AI FRONTIER
Signals worth understanding before they become obvious.
LowRAM: टेस्ट-टाइम पर कंपोज़ेबल KV कैश कम्प्रेशन के लिए लो-रैंक कीज़ और अमॉर्टाइज़्ड वैल्यूज़
यह पेपर LowRAM प्रस्तुत करता है, एक असममित KV कैश कम्प्रेशन पाइपलाइन जो टेस्ट-टाइम पर फिट किए गए हल्के प्रति-हेड प्रेडिक्टर से वैल्यू कैश को अमॉर्टाइज़ करती है और इसे क्रॉस-लेयर लो-रैंक की कम्प्रेशन के साथ जोड़ती है। यह 4x कम्प्रेशन पर 5x तक उच्चतर पीक डिकोड थ्रूपुट और क्वांटाइज़ेशन तथा एविक्शन के साथ संयोजन पर लंबे कॉ...
- प्रेडिक्टर को मेटा-लर्निंग द्वारा आरंभ किया जा सकता है जिससे प्रीफिल ओवरहेड काफी कम होता है, या ऐसी सेटिंग्स में शुरू से फिट किया जा सकता है जो एकबारगी लागत की अनुमति देती हैं, जैसे मल्टी-क्वेरी इन्फरेंस।
- LowRAM प्रत्येक डिकोडिंग चरण में KV युग्मों के केवल चयनित उपसमुच्चय का पुनर्निर्माण करता है, और पेपर 4x कम्प्रेशन पर 5x तक उच्चतर पीक डिकोड थ्रूपुट रिपोर्ट करता है।
- क्वांटाइज़ेशन और एविक्शन के साथ संयोजित होने पर, पेपर लंबे कॉन्टेक्स्ट में बेसलाइन प्रदर्शन के 94.5% पर 26.9x कम्प्रेशन रिपोर्ट करता है।
कीज़ और वैल्यूज़ को संरचनात्मक रूप से अलग मानने से बिल्डर लंबे-कॉन्टेक्स्ट सर्विंग में अधिक आक्रामक KV कैश कम्प्रेशन के लिए लो-रैंक की कम्प्रेशन, वैल्यू अमॉर्टाइज़ेशन, क्वांटाइज़ेशन और एविक्शन को एक साथ जोड़ सकते हैं।
FlexFloor: लचीली विशेषज्ञ समानांतरता के माध्यम से संसाधन-कुशल रिइन्फोर्समेंट लर्निंग पोस्ट-ट्रेनिंग
यह पेपर FlexFloor प्रस्तुत करता है, जो सिंक्रोनस रिस्पॉन्स जनरेशन के दौरान रिस्पॉन्स शेड्यूलिंग और सक्रिय worker समूह को साथ-साथ अनुकूलित करता है, जिससे चल रहे रिस्पॉन्स के लिए आवश्यक विशेषज्ञ गणना बनाए रखते हुए worker पहले मुक्त हो जाते हैं।
- पेपर रिपोर्ट करता है कि mixture-of-experts मॉडलों में बेसलाइन के व्यस्त worker समय का लगभग एक-तिहाई स्थानीय रिस्पॉन्स जनरेशन समाप्त होने के बाद होता है।
- पेपर रिपोर्ट करता है कि verl बेसलाइन की तुलना में FlexFloor प्रति इकाई व्यस्त कंप्यूटिंग समय में लगभग 65.40% अधिक रिस्पॉन्स टोकन उत्पन्न करता है।
- पेपर रिपोर्ट करता है कि रिस्पॉन्स जनरेशन थ्रूपुट 52.74% बढ़ता है, और rollout reward में बहुत कम अंतर देखा गया।
- पेपर संदर्भों और परिशिष्टों सहित 19 पृष्ठों का है, जिसमें 5 आंकड़े हैं, और 4 नवंबर 2026 को जमा किया गया।
MoE रिइन्फोर्समेंट लर्निंग पोस्ट-ट्रेनिंग पाइपलाइन बनाने वाली टीमों के लिए, FlexFloor दर्शाता है कि शेड्यूलिंग और worker-रिलीज़ नीतियाँ reward को बहुत बदले बिना प्रति इकाई कंप्यूट rollout उत्पादन बढ़ा सकती हैं।
ToyBlocks: रोबोट सीखने और मूल्यांकन के लिए एक नियंत्रित दुनिया
Ai2 ने ToyBlocks पेश किया है, जो पहला FoundationWorld है: एक रोबोट आर्म और मेज़ पर रखे ब्लॉक्स पर आधारित ओपन सिमुलेशन फ्रेमवर्क, जो कार्यों और प्रदर्शनों को स्वतः उत्पन्न करता है और सफलता दर से आगे के मेट्रिक्स देता है।
- ToyBlocks एक ही GPU पर सैकड़ों प्लान समानांतर रूप से उत्पन्न और निष्पादित करता है, जो रीयल-टाइम प्रदर्शन से अधिकतम 24 गुना तक पहुंचता है।
- स्किल प्रशिक्षण Isaac Lab में होता है, जिसमें रीइन्फोर्समेंट लर्निंग और मोशन प्लानिंग का उपयोग करके धक्का देना और पलटना जैसे नॉन-प्रीहेंसाइल कौशल सीखे जाते हैं।
- एक टास्क-एंड-मोशन प्लानर (TAMP) लेबल किए गए प्रदर्शन डेटासेट बनाने के लिए कौशलों को स्वतः चुनता और क्रमबद्ध करता है।
- मूल्यांकन मेट्रिक्स में निष्पादन गति, वस्तुओं पर लगाए गए बल, और प्लानिंग मॉड्यूल द्वारा उपयोग किए गए समान विनिर्देशों से मापी गई कार्य प्रगति शामिल हैं।
रोबोट लर्निंग टीमों के लिए ToyBlocks एक पुनरुत्पादनीय टेस्टबेड देता है, जिससे डेटा मिश्रण, स्थानिक सामान्यीकरण और यह जांचा जा सके कि विफलता उच्च-स्तरीय प्लानिंग से हुई या निम्न-स्तरीय निष्पादन से।
OpenAI ने BioBasicsBench पेश किया, जो मापता है कि AI एजेंट रोज़मर्रा की वेट-लैब विज्ञान को कैसे संभालते हैं
OpenAI ने BioBasicsBench पेश किया है, जो 100 कार्यों वाला बेंचमार्क है और मापता है कि AI एजेंट कच्चे प्रयोगात्मक डेटा की व्याख्या तथा रोज़मर्रा की वेट-लैब विज्ञान को कितनी अच्छी तरह संभालते हैं।
- बेंचमार्क का नाम BioBasicsBench है और इसे OpenAI ने पेश किया है।
- इसमें 100 कार्य शामिल हैं।
- OpenAI के अनुसार, यह मापता है कि AI एजेंट कच्चे प्रयोगात्मक डेटा की व्याख्या कितनी अच्छी तरह करते हैं।
- OpenAI के अनुसार, यह मापता है कि AI एजेंट रोज़मर्रा की वेट-लैब विज्ञान को कितनी अच्छी तरह संभालते हैं।
विज्ञान एजेंट बनाने वाली टीमों के लिए BioBasicsBench 100 कार्यों वाला मूल्यांकन लक्ष्य देता है, जो केवल साहित्य कार्यों के बजाय कच्चे डेटा की व्याख्या और रोज़मर्रा के वेट-लैब काम पर केंद्रित है।
TRAP: एजेंटिक AI के लिए ट्रस्ट-रेस्पॉन्सिव रनटाइम ऑथराइज़ेशन, अनुभवजन्य विश्लेषण
पेपर ट्रस्ट रेस्पॉन्सिव ऑथराइज़ेशन पॉलिसी (TRAP) का अनुभवजन्य विश्लेषण करता है, जो ऑथराइज़ेशन रेडीनेस स्कोर (ARS) — रनटाइम ट्रस्ट, ऑपरेशनल स्टेबिलिटी और कॉन्टेक्स्टुअल रिस्क का भारित संयोजन — को एक असममित नियम से असतत ऑथराइज़ेशन स्तरों पर मैप करती है: एस्केलेशन के लिए बैंड एज प्लस मार्जिन से ऊपर लगातार अवलोकन आवश्यक है...
- 100 मोंटे कार्लो ट्रेस के एक ही मिलान सेट पर TRAP की तुलना स्टैटिक, केवल-ट्रस्ट, केवल-रिस्क और सिमेट्रिक पॉलिसियों से की गई।
- अचानक गिरावट में TRAP शुरुआत में ही प्रतिबंध लगाती है और रिकवरी के बाद सिमेट्रिक पॉलिसी की तुलना में जल्दी फिर से एस्केलेट करती है।
- एक-कारक स्वीप में रिकवरी समय एस्केलेशन मार्जिन और रन लंबाई के साथ बढ़ता है, स्कोर भार के साथ बदलता है, और प्रतिबंध सीमा से अपरिवर्तित रहता है।
TRAP का प्रतिबंध लाभ इस पर निर्भर है कि गिरावट अचानक हो, इसलिए अपनाने से पहले बिल्डरों को जाँचना चाहिए कि उनके डिप्लॉयमेंट का विफलता पैटर्न इससे मेल खाता है या नहीं।
Qwen/Qwen3.8-27B: मल्टीमॉडल विज़न-लैंग्वेज मॉडल का अनावरण
Qwen/Qwen3.8-27B एक मल्टीमॉडल विज़न-लैंग्वेज मॉडल है जो कोडिंग, पेशेवर कार्य, अनुसंधान और दीर्घकालिक एजेंटिक कार्यों में महत्वपूर्ण लाभ प्रदान करता है, जो छवियों और वीडियो की मूल समझ का समर्थन करता है।
- Likes: 19268
- Downloads: 7845288
- Parameters: 27.8B
- Qwen/Qwen3.8-27B 是多模态视觉语言模型，适合图像理解、视觉问答和文档解析
यह मॉडल मल्टीमॉडल और जटिल कार्य हैंडलिंग में व्यापक सुधार प्रदान करता है, जो उन्नत तर्क और दृश्य समझ की मांग करने वाले बिल्डरों के लिए उपयुक्त है।
Gaussians Can Subtract: हाइब्रिड सीन रेंडरिंग के लिए न्यूरल डिसॉल्व फ़ील्ड
यह पेपर Gaussolve प्रस्तुत करता है, जो हाइब्रिड Mesh-Gaussian रेंडरिंग के लिए ‘घटाओ और फिर भरो’ ढाँचा है: एक हल्का Neural Dissolve Field कई दृश्य-कोणों में असंगत मेश सामग्री को चुनिंदा रूप से घोलता है, फिर अवशिष्ट गॉसियन खुली हुई जगहों को भर देते हैं।
- Neural Dissolve Field को स्केलर गोलाकार-हार्मोनिक गॉसियन से पैरामीटराइज़ किया गया है और यह सीखता है कि मेश सामग्री कहाँ और किन दृश्य-दिशाओं से घोली जानी चाहिए।
- एक सतत ट्रांसमिटेंस फ़्यूज़न नियम घुली हुई मेश के पीछे के अवशिष्ट गॉसियन को क्रमशः उजागर करता है, उनके पुनर्निर्माण ग्रेडिएंट सुरक्षित रखता है और दृश्यता में कठोर असंततता से बचता है।
- पेपर संरचित और अर्ध-संरचित दृश्यों पर कम गॉसियन प्रिमिटिव के साथ अधिक दृश्य निष्ठा और तेज़ रेंडरिंग की रिपोर्ट करता है।
- पेपर WACV 2027 के लिए स्वीकृत हुआ है और पूरक सामग्री सहित 16 पृष्ठ, 11 चित्र और 8 तालिकाएँ शामिल हैं।
हाइब्रिड Mesh-Gaussian दृश्य बनाने वाले डेवलपर्स के लिए, मेश-गॉसियन टकराव को बहु-दृश्य असंगति मानकर दृश्य-दिशा के अनुसार मेश घोलना गॉसियन प्रिमिटिव बढ़ाए बिना निष्ठा और रेंडरिंग गति सुधार सकता है।