7 vijesti — 🟡 4 važno , 🟢 3 zanimljivo
TruDi je prva metoda koja difuzijskim politikama omogućuje stabilan trening u masivno paralelnom on-policy RL okruženju, primjenom trust-region optimizacije s KL-divergencijskim ograničenjem na čitavoj difuzijskoj putanji. Na 73 zadatka kroz 4 mjerila postiže rezultate konkurentne ili bolje od jakih baznih linija, s jasnim napretkom na humanoidnoj kontroli.
DLWM rješava vizualnu višeznačnost u multimodalnom zaključivanju gradnjom višestrukih raznovrsnih latentnih hipoteza simultano, sprječavanjem njihovog kolapsa ortogonalnom regularizacijom i adaptivnom alokacijom izračuna putem RL politike. Na višestrukim mjerilima postiže poboljšanje točnosti od 2 do 5 postotnih bodova uz istovremeno smanjenje memorijskog otiska za 24 %.
Istraživači sa UNC Chapel Hilla (Yixuan Wang i sur.) identificiraju „kauzalnu heterogenost” u knjižnicama vještina LLM agenata: individualne vještine pomažu na nekim tipovima zadataka dok istovremeno štete na drugima. ASSAY okvir odvaja generiranje vještina od empirijske korekcije i per-task maskiranjem postiže 69,3 % dovršetka ciljeva na AppWorldu s DeepSeek-V3 — relativni porast od 47,4 % i novo state-of-the-art bez izmjene težina.
Istraživači s Renmin University of China uvode CODA-BENCH, prvi benchmark koji istovremeno evaluira generiranje koda i pretraživanje podataka u realističnom Linux sandboxu s Kaggle skupovima podataka. Benchmark obuhvaća 1 009 zadataka u 31 zajednici, s prosječno 980 datoteka po okruženju, a vodeći agenti dostižu samo 61,1 % uspjeha — prihvaćeno na ICML 2026.
Istraživači predstavljaju UCS-Bench, benchmark s više od 170 sati egocentric videa i 8.100 vremenski označenih pitanja za testiranje prostorne inteligencije AI agenata, te DirectMe okvir koji inkrementalno gradi strukturiranu prostornu memoriju iz streaming opservacija. Prihvaćeno na ICML 2026.
