AI FRONTIER
Signals worth understanding before they become obvious.
Tsinghua AI rilascia in open source AKV, un server di cache engineering per agenti LLM su SGLang
Tsinghua AI ha rilasciato in open source AKV, un server di cache engineering per agenti LLM costruito su SGLang. L'abstract del paper inquadra il lavoro attorno a questioni di capacità, valutazione o allineamento dei grandi modelli linguistici, adatto a chi segue metodi e risultati sperimentali.
- Tsinghua AI ha rilasciato AKV in open source e lo presenta come server di cache engineering per agenti LLM.
- AKV è costruito su SGLang.
- L'abstract del paper afferma che il lavoro affronta questioni di capacità, valutazione o allineamento dei grandi modelli linguistici.
Per chi sviluppa agenti LLM, AKV separa il cache engineering in uno strato di servizio dedicato su SGLang, da testare per il riuso della cache nei percorsi di inferenza degli agenti.
ISTA-DASLab pubblica quantizzazioni GGUF non uniformi GSQ-RCO di DeepSeek-V4.1-Flash-1017
ISTA-DASLab ha quantizzato il MoE DeepSeek-V4.1-Flash-1017 da 763,2B parametri e 384 esperti con precisione mista per tensore GSQ e RCO, pubblicando build GGUF standard IQ1_M (1,75 bpw), IQ2_XXS (2,00) e IQ2_XS (2,25).
- Il modello è un MoE sparso con 763,2B parametri, 384 esperti instradati per layer, 6 attivi per token e una finestra di contesto di 1M token.
- Il GGUF backbone contiene 551,9B parametri, e le tabelle di lookup Engram sono 196,6B parametri in IQ4_NL 4,50 bpw, condivise da tutte le build.
- Le dimensioni totali sono 231,32 GB per IQ1_M, 248,84 GB per IQ2_XXS e 265,83 GB per IQ2_XS; tutte e tre girano su una singola GPU da 12 GB di VRAM con Strata.
- Il paper riporta che IQ2_XXS eguaglia il modello base su AIME25 (100,00), GPQA-Diamond (90,91) e LiveCodeBench v6 (89,71), con media dei task di 93,54 e recupero del 100,0%.
Poiché la build IQ2_XXS a 2,00 bpw eguaglierebbe il modello base su questi tre benchmark secondo il paper, gli sviluppatori possono provare localmente un MoE di classe 763B su una GPU da 12 GB più memoria di sistema.
Self-Direction: trasformare gli errori degli agenti in lezioni durature
Il paper introduce Self-Direction, un meccanismo in cui un agente che fallisce un compito riflette sulla propria traiettoria per estrarre una lezione e la distilla immediatamente in un adattatore leggero a basso rango, mantenendo congelati i pesi originali e salvando gli adattatori in una libreria persistente di lezion...
- Ogni adattatore addestra parametri aggiuntivi equivalenti a circa lo 0,02% del numero di parametri del modello base
- Con agenti basati su modelli a pesi aperti della famiglia Qwen, i tassi di successo complessivi migliorano da 8,9 a 17,0 punti percentuali su GAIA, Claw-Eval e Terminal-Bench 2.1
- Il paper riporta che Self-Direction riduce gli errori ripetuti negli incontri futuri con un compito, quasi raddoppiando l'affidabilità delle correzioni dell'agente
- Il paper riporta che pochi adattatori generalizzano a decine di nuovi compiti senza addestramento aggiuntivo
Per chi costruisce agenti, conservare i fallimenti come adattatori a basso rango instradabili offre un percorso di miglioramento più duraturo della riflessione in contesto e meno costoso del fine-tuning completo.
I ricercatori propongono il benchmark MMGR per testare il ragionamento dei modelli multimodali
I ricercatori hanno proposto il benchmark MMGR per testare la capacità di ragionamento dei modelli multimodali. Il benchmark mira a valutare le prestazioni dei modelli multimodali su compiti di ragionamento.
- I ricercatori propongono il benchmark MMGR per testare la capacità di ragionamento dei modelli multimodali.
- La notizia è stata riportata da DoNews.
Per gli sviluppatori di IA, MMGR offre un benchmark dedicato al ragionamento multimodale, utile per misurare e confrontare le prestazioni di ragionamento di diversi modelli multimodali.
Collaborare con le comunità accademiche per costruire comprensione scientifica
OpenAI condivide risultati dei modelli sulla congettura di Kakeya, l'Ipotesi del Tempo Esponenziale e la cromodinamica quantistica, e come i ricercatori possono verificarli e costruirvi sopra.
- OpenAI condivide risultati dei modelli sulla congettura di Kakeya.
- OpenAI condivide risultati dei modelli sull'Ipotesi del Tempo Esponenziale.
- OpenAI condivide risultati dei modelli sulla cromodinamica quantistica.
- OpenAI descrive come i ricercatori possono verificare questi risultati e costruirvi sopra.
Per gli sviluppatori di IA, questo offre casi verificabili di output dei modelli per valutare il ragionamento su problemi matematici e fisici.
SyncVid: diffusione equivariante al mondo per la generazione video sincronizzata
SyncVid campiona il prior di rumore gaussiano in uno spazio 3D canonico derivato dal video sorgente e lo rasterizza verso le camere di destinazione, invece di campionare indipendentemente in ogni piano immagine 2D. Il metodo eleva un video monoculare a una rappresentazione 4D canonica e aggiunge una procedura di whiten...
- L'articolo eleva un video monoculare a una rappresentazione 4D canonica, associa il rumore alla geometria della scena e allo spazio non osservato, e rasterizza il rumore strutturato risultante in viste arbitrarie.
- L'articolo propone una procedura di whitening coerente tra viste che decorrela i pixel vicini preservando la corrispondenza tra le viste.
- Il rumore strutturato funge da prior di diffusione per un modello di diffusione video pre-addestrato adattato con LoRA, senza richiedere modifiche architetturali.
Per chi sviluppa generazione video multi-vista, SyncVid mostra che ancorare la casualità della diffusione in uno spazio 3D canonico può migliorare la coerenza tra viste senza riprogettare l'architettura di diffusione.
PaperFormalizer: autoformalizzazione in Lean di articoli di ricerca con l'autore nel ciclo
PaperFormalizer è una pipeline agentica basata su Lean che parte dal sorgente LaTeX di un articolo, lo trascrive in un grafo di dipendenze di enunciati, verifica ogni enunciato in linguaggio naturale per fedeltà, ambiguità e correttezza, quindi formalizza e dimostra gli enunciati in Lean rispetto a Mathlib, librerie di...
- L'articolo è stato inviato ad arXiv il 22 ottobre 2026 come arXiv:2610.31810 (cs.AI, cross-list cs.LO).
- La pipeline parte dal sorgente LaTeX, trascrive l'articolo in un grafo di dipendenze di enunciati e verifica ogni enunciato in linguaggio naturale.
- La formalizzazione e la dimostrazione avvengono rispetto a Mathlib, librerie di dominio opzionali e il toolkit personale dell'autore.
- L'output è una versione annotata e rivista dell'articolo, un resoconto delle modifiche e codice Lean in cui ogni dichiarazione è collegata all'enunciato che formalizza.
Per chi costruisce strumenti di IA matematica, PaperFormalizer dimostra un modello con l'autore nel ciclo che si ferma davanti all'ambiguità e rimette la decisione all'autore, preservandone il controllo ovunque la formalizzazione potrebbe c...