AI FRONTIER
Signals worth understanding before they become obvious.
BEVCast: pfadadaptives BEV für effizientes End-to-End-autonomes Fahren
BEVCast ist ein zweistufiges BEV, dessen Auflösung sich an den vorhergesagten Fahrpfad anpasst: Ein grober Durchlauf kodiert die gesamte Szene auf 4,096-m-Zellen, ein auf dem aufgezeichneten Pfad trainiertes Heat-Head wählt die heißesten Zellen zur Verfeinerung auf 1,024-m-Zellen unter festem Budget, der Rest bleibt gr...
- Bei einem Verfeinerungsbudget von 10 % kodiert BEVCast 28 % der BEV-Abfragen und benötigt 66 % der BEV-Encoder-Zeit bei Batch-Größe 1 gegenüber einem vollständigen 1,024-m-Raster.
- Auf nuScenes beträgt der mittlere Verschiebungsfehler 1,078 m gegenüber 1,149 m und die Verletzungsrate der befahrbaren Fläche 1,46 % gegenüber 2,29 %.
- Auf NAVSIM navtest beträgt der mittlere Verschiebungsfehler 0,577 m gegenüber 0,598 m und der erweiterte prädiktive Fahrermodell-Score 82,51 gegenüber 81,28.
- Die Methode benötigt weder HD-Karte noch Navigationsbefehl, und der Trajektorienkopf liest ein BEV mit gemischter Auflösung, das weiterhin die gesamte Szene abdeckt.
Für die BEV-Wahrnehmung im autonomen Fahren senkt die Auflösungszuweisung entlang des vorhergesagten Pfads Abfragen und Encoder-Zeit bei voller Szenenabdeckung und gibt End-to-End-Modellen ein justierbares Rechenbudget.
InstaGen: gruppengeteiltes Importance Sampling für schnelle Videogenerierung
Die Arbeit stellt InstaGen vor, das die Blockauswahl in permuted block-sparse attention (PBSA) für Diffusion Transformers als Importance Sampling formuliert: Die höchstbewerteten Keys bilden eine exakte, vollständig berechnete Menge, während die übrigen Keys durch eine proportional zur geschätzten Attention gezogene St...
- Auf Wan2.1-T2V-1.3B und Wan2.1-T2V-14B verbessert das mit SVG2 parametrisierte InstaGen den PSNR gegenüber SVG2 um 3,4 dB bzw. 2 dB bei gleicher Attention-Dichte.
- Bei gleicher Wanduhrzeit verbessert sich der PSNR um 1,6 dB bzw. 2,2 dB.
- Auf Wan2.1-T2V-14B übertrifft InstaGen SVG-EAR um 1,1 dB PSNR bei nahezu gleicher Dichte und läuft mit 1,65x gegenüber dense, während SVG-EAR 1,48x erreicht.
Der Ersatz der Top-p-Blockauswahl durch eine exakte Menge plus Importance Sampling kann die Qualität von Video-Diffusionsmodellen direkt steigern, ohne Attention-Dichte oder Latenz zu erhöhen.
Das Erzwingen eines Buchstabens unterdrückt Verweigerung: Mechanistische Evidenz aus WMDP
Die Arbeit liefert eine erste mechanistische Erklärung dafür, warum das Multiple-Choice-Format die Verweigerungsraten senkt, getestet auf dem WMDP-Datensatz mit zwei Modellen, Llama-3.1-8B und Qwen3-8B.
- Mit der Tuned-Lens-Technik zeigt die Arbeit, dass sich das Modell bei MCQ sehr schnell auf ein Antwortbuchstaben-Token festlegt, im Gegensatz zum allmählichen Aufbau der Verweigerung in offenen Formaten.
- Aktivierungen im MCQ-Format liegen etwa 3-mal weiter von der Verweigerungsrichtung entfernt als ihre offenen Gegenstücke.
- Die Ablation der Attention-Heads, die die MCQ-Antwort tragen, erhöht die Verweigerung, was die Arbeit als direkten Beleg dafür angibt, dass die MCQ-Antwortauswahl mit der Verweigerung konkurriert.
- Die Arbeit wurde bei BlackboxNLP 2026 (EMNLP 2026 Workshop) angenommen und umfasst 17 Seiten mit 15 Abbildungen.
Entwickler von Sicherheitsevaluierungen sollten beachten, dass MCQ-Sicherheitswerte hauptsächlich Wissensfähigkeiten messen und die Sicherheitsmechanismen des Modells nicht bewerten.
ccore/Qwen3.5-4B-3D-Coder als frühe Vorschau: Fokus auf Three.js-3D-Szenengenerierung
Dies ist eine frühe Vorschau eines 4B-Modells, das CCORE unabhängig auf Basis von Qwen/Qwen3.5-4B feinabgestimmt hat, mit Fokus auf allgemeines Coding und interaktive 3D-Szenengenerierung mit Three.js; es ist keine offizielle Qwen-Veröffentlichung. FP16-Safetensors-Gewichte, Q4_K_M- und Q8_0-GGUF-Versionen, der Trainin...
- Die Modellkarte nennt 947 Likes, 289.466 Downloads im letzten Monat und eine Apache-2.0-Lizenz.
- Der Trainingsdatensatz CCORE Three.js 3D Scenes enthält 4.146 Szenenbeispiele (3.933 Training / 213 Validierung) und steht unter der MIT-Lizenz.
- Die GGUF-Versionen Q4_K_M und Q8_0 können mit einem etwa 644 MiB großen BF16-Vision-Projektor Bildeingaben verarbeiten; der Autor berichtet von lokalen Tests mit llama.cpp b11889.
- Laut Autor hat der Checkpoint vom 27. Oktober die One-Shot-Erfolgsrate und die Szenenqualität deutlich verbessert, einige Szenen erfordern jedoch weiterhin einen weiteren Versuch oder eine Korrektur.
Für Entwickler von 3D- oder Creative-Coding-Werkzeugen ist dies ein lokal einsetzbares kleines Modell mit öffentlichem Datensatz und quantisierten Varianten, das einen konkreten Ausgangspunkt für Feinabstimmung und Bewertung der Three.js-Sz...
Control Room vorgestellt: Menschliche Kontrolle über KI-Workloads
OpenAIs Control Room verfolgt Modell-Workloads in der Forschungsinfrastruktur und kann sie bei Sicherheits- oder Schutzbedenken schnell stoppen.
- Control Room verfolgt Modell-Workloads in OpenAIs Forschungsinfrastruktur.
- Control Room kann diese Workloads bei Sicherheits- oder Schutzbedenken schnell stoppen.
Für Teams, die Modelle auf gemeinsam genutzter Forschungsinfrastruktur betreiben, zeigt Control Room, dass die Fähigkeit zum schnellen Stoppen als eigene Kontrollebene aufgebaut wird und nicht den Guardrails einzelner Workloads überlassen b...
Hochdimensionale Off-Policy-Evaluierung ohne Stichprobenteilung mittels Onsager-Korrektur
Die Arbeit entwickelt ein Onsager-korrigiertes, mit der Zielpolitik gewichtetes Kriterium, das das Out-of-Sample-Risiko des auf allen Daten trainierten Reward-Modells unter der Zielpolitik allein aus dessen Trainingsbeobachtungen schätzt und damit frühes Stoppen entlang der Gradientenabstiegs-Trajektorie auf den vollen...
- Die Arbeit beweist eine Near-Oracle-Garantie für das ausgewählte Reward-Modell unter denselben Annahmen.
- Dieselbe Korrektur liefert einen doppelt robusten Schätzer, der den wahren Politikwert ohne Stichprobenteilung konsistent schätzt, selbst wenn der Vorhersagefehler des Reward-Modells nicht verschwindet.
Für KI-Entwickler, die Off-Policy-Evaluierung betreiben, bedeutet dies, Reward-Modelle aus der Trainings-Trajektorie auf den vollen Daten auszuwählen und doppelt robuste Wertschätzungen zu erhalten, ohne Daten für eine Held-out-Aufteilung z...
VoluCompose: Kompakte volumetrische visuelle Repräsentationen für das Verständnis medizinischer Bilder
VoluCompose ist ein trainingsfreies, modellagnostisches Framework, das trennt, welche visuellen Inhalte beibehalten und wie viele Tokens zugewiesen werden, und volumetrische medizinische Bilder über ein hyperbolisches Token-Kompositionsmodul und ein auf Attention-Entropie basierendes Kapazitätskontrollmodul komprimiert...
- Die Arbeit berichtet, dass VoluCompose über neun kalibrierte Einstellungen hinweg das höchste mittlere Qualitäts-Retentions-Hypervolumen unter den verglichenen Methoden erreicht.
- Die Arbeit berichtet eine mittlere relative Qualität von 121,68 % gegenüber den unkomprimierten Referenzen bei durchschnittlich 22,78 % beibehaltener visueller Tokens.
- Die Arbeit berichtet, dass die Kompression selbst bei einem Token-Budget von 10 % robust bleibt, wobei das niedrigste ROUGE-L-Verhältnis zur unkomprimierten Referenz für VoluCompose 96,4 % beträgt.
- Die Arbeit berichtet, dass die entsprechenden Minima der Kompressions-Baselines zwischen 15,0 % und 70,5 % liegen.
Für Entwickler medizinischer Vision-Language-Modelle zeigt VoluCompose, dass volumetrische Tokens ohne Training auf etwa 22,78 % reduziert werden können, während die Qualität erhalten bleibt, was die Inferenzkosten langer Schichtsequenzen s...
Von der Geometrie zur Funktion: Ein Multi-Task-LiDAR-Benchmark-Datensatz für semantische und funktionale Analyse urbaner Fassaden
Das Paper stellt HFX3D vor, einen groß angelegten Benchmark für urbane Fassaden mit etwa 492 Millionen LiDAR-Punkten aus 26 Gebäuden in Halifax, Kanada, erfasst über vier Jahreszeiten, Tag und Nacht sowie unterschiedliche Wetterbedingungen, wobei jede Fassade auf drei Ebenen annotiert ist: semantisch, instanzbasiert un...
- HFX3D enthält etwa 492 Millionen LiDAR-Punkte aus 26 Gebäuden in Halifax, Kanada.
- Die Daten umfassen vier Jahreszeiten, Tag und Nacht sowie unterschiedliche Wetterbedingungen.
- Jede Fassade ist auf drei Ebenen annotiert: semantisch, instanzbasiert und mit funktionalen Attributen pro Instanz.
Der Benchmark verlagert die Evaluierung über Geometrie und semantische Segmentierung hinaus auf funktionales Schlussfolgern und bietet Entwicklern eine quantitative Testumgebung für funktionsbewusste 3D-Stadtverständnismodelle.