برترین مقالات هوش مصنوعی در Hugging Face
هوش مصنوعی با سرعت در حال پیشرفت است. روندهای فعلی بر عوامل (agents) بلندمدت، یادگیری تقویتی برای LLMها و کنترل بهتر بر مدلهای مولد تمرکز دارند.
در اینجا ۱۰ مقاله برجسته از Hugging Face آورده شده است:
- Program-as-Weights (2607.02512)
- مشکل: کدنویسی سخت (hard-coding) وظایف دشوار است، اما اجرای مدلهای عظیم هزینهبر است.
- ایده: تبدیل توضیحات زبان طبیعی به مصنوعات عصبی (neural artifacts) کوچک.
- رویکرد جدید: استفاده از یک کامپایلر 4B برای ایجاد یک بسته وزن بسیار کوچک که توسط یک مدل 0.6B اجرا میشود.
- مورد استفاده: هوش مصنوعی روی دستگاه (on-device) و ابزارهای محلی سریع.
- GitHub: https://github.com/programasweights/programasweights-python
- Training vs. Inference Policy (2606.29526)
- مشکل: مدلها اغلب در طول آموزش با عملکرد آنها در استفاده واقعی متفاوت است.
- ایده: تمرکز بر بهبود سیاستی (policy) که در طول استنتاج (inference) واقعی استفاده میشود.
- رویکرد جدید: همسو کردن اهداف آموزشی با تصمیمگیری در دنیای واقعی.
- مورد استفاده: استدلال پایدار LLM و خط لولههای (pipelines) RLHF.
- Project: https://anitaleungxx.github.io/MIPU/
- AgenticSTS (2607.02255)
- مشکل: عوامل بلندمدت شکست میخورند زیرا حافظه آنها نامنظم است.
- ایده: استفاده از بازیابی تایپشده (typed retrieval) برای سازماندهی قطعات حافظه به جای پر کردن پنجره بافت (context window).
- رویکرد جدید: ایجاد لایههای حافظه کنترلشده برای اطلاعات کوتاهمدت و استراتژیک.
- مورد استفاده: دستیاران هوش مصنوعی بلندمدت و جریانهای کاری پیچیده سازمانی.
- GitHub: https://github.com/AlayaLab/AgenticSTS
- EvoPolicyGym (2607.02440)
- مشکل: ما روشهایی برای اندازهگیری اینکه آیا یک عامل میتواند قوانین خود را بهبود بخشد، نداریم.
- ایده: محیطی که در آن عوامل باید سیاستهای خود را ویرایش کنند.
- رویکرد جدید: ارزیابی فرآیند خود-بهبودبخشی، و نه فقط نتیجه نهایی.
- مورد استفاده: عوامل خودکار (auto-agents) و رباتیک.
- FlashMorph (2606.30562)
- مشکل: توجه کامل (full attention) در ترنسفورمرها برای متنهای طولانی بسیار هزینهبر است.
- ایده: ترکیب توجه کامل با توجه خطی (linear attention) ارزانتر.
- رویکرد جدید: استفاده از یک دروازه (gate) مبتنی بر لایه برای یافتن بهترین تنظیمات ترکیبی.
- مورد استفاده: پردازش اسناد طولانی و سیستمهای RAG.
- GitHub: https://github.com/LanDisen/FlashMorph
- MrFlow (2607.01642)
- مشکل: مدلهای انتشار (diffusion models) در رزولوشنهای بالا کند هستند.
- ایده: سرعت بخشیدن به تولید بدون نیاز به آموزش اضافی.
- رویکرد جدید: ابتدا تولید در رزولوشن پایین، سپس استفاده از ابر-رزولوشن (super-resolution).
- مورد استفاده: ابزارهای سریع متن به تصویر.
- GitHub: https://github.com/Xingyu-Zheng/MrFlow
- AgenticDataBench (2607.01647)
- مشکل: بنچمارکهای فعلی منعکسکننده کارهای واقعی علم داده نیستند.
- ایده: یک تست جامع برای عوامل داده در حوزههای مختلف.
- رویکرد جدید: اندازهگیری مهارتهای خاص مانند درک طرحواره (schema) و تحلیل خطا.
- مورد استفاده: ارزیابی تحلیلگران داده هوش مصنوعی.
- GitHub: https://github.com/AgenticDataBench/AgenticDataBench
- WorldDirector (2607.02517)
- مشکل: تولید ویدیو فاقد ثبات بلندمدت است.
- ایده: جداسازی برنامهریزی حرکت از رندرینگ بصری.
- رویکرد جدید: استفاده از یک LLM برای مدیریت مسیر اشیاء سهبعدی و حرکت دوربین.
- مورد استفاده: فیلمهای هوش مصنوعی و محتوای بازی.
- VLA-Corrector (2607.01804)
- مشکل: رباتهایی که تصمیمات سریع میگیرند ممکن است از مسیر منحرف شوند.
- ایده: افزودن یک مانیتور بینایی برای تشخیص خطاها در لحظه (real time).
- رویکرد جدید: فعال کردن برنامهریزی مجدد تنها زمانی که انحراف رخ میدهد.
- مورد استفاده: وظایف پیچیده برداشت و گذاشتن (pick-and-place) رباتیک.
- GitHub: https://github.com/ZJU-OmniAI/vla-corrector
- MRPO (2606.31825)
- مشکل: در هوش مصنوعی پزشکی، یک اشتباه کوچک کل زنجیره استدلال را خراب میکند.
- ایده: پاداش دادن به مدل برای هر مرحله صحیح، و نه فقط پاسخ نهایی.
- رویکرد جدید: استفاده از پاداشهای فرآیندی گامبهگام برای استدلال پزشکی.
- مورد استفاده: VQA بالینی و پشتیبانی از تصویربرداری پزشکی.
- GitHub: https://github.com/dmis-lab/MRPO
خلاصهای از روندها:
- عوامل بهتر: حرکت به سمت حافظه ساختاریافته و خود-بهبودبخشی.
- کارایی بهتر: کاهش هزینهها از طریق توجه ترکیبی و جریانهای چند-رزولوشنی.
- قابلیت اطمینان بهتر: همسو کردن آموزش با استنتاج و پاداش دادن به مراحل منطقی صحیح.
منبع: https://dev.to/y_hnhnhan_2f26de65ffcc4/top-ai-papers-on-hugging-face-2026-07-06-225o
انجمن یادگیری اختیاری: https://t.me/GyaanSetuAi