и обратно.
Что это значит на практике: Blackwell Ultra GB300 NVL72 даёт в 50 раз больше токенов на мегаватт и в 35 раз снижает стоимость токена по сравнению с Hopper. Vera Rubin идёт ещё дальше — плюс 10x к Blackwell.
Для операторов ИИ-фабрик это прямой рост выручки в рамках фиксированного энергетического бюджета. Мощность стала главным ограничением отрасли, и именно эффективность теперь определяет конкурентоспособность.
https://developer.nvidia.com/blog/scaling-token-factory-revenue-and-ai-efficiency-by-maximizing-performance-per-watt/
NVIDIA Technical Blog
Scaling Token Factory Revenue and AI Efficiency by Maximizing Performance per Watt
In the AI era, power is the ultimate constraint, and every AI factory operates within a hard limit. This makes performance per watt—the rate at which power is converted into revenue-generating…
Apple ML опубликовала исследование по улучшению качества 3D Gaussian Splatting — технологии, которая используется для создания реалистичных 3D-сцен из фотографий.
Проблема: стандартные методы обучения 3DGS дают размытые результаты, потому что опираются на простые попиксельные метрики, а не на то, как изображение воспринимает человек.
Решение: исследователи протестировали множество перцептивных функций потерь и провели масштабное пользовательское исследование — 39 320 попарных оценок. Победил метод WD-R (регуляризованное Вассерштейновское искажение): он лучше восстанавливает мелкие текстуры, не увеличивая число «сплатов».
Результаты впечатляют: WD-R предпочли в 2.3 раза чаще оригинального лосса 3DGS и в 1.5 раза чаще лучшего на сегодня метода Perceptual-GS. Плюс — экономия битрейта около 50% при сжатии сцен без потери качества.
Метод легко встраивается в популярные фреймворки вроде Mip-Splatting и Scaffold-GS без дополнительных вычислительных затрат.
https://machinelearning.apple.com/research/drop-in
Проблема: стандартные методы обучения 3DGS дают размытые результаты, потому что опираются на простые попиксельные метрики, а не на то, как изображение воспринимает человек.
Решение: исследователи протестировали множество перцептивных функций потерь и провели масштабное пользовательское исследование — 39 320 попарных оценок. Победил метод WD-R (регуляризованное Вассерштейновское искажение): он лучше восстанавливает мелкие текстуры, не увеличивая число «сплатов».
Результаты впечатляют: WD-R предпочли в 2.3 раза чаще оригинального лосса 3DGS и в 1.5 раза чаще лучшего на сегодня метода Perceptual-GS. Плюс — экономия битрейта около 50% при сжатии сцен без потери качества.
Метод легко встраивается в популярные фреймворки вроде Mip-Splatting и Scaffold-GS без дополнительных вычислительных затрат.
https://machinelearning.apple.com/research/drop-in
Apple Machine Learning Research
Drop-In Perceptual Optimization for 3D Gaussian Splatting
Despite their output being ultimately consumed by human viewers, 3D Gaussian Splatting (3DGS) methods often rely on ad-hoc combinations of…
LLM с памятью на 100 миллионов токенов — это уже не фантастика (by EverMind-AI)
Человеческая память оценивается примерно в 200-300 миллионов токенов. Современные LLM дотягиваются максимум до 1M. Разрыв огромный. Авторы предлагают Memory Sparse Attention (MSA) — механизм, который закрывает этот gap.
Идея: вместо того чтобы хранить весь KV-кэш (дорого) или сжимать всё в фиксированное состояние (теряем точность), MSA делает top-k отбор ключевых KV-пар и работает с ними через разреженное внимание. Это даёт почти линейную сложность и сохраняет дифференцируемость — то есть обучение end-to-end.
Хитрость с позиционными эмбеддингами: обучают на 64K токенах, а инференс работает на 100M через смешанную глобальную и документ-уровневую RoPE стратегию.
Результат: деградация менее 9% при масштабировании с 16K до 100M токенов. Qwen и GPT-4.1 на таких длинах просто ломаются. И всё это на двух A800 GPU.
https://arxiv.org/abs/2603.23516
Человеческая память оценивается примерно в 200-300 миллионов токенов. Современные LLM дотягиваются максимум до 1M. Разрыв огромный. Авторы предлагают Memory Sparse Attention (MSA) — механизм, который закрывает этот gap.
Идея: вместо того чтобы хранить весь KV-кэш (дорого) или сжимать всё в фиксированное состояние (теряем точность), MSA делает top-k отбор ключевых KV-пар и работает с ними через разреженное внимание. Это даёт почти линейную сложность и сохраняет дифференцируемость — то есть обучение end-to-end.
Хитрость с позиционными эмбеддингами: обучают на 64K токенах, а инференс работает на 100M через смешанную глобальную и документ-уровневую RoPE стратегию.
Результат: деградация менее 9% при масштабировании с 16K до 100M токенов. Qwen и GPT-4.1 на таких длинах просто ломаются. И всё это на двух A800 GPU.
https://arxiv.org/abs/2603.23516
🔥2❤1
Редактирование мимики без путаницы между похожими эмоциями — теперь реально
Страх и удивление выглядят похоже: широкие глаза, открытый рот. Злость и отвращение — тоже. Существующие модели редактирования выражений лиц постоянно путают такие пары, потому что обучаются на дискретных метках (one-hot), которые не отражают реальную непрерывность эмоций.
Авторы из Fudan University предлагают PixelSmile — диффузионный фреймворк с двумя ключевыми идеями. Во-первых, они создали датасет FFE: 60к изображений (реальные + аниме) с непрерывными 12-мерными аффективными оценками вместо жёстких категорий. Во-вторых, обучение строится на симметричных контрастивных тройках — модель одновременно учится различать confusing-пары (страх/удивление, злость/отвращение) в обоих направлениях. На инференсе интенсивность эмоции регулируется интерполяцией в пространстве текстовых эмбеддингов через коэффициент α — без референсных изображений.
https://arxiv.org/abs/2603.25728
Страх и удивление выглядят похоже: широкие глаза, открытый рот. Злость и отвращение — тоже. Существующие модели редактирования выражений лиц постоянно путают такие пары, потому что обучаются на дискретных метках (one-hot), которые не отражают реальную непрерывность эмоций.
Авторы из Fudan University предлагают PixelSmile — диффузионный фреймворк с двумя ключевыми идеями. Во-первых, они создали датасет FFE: 60к изображений (реальные + аниме) с непрерывными 12-мерными аффективными оценками вместо жёстких категорий. Во-вторых, обучение строится на симметричных контрастивных тройках — модель одновременно учится различать confusing-пары (страх/удивление, злость/отвращение) в обоих направлениях. На инференсе интенсивность эмоции регулируется интерполяцией в пространстве текстовых эмбеддингов через коэффициент α — без референсных изображений.
https://arxiv.org/abs/2603.25728
Можно улучшить диффузионный трансформер, не трогая почти ни одного веса?
Оказывается, блоки DiT (Stable Diffusion 3, FLUX) вносят очень неравный вклад в качество генерации. Авторы обнаружили два сюрприза: некоторые блоки при отключении улучшают качество, а для каждого блока есть оптимальный скалярный множитель на выходе, который лучше дефолтного.
На этом строится Calibri: берём ~100 скалярных параметров (по одному на блок), оптимизируем их градиентно-свободным методом CMA-ES, максимизируя скор reward-модели. Никакого файнтюнинга, никакого backprop через модель.
Результат: стабильный прирост качества на разных базовых моделях, меньше шагов инференса, плюс Calibri Ensemble из нескольких откалиброванных моделей даёт ещё больший буст.
https://arxiv.org/abs/2603.24800
Оказывается, блоки DiT (Stable Diffusion 3, FLUX) вносят очень неравный вклад в качество генерации. Авторы обнаружили два сюрприза: некоторые блоки при отключении улучшают качество, а для каждого блока есть оптимальный скалярный множитель на выходе, который лучше дефолтного.
На этом строится Calibri: берём ~100 скалярных параметров (по одному на блок), оптимизируем их градиентно-свободным методом CMA-ES, максимизируя скор reward-модели. Никакого файнтюнинга, никакого backprop через модель.
Результат: стабильный прирост качества на разных базовых моделях, меньше шагов инференса, плюс Calibri Ensemble из нескольких откалиброванных моделей даёт ещё больший буст.
https://arxiv.org/abs/2603.24800
Один открытый фреймворк против GPT-Image и закрытых систем восстановления изображений
Реальные фото страдают сразу от множества дефектов: размытие, шум, артефакты сжатия, блики, туман, дождь. Закрытые модели вроде GPT-Image-1 справляются хорошо, но недоступны для исследований.
Авторы из SUSTech предложили RealRestorer — открытую альтернативу. Ключевое: они построили масштабный пайплайн синтеза деградаций для 9 типов дефектов, используя SAM-2 для сегментации, MiDaS для глубины и VLM-фильтрацию плохих сэмплов. Для шума добавили segment-aware perturbations — это заметно улучшило реальный деноизинг.
На этих данных дообучили открытую image editing модель. Также представили бенчмарк RealIR-Bench из 464 реальных изображений с метриками не только качества, но и консистентности с исходником.
Результат: сравнимо с закрытыми системами, но полностью воспроизводимо.
https://arxiv.org/abs/2603.25502
Реальные фото страдают сразу от множества дефектов: размытие, шум, артефакты сжатия, блики, туман, дождь. Закрытые модели вроде GPT-Image-1 справляются хорошо, но недоступны для исследований.
Авторы из SUSTech предложили RealRestorer — открытую альтернативу. Ключевое: они построили масштабный пайплайн синтеза деградаций для 9 типов дефектов, используя SAM-2 для сегментации, MiDaS для глубины и VLM-фильтрацию плохих сэмплов. Для шума добавили segment-aware perturbations — это заметно улучшило реальный деноизинг.
На этих данных дообучили открытую image editing модель. Также представили бенчмарк RealIR-Bench из 464 реальных изображений с метриками не только качества, но и консистентности с исходником.
Результат: сравнимо с закрытыми системами, но полностью воспроизводимо.
https://arxiv.org/abs/2603.25502
Почему самодистилляция убивает математическое мышление LLM? (by Microsoft Research)
Самодистилляция — когда модель учится у самой себя, но с доступом к правильному ответу — творит чудеса в химии и агентных задачах. Но в математике она неожиданно роняет качество. Почему?
Ответ: учитель, знающий решение, рассуждает уверенно и кратко — без "Wait", "Hmm", "Perhaps". Студент учится копировать этот стиль. Но именно эти "неуверенные" токены — не мусор, а сигнал: "стоп, я мог ошибиться, проверю". Без них модель преждевременно фиксируется на неверной гипотезе.
Авторы показали: чем богаче контекст учителя, тем меньше epistemic verbalization в ответах (182 → 9 токенов неопределённости). Это ускоряет обучение на узких задачах, но убивает обобщение на разнообразной математике.
Вывод: правильность ответа в лосс-функции — недостаточный критерий. Нужно явно сохранять неопределённость в рассуждениях.
https://arxiv.org/abs/2603.24472
Самодистилляция — когда модель учится у самой себя, но с доступом к правильному ответу — творит чудеса в химии и агентных задачах. Но в математике она неожиданно роняет качество. Почему?
Ответ: учитель, знающий решение, рассуждает уверенно и кратко — без "Wait", "Hmm", "Perhaps". Студент учится копировать этот стиль. Но именно эти "неуверенные" токены — не мусор, а сигнал: "стоп, я мог ошибиться, проверю". Без них модель преждевременно фиксируется на неверной гипотезе.
Авторы показали: чем богаче контекст учителя, тем меньше epistemic verbalization в ответах (182 → 9 токенов неопределённости). Это ускоряет обучение на узких задачах, но убивает обобщение на разнообразной математике.
Вывод: правильность ответа в лосс-функции — недостаточный критерий. Нужно явно сохранять неопределённость в рассуждениях.
https://arxiv.org/abs/2603.24472
❤1
Apple ML раскрыла исследование, которое одновременно хвалит и критикует State Space Models.
SSM-модели считались главной альтернативой трансформерам: они работают быстрее на длинных текстах и потребляют меньше памяти. Но исследователи Apple доказали теоретически: SSM в принципе не способны решать по-настоящему длинные задачи — это подрывает их главное преимущество.
Однако выход нашёлся — инструменты. Если дать SSM доступ к внешним инструментам (калькуляторы, интерпретаторы кода и т.д.), модели не просто справляются с длинными задачами, но и обобщают их на произвольную длину и сложность. Эксперименты подтвердили это на арифметике, логических задачах и коде.
Вывод: SSM могут стать эффективной заменой трансформерам, но только в агентных сценариях с доступом к инструментам. Работа принята на ICLR 2026.
https://machinelearning.apple.com/research/to-infinity
SSM-модели считались главной альтернативой трансформерам: они работают быстрее на длинных текстах и потребляют меньше памяти. Но исследователи Apple доказали теоретически: SSM в принципе не способны решать по-настоящему длинные задачи — это подрывает их главное преимущество.
Однако выход нашёлся — инструменты. Если дать SSM доступ к внешним инструментам (калькуляторы, интерпретаторы кода и т.д.), модели не просто справляются с длинными задачами, но и обобщают их на произвольную длину и сложность. Эксперименты подтвердили это на арифметике, логических задачах и коде.
Вывод: SSM могут стать эффективной заменой трансформерам, но только в агентных сценариях с доступом к инструментам. Работа принята на ICLR 2026.
https://machinelearning.apple.com/research/to-infinity
Apple Machine Learning Research
To Infinity and Beyond: Tool-Use Unlocks Length Generalization in State Space Models
State Space Models (SSMs) have become the leading alternative to Transformers for sequence modeling. Their primary advantage is efficiency…
Apple ML на ICLR 2026 представила исследование о законах масштабирования LLM.
Главная проблема: обычно при обучении больших моделей ориентируются на косвенные метрики вроде потерь на предобучении, а не на реальную производительность в задачах. Это ненадёжно.
Что предложили исследователи: прямой фреймворк, который предсказывает результаты на бенчмарках прямо из бюджета вычислений. Оказалось, что при фиксированном соотношении токенов и параметров простой степенной закон точно описывает рост точности сразу на нескольких популярных задачах.
Почему важно: прямой подход даёт лучшую экстраполяцию, чем двухэтапные методы, которые накапливают ошибки. Также учитывается инференс при многократной генерации.
Проверено на моделях до 17B параметров, обученных на 350B токенов. Все данные и результаты открыты для воспроизведения.
Для индустрии это означает более предсказуемое и экономичное масштабирование моделей без лишних экспериментов.
https://machinelearning.apple.com/research/downstream-metrics
Главная проблема: обычно при обучении больших моделей ориентируются на косвенные метрики вроде потерь на предобучении, а не на реальную производительность в задачах. Это ненадёжно.
Что предложили исследователи: прямой фреймворк, который предсказывает результаты на бенчмарках прямо из бюджета вычислений. Оказалось, что при фиксированном соотношении токенов и параметров простой степенной закон точно описывает рост точности сразу на нескольких популярных задачах.
Почему важно: прямой подход даёт лучшую экстраполяцию, чем двухэтапные методы, которые накапливают ошибки. Также учитывается инференс при многократной генерации.
Проверено на моделях до 17B параметров, обученных на 350B токенов. Все данные и результаты открыты для воспроизведения.
Для индустрии это означает более предсказуемое и экономичное масштабирование моделей без лишних экспериментов.
https://machinelearning.apple.com/research/downstream-metrics
Apple Machine Learning Research
Revisiting the Scaling Properties of Downstream Metrics in Large Language Model Training
While scaling laws for Large Language Models (LLMs) traditionally focus on proxy metrics like pretraining loss, predicting downstream task…
PyTorch выпустил подробный гайд по Flight Recorder — инструменту для отладки одной из самых болезненных ошибок при обучении больших моделей: NCCL watchdog timeout.
Что происходит: когда GPU-операция зависает и не завершается за 10 минут, PyTorch бросает эту ошибку. Проблема в том, что виновный ранг — не всегда тот, что первым упал, а само сообщение об ошибке почти бесполезно для диагностики.
Flight Recorder собирает телеметрию по всем рангам и позволяет быстро найти корень проблемы — будь то расхождение в CPU-коде, зависание GPU, дедлок CUDA или неверные аргументы коллективных операций.
Раньше отладка таких сбоев занимала часы и требовала перезапуска джобы с дополнительными флагами. Теперь можно разобраться значительно быстрее.
Важно для всех, кто обучает модели на нескольких GPU с DDP, FSDP или TorchRec.
https://pytorch.org/blog/flight-recorder-a-new-lens-for-understanding-nccl-watchdog-timeouts/
Что происходит: когда GPU-операция зависает и не завершается за 10 минут, PyTorch бросает эту ошибку. Проблема в том, что виновный ранг — не всегда тот, что первым упал, а само сообщение об ошибке почти бесполезно для диагностики.
Flight Recorder собирает телеметрию по всем рангам и позволяет быстро найти корень проблемы — будь то расхождение в CPU-коде, зависание GPU, дедлок CUDA или неверные аргументы коллективных операций.
Раньше отладка таких сбоев занимала часы и требовала перезапуска джобы с дополнительными флагами. Теперь можно разобраться значительно быстрее.
Важно для всех, кто обучает модели на нескольких GPU с DDP, FSDP или TorchRec.
https://pytorch.org/blog/flight-recorder-a-new-lens-for-understanding-nccl-watchdog-timeouts/
Red-teaming LLM-агентов: атаки через цепочки вызовов инструментов (by KAIST AI)
Обычный red-teaming проверяет, не напишет ли модель что-то вредное. Но LLM-агент с доступом к почте, браузеру и файловой системе — это другой уровень угрозы. Тут важно не что он говорит, а что он делает.
T-MAP — эволюционный алгоритм поиска атакующих промптов для агентов. Идея: строить Tool Call Graph — граф переходов между вызовами инструментов — и учиться на нём, что сработало, а что нет. На каждой итерации: диагностируем успехи и провалы прошлых атак, мутируем промпт с учётом структуры графа, обновляем граф и архив лучших атак.
Архив организован по двум осям: категория риска (утечка данных, финансовый ущерб и т.д.) и стиль атаки. Это даёт разнообразие, а не одну найденную дыру.
Результат: 57.8% успешных атак на реальных MCP-средах (Gmail, Slack, Playwright и др.), включая GPT-5 и Gemini-3-Pro.
https://arxiv.org/abs/2603.22341
Обычный red-teaming проверяет, не напишет ли модель что-то вредное. Но LLM-агент с доступом к почте, браузеру и файловой системе — это другой уровень угрозы. Тут важно не что он говорит, а что он делает.
T-MAP — эволюционный алгоритм поиска атакующих промптов для агентов. Идея: строить Tool Call Graph — граф переходов между вызовами инструментов — и учиться на нём, что сработало, а что нет. На каждой итерации: диагностируем успехи и провалы прошлых атак, мутируем промпт с учётом структуры графа, обновляем граф и архив лучших атак.
Архив организован по двум осям: категория риска (утечка данных, финансовый ущерб и т.д.) и стиль атаки. Это даёт разнообразие, а не одну найденную дыру.
Результат: 57.8% успешных атак на реальных MCP-средах (Gmail, Slack, Playwright и др.), включая GPT-5 и Gemini-3-Pro.
https://arxiv.org/abs/2603.22341
UI-Voyager: агент, который учится на своих ошибках (by Tencent)
Обычно неудачные попытки агента управлять телефоном просто выбрасываются. UI-Voyager решает это иначе.
Два этапа обучения:
1. Rejection Fine-Tuning — агент сам генерирует траектории, фильтрует успешные и учится на них итеративно, без ручной разметки.
2. Group Relative Self-Distillation (GRSD) — ключевая идея: находим "точки развилки" (fork points) между успешными и провальными траекториями через SSIM-сравнение скриншотов. Затем берём правильные действия из успешных траекторий и дистиллируем их прямо в контекст неудачных. Никаких внешних моделей — только сравнение внутри группы.
Результат: 4B модель достигает 81% на AndroidWorld, обходя все базовые методы и человеческий уровень.
https://arxiv.org/abs/2603.24533
Обычно неудачные попытки агента управлять телефоном просто выбрасываются. UI-Voyager решает это иначе.
Два этапа обучения:
1. Rejection Fine-Tuning — агент сам генерирует траектории, фильтрует успешные и учится на них итеративно, без ручной разметки.
2. Group Relative Self-Distillation (GRSD) — ключевая идея: находим "точки развилки" (fork points) между успешными и провальными траекториями через SSIM-сравнение скриншотов. Затем берём правильные действия из успешных траекторий и дистиллируем их прямо в контекст неудачных. Никаких внешних моделей — только сравнение внутри группы.
Результат: 4B модель достигает 81% на AndroidWorld, обходя все базовые методы и человеческий уровень.
https://arxiv.org/abs/2603.24533
Voxtral TTS от Mistral: гибридная архитектура против ElevenLabs (by Mistral AI)
Mistral выпустили свою TTS-систему Voxtral, и она бьёт ElevenLabs v3 по схожести голоса. Ключевая идея — гибридная архитектура: не нужно моделировать всё авторегрессивно.
Как работает: кастомный кодек Voxtral Codec разделяет речь на два потока — семантические токены (смысл, структура) и акустические токены (тембр, нюансы). Трансформер авторегрессивно генерирует только семантику, а для акустики используется flow-matching модель. Это быстрее и качественнее чем делать всё авторегрессивно.
Бонус: семантические токены обучаются через дистилляцию из Whisper — не из самосупервайзинга, а из настоящего ASR. Это даёт более "текстово-выровненные" представления.
Ещё адаптировали DPO под гибридный дискретно-непрерывный сеттинг. Поддержка 9 языков, войс-промпт от 3 секунд. Win rate 68.4% против ElevenLabs Flash v2.5 в человеческой оценке.
https://arxiv.org/abs/2603.25551
Mistral выпустили свою TTS-систему Voxtral, и она бьёт ElevenLabs v3 по схожести голоса. Ключевая идея — гибридная архитектура: не нужно моделировать всё авторегрессивно.
Как работает: кастомный кодек Voxtral Codec разделяет речь на два потока — семантические токены (смысл, структура) и акустические токены (тембр, нюансы). Трансформер авторегрессивно генерирует только семантику, а для акустики используется flow-matching модель. Это быстрее и качественнее чем делать всё авторегрессивно.
Бонус: семантические токены обучаются через дистилляцию из Whisper — не из самосупервайзинга, а из настоящего ASR. Это даёт более "текстово-выровненные" представления.
Ещё адаптировали DPO под гибридный дискретно-непрерывный сеттинг. Поддержка 9 языков, войс-промпт от 3 секунд. Win rate 68.4% против ElevenLabs Flash v2.5 в человеческой оценке.
https://arxiv.org/abs/2603.25551
Модели генерации изображений ломаются уже на 4-5 референсах — и вот почему
Хотите сгенерировать сцену с 7 персонажами из разных референсов? Даже лучшие open-source модели (Bagel, OmniGen2) начинают деградировать уже после 3-5 входных картинок. Причина банальная: нет данных для обучения.
Авторы из HKU создали MacroData — 400K сэмплов с до 10 референс-изображений на сэмпл (среднее 5.44). Датасет покрывает 4 задачи: кастомизация (несколько объектов в сцене), иллюстрация (к нарративному тексту), пространственная согласованность (novel view synthesis) и временная (предсказание кадров из видео).
Для оценки — бенчмарк MacroBench на 4000 сэмплов с LLM-as-Judge. Fine-tuning Bagel на MacroData дал существенный прирост и заметно сократил разрыв с закрытыми моделями.
Ключевой вывод: проблема была не в архитектуре, а в данных. Структурированный датасет с длинным контекстом — и модель начинает нормально работать с 10 референсами.
https://arxiv.org/abs/2603.25319
Хотите сгенерировать сцену с 7 персонажами из разных референсов? Даже лучшие open-source модели (Bagel, OmniGen2) начинают деградировать уже после 3-5 входных картинок. Причина банальная: нет данных для обучения.
Авторы из HKU создали MacroData — 400K сэмплов с до 10 референс-изображений на сэмпл (среднее 5.44). Датасет покрывает 4 задачи: кастомизация (несколько объектов в сцене), иллюстрация (к нарративному тексту), пространственная согласованность (novel view synthesis) и временная (предсказание кадров из видео).
Для оценки — бенчмарк MacroBench на 4000 сэмплов с LLM-as-Judge. Fine-tuning Bagel на MacroData дал существенный прирост и заметно сократил разрыв с закрытыми моделями.
Ключевой вывод: проблема была не в архитектуре, а в данных. Структурированный датасет с длинным контекстом — и модель начинает нормально работать с 10 референсами.
https://arxiv.org/abs/2603.25319
Код деградирует с каждой итерацией — и никто это не измерял
Большинство бенчмарков для coding-агентов проверяют: "напиши код по спецификации". Но что если спецификация меняется 5 раз подряд, и агент должен расширять свой же предыдущий код? Авторы из UW-Madison создали SlopCodeBench — 20 задач, 93 чекпоинта, где агент живёт с последствиями своих ранних архитектурных решений.
Два ключевых метрики: verbosity (рост кода без новой функциональности) и structural erosion (концентрация сложности в уже сложных функциях). Результат: erosion растёт в 80% траекторий, verbosity — в 89.8%. Код агентов в 2.2x более многословен, чем код людей, и разрыв увеличивается с каждой итерацией.
Ни один агент не решил задачу целиком. Максимальный solve rate — 17.2%. "Quality-aware" промпты снижают начальный слоп, но не замедляют деградацию.
https://arxiv.org/abs/2603.24755
Большинство бенчмарков для coding-агентов проверяют: "напиши код по спецификации". Но что если спецификация меняется 5 раз подряд, и агент должен расширять свой же предыдущий код? Авторы из UW-Madison создали SlopCodeBench — 20 задач, 93 чекпоинта, где агент живёт с последствиями своих ранних архитектурных решений.
Два ключевых метрики: verbosity (рост кода без новой функциональности) и structural erosion (концентрация сложности в уже сложных функциях). Результат: erosion растёт в 80% траекторий, verbosity — в 89.8%. Код агентов в 2.2x более многословен, чем код людей, и разрыв увеличивается с каждой итерацией.
Ни один агент не решил задачу целиком. Максимальный solve rate — 17.2%. "Quality-aware" промпты снижают начальный слоп, но не замедляют деградацию.
https://arxiv.org/abs/2603.24755
👍1
Apple ML представила LGTM — новый метод для генерации 3D-сцен в разрешении 4K.
Проблема существующих подходов на основе 3D Gaussian Splatting в том, что количество примитивов растёт квадратично с разрешением. На 4K это становится просто неподъёмным.
LGTM решает это элегантно: вместо тысяч гауссианов метод использует компактные примитивы с текстурами на каждом из них. Геометрическая сложность больше не зависит от разрешения рендеринга — они разделены.
Результат: высококачественный синтез новых ракурсов в 4K без оптимизации под каждую сцену отдельно. Раньше feed-forward методы на такое были неспособны.
Работа принята на ICLR 2026. Для разработчиков в AR/VR и 3D-графике это может стать важным шагом к реальному использованию нейронного рендеринга в высоком разрешении.
https://machinelearning.apple.com/research/less-gaussians-texture-more
Проблема существующих подходов на основе 3D Gaussian Splatting в том, что количество примитивов растёт квадратично с разрешением. На 4K это становится просто неподъёмным.
LGTM решает это элегантно: вместо тысяч гауссианов метод использует компактные примитивы с текстурами на каждом из них. Геометрическая сложность больше не зависит от разрешения рендеринга — они разделены.
Результат: высококачественный синтез новых ракурсов в 4K без оптимизации под каждую сцену отдельно. Раньше feed-forward методы на такое были неспособны.
Работа принята на ICLR 2026. Для разработчиков в AR/VR и 3D-графике это может стать важным шагом к реальному использованию нейронного рендеринга в высоком разрешении.
https://machinelearning.apple.com/research/less-gaussians-texture-more
Apple ML представила Athena — систему для генерации мобильных приложений с помощью LLM.
Проблема была в том, что создать полноценный UI через языковую модель крайне сложно: интерфейсы состоят из множества взаимосвязанных файлов — экраны, навигация, модель данных. Один большой промпт почти никогда не даёт нормального результата.
Athena решает это через промежуточные представления: сторибоард приложения, модель данных и скелеты экранов. Разработчик итеративно работает с LLM, уточняя детали на каждом этапе, а не пытается описать всё сразу. В итоге модель генерирует структурированный код в нескольких файлах с меньшим числом ошибок.
В пользовательском исследовании 75% участников предпочли Athena обычному чат-интерфейсу при прототипировании приложений.
Пока это прототип и академическая работа, но направление интересное — особенно на фоне общего тренда на AI-ассистентов для разработки.
https://machinelearning.apple.com/research/athena
Проблема была в том, что создать полноценный UI через языковую модель крайне сложно: интерфейсы состоят из множества взаимосвязанных файлов — экраны, навигация, модель данных. Один большой промпт почти никогда не даёт нормального результата.
Athena решает это через промежуточные представления: сторибоард приложения, модель данных и скелеты экранов. Разработчик итеративно работает с LLM, уточняя детали на каждом этапе, а не пытается описать всё сразу. В итоге модель генерирует структурированный код в нескольких файлах с меньшим числом ошибок.
В пользовательском исследовании 75% участников предпочли Athena обычному чат-интерфейсу при прототипировании приложений.
Пока это прототип и академическая работа, но направление интересное — особенно на фоне общего тренда на AI-ассистентов для разработки.
https://machinelearning.apple.com/research/athena
Apple Machine Learning Research
Athena: Intermediate Representations for Iterative Scaffolded App Generation with an LLM
It is challenging to generate the code for a complete user interface using a Large Language Model (LLM). User interfaces are complex and…
😁1
ShotStream: генерация многосцеников видео в реальном времени по стриминговым промптам
Существующие модели для генерации многосценарного видео (типа HoloCine) требуют сразу все промпты и тратят ~25 минут на 240 кадров — никакой интерактивности. ShotStream решает это, переформулируя задачу как авторегрессионную: каждый следующий шот генерируется поверх предыдущих, принимая промпты на лету.
Ключевые трюки:
1. Двойной кеш памяти — глобальный (sparse-кадры из истории) + локальный (текущий шот), разделённые через RoPE discontinuity indicator.
2. Дистилляция учитель→ученик: медленная bidirectional модель → быстрая 4-шаговая causal модель через Distribution Matching Distillation.
3. Двухэтапная прогрессивная дистилляция против накопления ошибок: сначала на ground-truth истории, потом на самогенерированной.
Результат: 16 FPS на одном H200, нарративно-связные видео, пользователь может менять стиль/персонажей прямо в процессе генерации.
https://arxiv.org/abs/2603.25746
Существующие модели для генерации многосценарного видео (типа HoloCine) требуют сразу все промпты и тратят ~25 минут на 240 кадров — никакой интерактивности. ShotStream решает это, переформулируя задачу как авторегрессионную: каждый следующий шот генерируется поверх предыдущих, принимая промпты на лету.
Ключевые трюки:
1. Двойной кеш памяти — глобальный (sparse-кадры из истории) + локальный (текущий шот), разделённые через RoPE discontinuity indicator.
2. Дистилляция учитель→ученик: медленная bidirectional модель → быстрая 4-шаговая causal модель через Distribution Matching Distillation.
3. Двухэтапная прогрессивная дистилляция против накопления ошибок: сначала на ground-truth истории, потом на самогенерированной.
Результат: 16 FPS на одном H200, нарративно-связные видео, пользователь может менять стиль/персонажей прямо в процессе генерации.
https://arxiv.org/abs/2603.25746