Notizie

Pubblicato un agente mobile near-frontier con ambienti e ricette di training completamente aperti: MobileGym++ simula 35 app commerciali con workflow cross-app, con reset e verifica controllabili. Rilevante per chi costruisce agenti on-device.

Nuovo Benchmark che misura quanto i modelli di generazione video mantengono una Memoria coerente del mondo che generano: contenuto già osservato preservato ed evoluzione coerente nel tempo, oltre a fedeltà visiva e durata.

Un paper mostra che i Benchmark di istruzione verificabile possono dare il punteggio pieno a risposte con poco contenuto reale, e che usare lo stesso criterio come reward nell'addestramento può indurre reward hacking.

ClawLoop (LongCat) forma agenti LLM in sandbox con un ciclo autosostenente in tre fasi — sintesi dei task, addestramento SFT/RL, diagnosi dei rollout — che restituisce feedback alla sintesi dei task successivi, eliminando il modello esterno che normalmente sintetizza task e traiettorie. Con Qwen3.6-27B migliora su SkillsBench, Claw-Eval-Live e ClawGym-Bench; i task raffinati si trasferiscono con guadagni anche a Qwen3.5-4B e 9B.

Nuovo paper su Hugging Face: allineare le rappresentazioni latenti di generatori di immagini con architetture diverse (diffusion e flow matching) è ancora un problema aperto. InstantFusion propone un'interfaccia latente condivisa per rendere i generatori interoperabili.

I modelli multimediali pagano un costo elevato codificando ogni immagine in Token fissi e densi. VisionWeave propone rappresentazioni visive elastiche: dettaglio fine dove serve, codifica compatta altrove, senza sacrificare la comprensione.

Un Transformer addestrato a prevedere i marginali condizionali delle variabili mancanti, l'ingrediente chiave per calcolare il rischio bayesiano e il valore di un'osservazione aggiuntiva prima di decidere in condizioni di informazione incompleta.

Un nuovo paper mostra che un blocco Transformer unico, applicato ricorsivamente, eguaglia l'accuratezza di un encoder visivo a piena profondità a parità di FLOPs di Inferenza. La chiave è rappresentare gli FFN di ciascuna profondità ricorsiva come combinazione convessa di una piccola banca di expert condivisi, senza distillazione delle feature intermedie.

Un nuovo paper mostra come un modello multimodale possa interiorizzare la capacità di ragionamento spaziale di un agente che usa strumenti, riducendo il costo di Inferenza: il modello impara da tracciamenti verificati delle proprie esecuzioni, senza dipendere da strumenti esterni.

Il paper PaLoRA mostra che la restrizione del passo nei metodi LoRA per l'apprendimento continuo dovrebbe crescere con il rango effettivo della conoscenza accumulata, e propone un ritmo adattivo che porta +4% di accuratezza su Benchmark a 50 task.

Kandinsky Lab pubblica il paper di Kandinsky 6.0 Video: una coppia di modelli foundation per la generazione sincronizzata di video e audio, primo paper della giornata su Hugging Face con 8 modelli e 6 Spaces già collegati.

Lightricks pubblica LTX-2.5, open weights: generazione video con audio sincronizzato a partire da testo, immagine o video, con multi-shot nativo che preserva identità e stile tra le scene, un nuovo decodificatore video a diffusione al posto della fase VAE e un encoder di testo Gemma 4 12B. I pesi sono pensati per l'esecuzione e il Fine-tuning su infrastruttura propria.

I ricercatori dell'University of Central Florida propongono TACO, un ottimizzatore ternario one-sparse per colonna per il Fine-tuning degli LLM: mantiene i gradienti di primo ordine riducendo lo stato persistente dell'ottimizzatore da 27,7 GB a 0,16 GB su OPT-13B.

Un nuovo metodo, WUSH-KV, riduce la memoria e la banda occupate dalla KV cache per l'Inferenza a lungo contesto, quantizzandola a bassa precisione con trasformazioni calibrate sui dati. A 2 bit, l'approccio eguaglia o supera la trasformazione OSCAR su tutti i modelli e i task testati. È il segno che l'ottimizzazione della memoria non riguarda più solo i pesi, ma anche la memoria di contesto.

Il paper PISA propone una strategia di selezione Top-K a piramide che porta l'attenzione a blocchi sparsi a complessità O(N log N), riducendo il collo di bottiglia quadratico della selezione dei blocchi; kernel Triton per addestramento e Inferenza.