Hugging Face પરના ટોચના AI પેપર્સ

AI ઝડપથી આગળ વધી રહ્યું છે. વર્તમાન ટ્રેન્ડ્સ લાંબા ગાળાના એજન્ટ્સ (long-term agents), LLMs માટે રિઇન્ફોર્સમેન્ટ લર્નિંગ (reinforcement learning), અને જનરેટિવ મોડલ્સ પર વધુ સારા નિયંત્રણ પર ધ્યાન કેન્દ્રિત કરે છે.

અહીં Hugging Face પરના 10 શ્રેષ્ઠ પેપર્સ છે:

  1. Program-as-Weights (2607.02512)
  • સમસ્યા: ટાસ્ક માટે હાર્ડ-કોડિંગ કરવું મુશ્કેલ છે, પરંતુ વિશાળ મોડલ્સ ચલાવવા મોંઘા છે.
  • વિચાર: કુદરતી ભાષાના વર્ણનોને નાના ન્યુરલ આર્ટિફેક્ટ્સમાં ફેરવો.
  • નવો અભિગમ: 0.6B મોડલ ચલાવી શકે તેવું નાનું વેઇટ પેકેજ બનાવવા માટે 4B કમ્પાઇલરનો ઉપયોગ કરો.
  • ઉપયોગનું કિસ્સો: ઓન-ડિવાઇસ AI અને ઝડપી લોકલ ટૂલ્સ.
  • GitHub: https://github.com/programasweights/programasweights-python
  1. Training vs. Inference Policy (2606.29526)
  • સમસ્યા: મોડલ્સ ઘણીવાર વાસ્તવિક ઉપયોગ દરમિયાન તાલીમ (training) દરમિયાન કરતા અલગ રીતે કામ કરે છે.
  • વિચાર: વાસ્તવિક ઇન્ફરન્સ (inference) દરમિયાન વપરાતી પોલિસી સુધારવા પર ધ્યાન કેન્દ્રિત કરો.
  • નવો અભિગમ: તાલીમના લક્ષ્યોને વાસ્તવિક દુનિયાના નિર્ણય લેવાની પ્રક્રિયા સાથે સુસંગત બનાવો.
  • ઉપયોગનું કિસ્સો: સ્થિર LLM રીઝનિંગ અને RLHF પાઇપલાઇન્સ.
  • Project: https://anitaleungxx.github.io/MIPU/
  1. AgenticSTS (2607.02255)
  • સમસ્યા: લાંબા ગાળાના એજન્ટ્સ નિષ્ફળ જાય છે કારણ કે તેમની મેમરી અસ્તવ્યસ્ત હોય છે.
  • વિચાર: કોન્ટેક્સ્ટ વિન્ડો ભરવાને બદલે મેમરીના ટુકડાઓને વ્યવસ્થિત કરવા માટે ટાઇપ્ડ રિટ્રાઇવલ (typed retrieval) નો ઉપયોગ કરો.
  • નવો અભિગમ: ટૂંકા ગાળાની અને વ્યૂહાત્મક માહિતી માટે નિયંત્રિત મેમરી લેયર્સ બનાવો.
  • ઉપયોગનું કિસ્સો: લાંબા ગાળાના AI આસિસ્ટન્ટ્સ અને જટિલ એન્ટરપ્રાઇઝ વર્કફ્લો.
  • GitHub: https://github.com/AlayaLab/AgenticSTS
  1. EvoPolicyGym (2607.02440)
  • સમસ્યા: એજન્ટ તેના પોતાના નિયમો સુધારી શકે છે કે નહીં તે માપવા માટેના માર્ગોનો અભાવ છે.
  • વિચાર: એક એવું વાતાવરણ જ્યાં એજન્ટોએ તેમની પોતાની પોલિસી એડિટ કરવી પડે.
  • નવો અભિગમ: માત્ર અંતિમ પરિણામ જ નહીં, પણ સ્વ-સુધારણા (self-improvement) ની પ્રક્રિયાનું મૂલ્યાંકન કરો.
  • ઉપયોગનું કિસ્સો: ઓટો-એજન્ટ્સ અને રોબોટિક્સ.
  1. FlashMorph (2606.30562)
  • સમસ્યા: લાંબા ટેક્સ્ટ માટે ટ્રાન્સફોર્મર્સમાં ફૂલ એટેન્શન (full attention) ખૂબ મોંઘું છે.
  • વિચાર: ફૂલ એટેન્શનને સસ્તા લિનિયર એટેન્શન (linear attention) સાથે મિક્સ કરો.
  • નવો અભિગમ: શ્રેષ્ઠ હાઇબ્રિડ સેટઅપ શોધવા માટે લેયર-આધારિત ગેટનો ઉપયોગ કરો.
  • ઉપયોગનું કિસ્સો: લાંબા દસ્તાવેજોનું પ્રોસેસિંગ અને RAG સિસ્ટમ્સ.
  • GitHub: https://github.com/LanDisen/FlashMorph
  1. MrFlow (2607.01642)
  • સમસ્યા: હાઇ રિઝોલ્યુશન પર ડિફ્યુઝન મોડલ્સ ધીમા હોય છે.
  • વિચાર: વધારાની તાલીમ વગર જનરેશનની ઝડપ વધારો.
  • નવો અભિગમ: પહેલા લો-રિઝોલ્યુશન પર જનરેટ કરો, પછી સુપર-રિઝોલ્યુશનનો ઉપયોગ કરો.
  • ઉપયોગનું કિસ્સો: ઝડપી ટેક્સ્ટ-ટુ-ઇમેજ ટૂલ્સ.
  • GitHub: https://github.com/Xingyu-Zheng/MrFlow
  1. AgenticDataBench (2607.01647)
  • સમસ્યા: વર્તમાન બેન્ચમાર્ક વાસ્તવિક ડેટા સાયન્સના કામને પ્રતિબિંબિત કરતા નથી.
  • વિચાર: ઘણા ડોમેન્સમાં ડેટા એજન્ટ્સ માટે વ્યાપક પરીક્ષણ.
  • નવો અભિગમ: સ્કીમા અન્ડરસ્ટેન્ડિંગ અને એરર એનાલિસિસ જેવી ચોક્કસ કુશળતા માપો.
  • ઉપયોગનું કિસ્સો: AI ડેટા એનાલિસ્ટ્સનું મૂલ્યાંકન કરવું.
  • GitHub: https://github.com/AgenticDataBench/AgenticDataBench
  1. WorldDirector (2607.02517)
  • સમસ્યા: વિડિયો જનરેશનમાં લાંબા ગાળાની સુસંગતતાનો અભાવ છે.
  • વિચાર: મોશન પ્લાનિંગને વિઝ્યુઅલ રેન્ડરિંગથી અલગ કરો.
  • નવો અભિગમ: 3D ઓબ્જેક્ટ પાથ અને કેમેરા મૂવમેન્ટ મેનેજ કરવા માટે LLM નો ઉપયોગ કરો.
  • ઉપયોગનું કિસ્સો: AI મૂવીઝ અને ગેમ કન્ટેન્ટ.
  1. VLA-Corrector (2607.01804)
  • સમસ્યા: ઝડપી નિર્ણયો લેતા રોબોટ્સ પથ ભટકી શકે છે.
  • વિચાર: રિયલ ટાઇમમાં ભૂલો શોધવા માટે વિઝન મોનિટર ઉમેરો.
  • નવો અભિગમ: જ્યારે વિચલન (deviation) થાય ત્યારે જ રિપ્લાનિંગ ટ્રિગર કરો.
  • ઉપયોગનું કિસ્સો: જટિલ રોબોટિક પિક-એન્ડ-પ્લે ટાસ્ક.
  • GitHub: https://github.com/ZJU-OmniAI/vla-corrector
  1. MRPO (2606.31825)
  • સમસ્યા: મેડિકલ AI માં, એક નાની ભૂલ આખી રીઝનિંગ ચેઇનને બગાડી શકે છે.
  • વિચાર: માત્ર અંતિમ જવાબ માટે જ નહીં, પણ દરેક સાચા સ્ટેપ માટે મોડલને રિવોર્ડ આપો.
  • નવો અભિગમ: મેડિકલ રીઝનિંગ માટે સ્ટેપ-વાઇઝ પ્રોસેસ રિવોર્ડ્સનો ઉપયોગ કરો.
  • ઉપયોગનું કિસ્સો: ક્લિનિકલ VQA અને મેડિકલ ઇમેજિંગ સપોર્ટ.
  • GitHub: https://github.com/dmis-lab/MRPO

ટ્રેન્ડ્સનો સારાંશ:

  • વધુ સારા એજન્ટ્સ: સ્ટ્રક્ચર્ડ મેમરી અને સ્વ-સુધારણા તરફ આગળ વધી રહ્યા છે.
  • વધુ સારી કાર્યક્ષમતા: હાઇબ્રિડ એટેન્શન અને મલ્ટી-રિઝોલ્યુશન ફ્લો દ્વારા ખર્ચ ઘટાડવો.
  • વધુ સારી વિશ્વસનીયતા: તાલીમને ઇન્ફરન્સ સાથે સુસંગત બનાવવી અને સાચા લોજિક સ્ટેપ્સને રિવોર્ડ આપવા.

સ્ત્રોત: https://dev.to/y_hnhnhan_2f26de65ffcc4/top-ai-papers-on-hugging-face-2026-07-06-225o

વૈકલ્પિક લર્નિંગ કોમ્યુનિટી: https://t.me/GyaanSetuAi