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: BEV thích ứng lộ trình cho lái xe tự hành đầu-cuối hiệu quả

BEVCast là BEV hai giai đoạn có độ phân giải thích ứng theo lộ trình lái dự đoán: lượt thô mã hóa toàn bộ cảnh trên ô 4,096 m, heat head huấn luyện trên lộ trình ghi lại chọn các ô có heat cao nhất để tinh chỉnh thành ô 1,024 m trong ngân sách cố định, phần còn lại giữ độ phân giải thô.

  • Với ngân sách tinh chỉnh 10%, BEVCast mã hóa 28% truy vấn BEV và cần 66% thời gian encoder BEV ở batch size 1 so với lưới đầy đủ 1,024 m.
  • Trên nuScenes, sai số dịch chuyển trung bình là 1,078 m so với 1,149 m và tỷ lệ vi phạm vùng có thể lái là 1,46% so với 2,29%.
  • Trên NAVSIM navtest, sai số dịch chuyển trung bình là 0,577 m so với 0,598 m và điểm extended predictive driver model là 82,51 so với 81,28.
  • Phương pháp không cần bản đồ HD lẫn lệnh dẫn đường, và trajectory head đọc BEV độ phân giải hỗn hợp vẫn bao phủ toàn bộ cảnh.

Với nhận thức BEV trong lái xe tự hành, phân bổ độ phân giải theo lộ trình dự đoán giúp giảm truy vấn và thời gian encoder mà vẫn bao phủ toàn cảnh, mang lại ngân sách tính toán điều chỉnh được cho mô hình đầu-cuối.

arXiv cs.CV
02
testcreativecost collapse

InstaGen: Lấy mẫu theo tầm quan trọng chia sẻ theo nhóm cho sinh video nhanh

Bài báo giới thiệu InstaGen, đơn vị định dạng lại việc chọn khối trong permuted block-sparse attention (PBSA) của Diffusion Transformer thành lấy mẫu theo tầm quan trọng: các khóa điểm cao nhất tạo thành một tập chính xác được tính đầy đủ, còn các khóa còn lại được đại diện bởi một mẫu rút theo tỷ lệ với attention ước ...

  • Trên Wan2.1-T2V-1.3B và Wan2.1-T2V-14B, InstaGen được tham số hóa bằng SVG2 cải thiện PSNR so với SVG2 lần lượt 3,4 dB và 2 dB ở cùng mật độ attention.
  • Ở cùng thời gian thực, PSNR cải thiện lần lượt 1,6 dB và 2,2 dB.
  • Trên Wan2.1-T2V-14B, InstaGen vượt SVG-EAR 1,1 dB PSNR ở mật độ gần như tương đương, chạy nhanh 1,65x so với dense trong khi SVG-EAR đạt 1,48x.
  • Bài báo báo cáo rằng chọn top-p rất kém hiệu quả về lấy mẫu trong các chế độ attention entropy cao thường gặp trong sinh video, nơi lấy mẫu cho xấp xỉ tốt hơn đáng kể trong cùng ngân sách tính toán.

Thay chọn khối top-p bằng tập chính xác cộng lấy mẫu theo tầm quan trọng có thể trực tiếp nâng chất lượng mô hình khuếch tán video mà không tăng mật độ attention hay độ trễ.

arXiv cs.CV
03
watchresearchcapability unlock

Ép buộc một chữ cái làm suy giảm từ chối: Bằng chứng cơ chế từ WMDP

Bài báo đưa ra giải thích cơ chế đầu tiên về việc định dạng trắc nghiệm làm giảm tỷ lệ từ chối, được kiểm chứng trên tập dữ liệu WMDP với hai mô hình Llama-3.1-8B và Qwen3-8B.

  • Sử dụng kỹ thuật tuned lens, bài báo cho thấy mô hình chốt vào token chữ cái trả lời rất nhanh ở MCQ, trái ngược với sự hình thành từ chối dần dần ở định dạng mở.
  • Các kích hoạt ở định dạng MCQ nằm xa hướng từ chối khoảng 3 lần so với các kích hoạt tương ứng ở định dạng mở.
  • Việc loại bỏ các attention head mang câu trả lời MCQ làm tăng từ chối, được bài báo nêu là bằng chứng trực tiếp rằng việc chọn câu trả lời MCQ cạnh tranh với từ chối.
  • Bài báo được chấp nhận tại BlackboxNLP 2026 (hội thảo EMNLP 2026), gồm 17 trang và 15 hình.

Người xây dựng đánh giá an toàn nên lưu ý rằng điểm an toàn MCQ chủ yếu đo năng lực kiến thức và không đánh giá các cơ chế an toàn của mô hình.

arXiv cs.CL
04
testmodelsopen source unlock

Bản xem trước sớm ccore/Qwen3.5-4B-3D-Coder: tập trung tạo cảnh 3D bằng Three.js

Đây là bản xem trước sớm của một mô hình 4B do CCORE tự tinh chỉnh từ Qwen/Qwen3.5-4B, tập trung vào lập trình tổng quát và tạo cảnh 3D tương tác bằng Three.js; đây không phải bản phát hành chính thức của Qwen. Trọng số FP16 Safetensors, các phiên bản GGUF Q4_K_M và Q8_0, bộ dữ liệu huấn luyện và báo cáo kỹ thuật đều đ...

  • Thẻ mô hình ghi 947 lượt thích, 289.466 lượt tải trong tháng trước và giấy phép Apache-2.0.
  • Bộ dữ liệu huấn luyện CCORE Three.js 3D Scenes gồm 4.146 ví dụ cảnh (3.933 huấn luyện / 213 kiểm định) và được phát hành theo Giấy phép MIT.
  • Các phiên bản GGUF Q4_K_M và Q8_0 có thể nhận đầu vào hình ảnh với bộ chiếu thị giác BF16 khoảng 644 MiB; tác giả cho biết đã thử nghiệm cục bộ với llama.cpp b11889.
  • Tác giả cho biết checkpoint ngày 27 tháng 10 đã cải thiện đáng kể tỷ lệ thành công ngay lần đầu và chất lượng cảnh, dù một số cảnh vẫn cần thử lại hoặc chỉnh sửa.

Với người xây dựng công cụ 3D hoặc lập trình sáng tạo, đây là mô hình nhỏ có thể triển khai cục bộ, kèm bộ dữ liệu công khai và các bản lượng tử hóa, nên là điểm khởi đầu thực tế để tinh chỉnh và đánh giá việc tạo cảnh Three.js.

Hugging Face Trending
05
watchdevelopernew architecture

Giới thiệu Control Room: con người kiểm soát khối lượng công việc AI

Control Room của OpenAI theo dõi khối lượng công việc của mô hình trên hạ tầng nghiên cứu và có thể dừng nhanh chúng khi xuất hiện lo ngại về an toàn hoặc bảo mật.

  • Control Room theo dõi khối lượng công việc của mô hình trên hạ tầng nghiên cứu của OpenAI.
  • Control Room có thể dừng nhanh các khối lượng công việc đó khi xuất hiện lo ngại về an toàn hoặc bảo mật.

Với các nhóm chạy mô hình trên hạ tầng nghiên cứu dùng chung, Control Room cho thấy năng lực dừng nhanh đang được xây dựng như một lớp kiểm soát riêng thay vì giao cho các rào chắn của từng khối lượng công việc.

OpenAI News
06
watchresearchincremental

Đánh giá ngoài chính sách chiều cao không cần chia mẫu bằng hiệu chỉnh Onsager

Bài báo phát triển một tiêu chí được hiệu chỉnh Onsager và đánh trọng số theo chính sách mục tiêu, ước lượng rủi ro ngoài mẫu của mô hình phần thưởng huấn luyện trên toàn bộ dữ liệu dưới chính sách mục tiêu chỉ từ các quan sát huấn luyện của nó, cho phép dừng sớm dọc quỹ đạo hạ gradient trên toàn bộ dữ liệu mà không cầ...

  • Bài báo chứng minh bảo đảm gần oracle cho mô hình phần thưởng được chọn dưới các giả định đó.
  • Cùng hiệu chỉnh đó tạo ra một ước lượng doubly robust ước lượng nhất quán giá trị chính sách thực mà không cần chia mẫu, ngay cả khi sai số dự đoán của mô hình phần thưởng không tiến về không.

Với các nhà phát triển AI làm đánh giá ngoài chính sách, điều này cho phép chọn mô hình phần thưởng và thu được ước lượng giá trị doubly robust từ quỹ đạo huấn luyện trên toàn bộ dữ liệu mà không phải hy sinh dữ liệu cho tập hold-out.

arXiv stat.ML
07
testinferencecost collapse

VoluCompose: Xây dựng biểu diễn thị giác thể tích gọn nhẹ cho hiểu ảnh y tế

VoluCompose là một khung không cần huấn luyện và độc lập với mô hình, tách biệt việc giữ nội dung thị giác nào khỏi việc phân bổ bao nhiêu token, thông qua mô-đun tổ hợp token hyperbolic và mô-đun kiểm soát dung lượng dựa trên entropy chú ý để nén ảnh y tế thể tích.

  • Bài báo báo cáo rằng trên chín cấu hình đã hiệu chỉnh, VoluCompose đạt siêu thể tích chất lượng-giữ lại trung bình cao nhất trong các phương pháp được so sánh.
  • Bài báo báo cáo chất lượng tương đối trung bình là 121,68% so với các tham chiếu không nén trong khi giữ lại trung bình 22,78% token thị giác.
  • Bài báo báo cáo rằng nén vẫn ổn định ngay cả với ngân sách token 10%, với tỷ lệ ROUGE-L thấp nhất so với tham chiếu không nén là 96,4% đối với VoluCompose.
  • Bài báo báo cáo rằng các giá trị tối thiểu tương ứng của các đường cơ sở nén nằm trong khoảng từ 15,0% đến 70,5%.

Đối với người xây dựng mô hình thị giác-ngôn ngữ y tế, VoluCompose cho thấy token thể tích có thể được cắt giảm xuống khoảng 22,78% mà không cần huấn luyện và vẫn giữ chất lượng, giúp giảm chi phí suy luận cho chuỗi lát cắt dài.

arXiv cs.CV
08
testresearchbenchmark jump

Từ hình học đến chức năng: Bộ dữ liệu chuẩn LiDAR đa nhiệm cho phân tích ngữ nghĩa và chức năng của mặt tiền đô thị

Bài báo giới thiệu HFX3D, một bộ chuẩn mặt tiền đô thị quy mô lớn với khoảng 492 triệu điểm LiDAR từ 26 tòa nhà ở Halifax, Canada, được thu thập qua bốn mùa, ngày và đêm cùng thời tiết đa dạng, trong đó mỗi mặt tiền được gán nhãn ở ba tầng: ngữ nghĩa, thể hiện và thuộc tính chức năng theo từng thể hiện. Nhóm tác giả mô...

  • HFX3D chứa khoảng 492 triệu điểm LiDAR từ 26 tòa nhà ở Halifax, Canada.
  • Dữ liệu bao phủ bốn mùa, ngày và đêm cùng điều kiện thời tiết đa dạng.
  • Mỗi mặt tiền được gán nhãn ở ba tầng: ngữ nghĩa, thể hiện và thuộc tính chức năng theo từng thể hiện.
  • Bài báo báo cáo rằng phân đoạn ngữ nghĩa đã khó khăn dưới tình trạng mất cân bằng lớp nghiêm trọng, trong khi tách thể hiện của các cấu trúc lặp lại và suy luận chức năng từ hình học khó hơn đáng kể.

Bộ chuẩn này đưa đánh giá vượt ra ngoài hình học và phân đoạn ngữ nghĩa sang suy luận chức năng, cung cấp cho nhà phát triển nền tảng kiểm thử định lượng cho các mô hình hiểu đô thị 3D nhận biết chức năng.

arXiv cs.CV