Today’s frontier report
Research Pool → Multi-Scout → Editor → Edition
3qk7 · AI LOCAL LABS TECHNICAL SCOUTING

AI FRONTIER

Signals worth understanding before they become obvious.

2026-11-10
01
testinferencecost collapse

BEVCast: कुशल एंड-टू-एंड स्वायत्त ड्राइविंग के लिए पथ-अनुकूली BEV

BEVCast एक दो-चरणीय BEV है जिसका रिज़ॉल्यूशन अनुमानित ड्राइविंग पथ के अनुसार बदलता है: एक मोटा पास पूरे दृश्य को 4.096 मीटर सेल पर एन्कोड करता है, रिकॉर्ड किए गए पथ पर प्रशिक्षित हीट हेड सबसे अधिक हीट वाले सेल को तय बजट के तहत 1.024 मीटर सेल में परिष्कृत करने के लिए चुनता है, और शेष सेल मोटे रहते हैं।

  • 10% परिष्करण बजट पर BEVCast BEV क्वेरी का 28% एन्कोड करता है और batch size 1 पर पूर्ण 1.024 मीटर ग्रिड की तुलना में BEV एन्कोडर समय का 66% लेता है।
  • nuScenes पर इसका औसत विस्थापन त्रुटि 1.078 मीटर बनाम 1.149 मीटर है और ड्राइवेबल एरिया उल्लंघन दर 1.46% बनाम 2.29% है।
  • NAVSIM navtest पर इसका औसत विस्थापन त्रुटि 0.577 मीटर बनाम 0.598 मीटर है और विस्तारित प्रेडिक्टिव ड्राइवर मॉडल स्कोर 82.51 बनाम 81.28 है।
  • इस विधि को न HD मैप चाहिए न नेविगेशन कमांड, और ट्रैजेक्टरी हेड मिश्रित-रिज़ॉल्यूशन BEV पढ़ता है जो फिर भी पूरे दृश्य को कवर करता है।

स्वायत्त ड्राइविंग BEV परसेप्शन में अनुमानित पथ के साथ रिज़ॉल्यूशन बाँटने से पूर्ण दृश्य कवरेज बनाए रखते हुए क्वेरी और एन्कोडर समय घटता है, जिससे एंड-टू-एंड मॉडल को समायोज्य कंप्यूट बजट मिलता है।

arXiv cs.CV
02
testcreativecost collapse

InstaGen: तेज़ वीडियो जनरेशन के लिए समूह-साझा महत्व नमूनाकरण

यह पेपर InstaGen प्रस्तुत करता है, जो Diffusion Transformers के permuted block-sparse attention (PBSA) में ब्लॉक चयन को महत्व नमूनाकरण के रूप में तैयार करता है: सर्वोच्च स्कोर वाली कुंजियाँ एक सटीक सेट बनाती हैं जिसकी पूरी गणना होती है, जबकि शेष कुंजियाँ अनुमानित अटेंशन के अनुपात में निकाले गए नमूने द्वारा दर्शायी जाती...

  • Wan2.1-T2V-1.3B और Wan2.1-T2V-14B पर, SVG2 द्वारा पैरामीटराइज़्ड InstaGen समान अटेंशन घनत्व पर SVG2 की तुलना में PSNR को क्रमशः 3.4 dB और 2 dB सुधारता है।
  • समान वॉल-क्लॉक समय पर PSNR क्रमशः 1.6 dB और 2.2 dB सुधरता है।
  • Wan2.1-T2V-14B पर, InstaGen लगभग समान घनत्व पर SVG-EAR से 1.1 dB PSNR आगे है, तथा dense की तुलना में 1.65x पर चलता है जबकि SVG-EAR 1.48x है।
  • पेपर बताता है कि वीडियो जनरेशन में सामान्य उच्च-एंट्रॉपी अटेंशन शासनों में top-p चयन नमूनाकरण में अत्यधिक अक्षम है, जहाँ समान गणना बजट में नमूनाकरण काफी बेहतर सन्निकटन देता है।

top-p ब्लॉक चयन को सटीक सेट और महत्व नमूनाकरण से बदलने से अटेंशन घनत्व या विलंबता बढ़ाए बिना वीडियो डिफ्यूज़न मॉडल की गुणवत्ता सीधे बढ़ाई जा सकती है।

arXiv cs.CV
03
watchresearchcapability unlock

एक अक्षर थोपना इनकार को दबाता है: WMDP से मशीनिस्टिक प्रमाण

यह पेपर बहुविकल्पीय प्रारूप द्वारा इनकार दर कम होने की पहली मशीनिस्टिक व्याख्या प्रस्तुत करता है, जिसे WMDP डेटासेट पर Llama-3.1-8B और Qwen3-8B दो मॉडलों पर परखा गया।

  • tuned lens तकनीक का उपयोग करते हुए, पेपर दिखाता है कि MCQ पर मॉडल बहुत जल्दी उत्तर-अक्षर टोकन पर स्थिर हो जाता है, जबकि खुले प्रारूपों में इनकार धीरे-धीरे बनता है।
  • MCQ प्रारूप पर सक्रियण खुले प्रारूप वाले समकक्षों की तुलना में इनकार दिशा से लगभग 3 गुना अधिक दूर होते हैं।
  • MCQ उत्तर वहन करने वाले अटेंशन हेड्स का एब्लेशन इनकार को बढ़ाता है, जिसे पेपर इस बात का सीधा प्रमाण बताता है कि MCQ उत्तर-चयन इनकार से प्रतिस्पर्धा करता है।
  • यह पेपर BlackboxNLP 2026 (EMNLP 2026 वर्कशॉप) में स्वीकृत हुआ और इसमें 17 पृष्ठ तथा 15 आंकड़े हैं।

सुरक्षा मूल्यांकन बनाने वाले डेवलपर्स को ध्यान देना चाहिए कि MCQ सुरक्षा स्कोर मुख्य रूप से ज्ञान क्षमताओं को मापते हैं और मॉडल के सुरक्षा तंत्रों का आकलन नहीं करते।

arXiv cs.CL
04
testmodelsopen source unlock

ccore/Qwen3.5-4B-3D-Coder का शुरुआती प्रीव्यू: Three.js 3D सीन बनाने पर केंद्रित

यह Qwen/Qwen3.5-4B पर आधारित CCORE के स्वतंत्र फाइन-ट्यून किए गए 4B मॉडल का शुरुआती प्रीव्यू है, जो सामान्य कोडिंग और Three.js से इंटरैक्टिव 3D सीन बनाने पर केंद्रित है; यह Qwen का आधिकारिक रिलीज़ नहीं है। FP16 Safetensors वेट, Q4_K_M और Q8_0 GGUF संस्करण, ट्रेनिंग डेटासेट और तकनीकी रिपोर्ट उपलब्ध हैं।

  • मॉडल कार्ड के अनुसार 947 लाइक, पिछले महीने 289,466 डाउनलोड और Apache-2.0 लाइसेंस है।
  • ट्रेनिंग डेटासेट CCORE Three.js 3D Scenes में 4,146 सीन उदाहरण (3,933 ट्रेनिंग / 213 वैलिडेशन) हैं और यह MIT लाइसेंस के तहत जारी है।
  • Q4_K_M और Q8_0 GGUF संस्करण लगभग 644 MiB के BF16 विज़न प्रोजेक्टर के साथ इमेज इनपुट ले सकते हैं; लेखक के अनुसार इसे llama.cpp b11889 के साथ लोकल टेस्ट किया गया।
  • लेखक के अनुसार 27 अक्टूबर के चेकपॉइंट ने वन-शॉट सफलता और सीन गुणवत्ता में काफी सुधार किया, हालांकि कुछ सीन में अभी भी दोबारा प्रयास या सुधार की जरूरत पड़ सकती है।

3D या क्रिएटिव-कोडिंग टूल बनाने वालों के लिए यह सार्वजनिक डेटासेट और क्वांटाइज़्ड संस्करणों वाला लोकल पर तैनात करने योग्य छोटा मॉडल है, जो Three.js सीन जनरेशन को फाइन-ट्यून और मूल्यांकन करने का व्यावहारिक शुरुआती बिंदु है।

Hugging Face Trending
05
watchdevelopernew architecture

Control Room का परिचय: AI वर्कलोड पर मानवीय नियंत्रण

OpenAI का Control Room अपने अनुसंधान अवसंरचना में मॉडल वर्कलोड को ट्रैक करता है और सुरक्षा या संरक्षा संबंधी चिंताएँ उठने पर उन्हें तेज़ी से रोक सकता है।

  • Control Room OpenAI की अनुसंधान अवसंरचना में मॉडल वर्कलोड को ट्रैक करता है।
  • सुरक्षा या संरक्षा संबंधी चिंताएँ उठने पर Control Room उन वर्कलोड को तेज़ी से रोक सकता है।

साझा अनुसंधान अवसंरचना पर मॉडल चलाने वाली टीमों के लिए, Control Room दर्शाता है कि तेज़ी से रोकने की क्षमता को प्रत्येक वर्कलोड के गार्डरेल पर छोड़ने के बजाय एक अलग नियंत्रण परत के रूप में बनाया जा रहा है।

OpenAI News
06
watchresearchincremental

Onsager सुधार के साथ नमूना विभाजन रहित उच्च-आयामी ऑफ-पॉलिसी मूल्यांकन

यह पेपर एक Onsager-संशोधित, लक्ष्य-नीति-भारित मानदंड विकसित करता है जो लक्ष्य नीति के अंतर्गत पूर्ण-डेटा रिवॉर्ड मॉडल के आउट-ऑफ-सैंपल जोखिम का अनुमान केवल उसके प्रशिक्षण अवलोकनों से लगाता है, जिससे नमूना विभाजन के बिना पूर्ण-डेटा ग्रेडिएंट-डिसेंट प्रक्षेपवक्र पर अर्ली स्टॉपिंग संभव होती है।

  • पेपर इन्हीं मान्यताओं के तहत चयनित रिवॉर्ड मॉडल के लिए नियर-ओरेकल गारंटी सिद्ध करता है।
  • यही सुधार एक डबली रोबस्ट अनुमानक देता है जो नमूना विभाजन के बिना सच्चे नीति मूल्य का संगत अनुमान लगाता है, तब भी जब रिवॉर्ड मॉडल की भविष्यवाणी त्रुटि शून्य न हो।

ऑफ-पॉलिसी मूल्यांकन करने वाले AI डेवलपर्स के लिए इसका अर्थ है कि होल्ड-आउट विभाजन में डेटा गंवाए बिना पूर्ण-डेटा प्रशिक्षण प्रक्षेपवक्र से रिवॉर्ड मॉडल चुने जा सकते हैं और डबली रोबस्ट मूल्य अनुमान प्राप्त किए जा सकते हैं।

arXiv stat.ML
07
testinferencecost collapse

VoluCompose: चिकित्सा छवि समझ के लिए संक्षिप्त वॉल्यूमेट्रिक दृश्य प्रतिनिधित्व का निर्माण

VoluCompose एक प्रशिक्षण-रहित, मॉडल-अज्ञेय फ्रेमवर्क है जो यह अलग करता है कि कौन-सी दृश्य सामग्री रखनी है और कितने टोकन आवंटित करने हैं, तथा हाइपरबॉलिक टोकन कंपोज़िशन मॉड्यूल और अटेंशन एन्ट्रॉपी आधारित क्षमता नियंत्रण मॉड्यूल से वॉल्यूमेट्रिक चिकित्सा छवियों को संपीड़ित करता है।

  • पेपर रिपोर्ट करता है कि नौ कैलिब्रेटेड सेटिंग्स में VoluCompose तुलना किए गए तरीकों में सर्वाधिक औसत गुणवत्ता-प्रतिधारण हाइपरवॉल्यूम प्राप्त करता है।
  • पेपर रिपोर्ट करता है कि असंपीड़ित संदर्भों की तुलना में औसत सापेक्ष गुणवत्ता 121.68% है, जबकि औसतन 22.78% दृश्य टोकन बनाए रखे जाते हैं।
  • पेपर रिपोर्ट करता है कि 10% टोकन बजट पर भी संपीड़न मजबूत रहता है, और VoluCompose के लिए असंपीड़ित संदर्भ के सापेक्ष न्यूनतम ROUGE-L अनुपात 96.4% है।
  • पेपर रिपोर्ट करता है कि संपीड़न बेसलाइन के संगत न्यूनतम मान 15.0% से 70.5% तक हैं।

चिकित्सा विज़न-भाषा मॉडल बनाने वालों के लिए, VoluCompose दिखाता है कि बिना प्रशिक्षण वॉल्यूमेट्रिक टोकन लगभग 22.78% तक घटाए जा सकते हैं और गुणवत्ता बनी रहती है, जिससे लंबी स्लाइस अनुक्रमों की अनुमान लागत घटती है।

arXiv cs.CV
08
testresearchbenchmark jump

ज्यामिति से कार्य तक: शहरी फ़साड के सार्थक और कार्यात्मक पार्सिंग के लिए एक मल्टी-टास्क LiDAR बेंचमार्क डेटासेट

पेपर HFX3D पेश करता है, जो कनाडा के हैलिफ़ैक्स में 26 इमारतों से लगभग 49.2 करोड़ LiDAR बिंदुओं वाला एक बड़े पैमाने का शहरी फ़साड बेंचमार्क है, जिसे चारों मौसमों, दिन-रात और विविध मौसम में कैप्चर किया गया है और हर फ़साड को सार्थक, इंस्टेंस और प्रति-इंस्टेंस कार्यात्मक विशेषता के तीन स्तरों पर एनोटेट किया गया है। लेखक इस...

  • HFX3D में कनाडा के हैलिफ़ैक्स की 26 इमारतों से लगभग 49.2 करोड़ LiDAR बिंदु शामिल हैं।
  • डेटा चारों मौसम, दिन-रात और विविध मौसम की स्थितियों को कवर करता है।
  • हर फ़साड को तीन स्तरों पर एनोटेट किया गया है: सार्थक, इंस्टेंस और प्रति-इंस्टेंस कार्यात्मक विशेषताएँ।
  • पेपर बताता है कि गंभीर क्लास असंतुलन के तहत सार्थक सेगमेंटेशन पहले से ही चुनौतीपूर्ण है, जबकि दोहरावदार संरचनाओं का इंस्टेंस पृथक्करण और ज्यामिति से कार्यात्मक तर्क काफ़ी अधिक कठिन हैं।

यह बेंचमार्क मूल्यांकन को ज्यामिति और सार्थक सेगमेंटेशन से आगे कार्यात्मक तर्क तक ले जाता है और कार्य-जागरूक 3D शहरी समझ मॉडल के लिए मात्रात्मक परीक्षण आधार देता है।

arXiv cs.CV