Hugging Face ನಲ್ಲಿನ ಪ್ರಮುಖ AI ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು

AI ವೇಗವಾಗಿ ಬೆಳೆಯುತ್ತಿದೆ. ಪ್ರಸ್ತುತ ಪ್ರವೃತ್ತಿಗಳು ದೀರ್ಘಾವಧಿಯ ಏಜೆಂಟ್‌ಗಳು (long-term agents), LLMಗಳಿಗಾಗಿ ರಿಇನ್‌ಫೋರ್ಸ್‌ಮೆಂಟ್ ಲರ್ನಿಂಗ್ (reinforcement learning) ಮತ್ತು ಜನರೇಟಿವ್ ಮಾಡೆಲ್‌ಗಳ ಮೇಲೆ ಉತ್ತಮ ನಿಯಂತ್ರಣದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿವೆ.

Hugging Face ನಿಂದ 10 ಗಮನಾರ್ಹ ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು ಇಲ್ಲಿವೆ:

  1. Program-as-Weights (2607.02512)
  • ಸಮಸ್ಯೆ: ಕಾರ್ಯಗಳನ್ನು ಹಾರ್ಡ್-ಕೋಡ್ ಮಾಡುವುದು ಕಷ್ಟ, ಆದರೆ ಬೃಹತ್ ಮಾಡೆಲ್‌ಗಳನ್ನು ಚಲಾಯಿಸುವುದು ದುಬಾರಿ.
  • ಪರಿಕಲ್ಪನೆ: ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ವಿವರಣೆಗಳನ್ನು ಸಣ್ಣ ನ್ಯೂರಲ್ ಆರ್ಟಿಫ್ಯಾಕ್ಟ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: 0.6B ಮಾಡೆಲ್ ಚಲಾಯಿಸುವ ಅತ್ಯಂತ ಸಣ್ಣ ವೇಯ್ಟ್ ಪ್ಯಾಕೇಜ್ ಅನ್ನು ರಚಿಸಲು 4B ಕಂಪೈಲರ್ ಬಳಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ಆನ್-ಡೈವೈಸ್ AI ಮತ್ತು ವೇಗದ ಸ್ಥಳೀಯ ಪರಿಕರಗಳು.
  • GitHub: https://github.com/programasweights/programasweights-python
  1. Training vs. Inference Policy (2606.29526)
  • ಸಮಸ್ಯೆ: ಮಾಡೆಲ್‌ಗಳು ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಮತ್ತು ನೈಜ ಬಳಕೆಯ ಸಮಯದಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.
  • ಪರಿಕಲ್ಪನೆ: ನೈಜ ಇನ್ಫರೆನ್ಸ್ (inference) ಸಮಯದಲ್ಲಿ ಬಳಸುವ ಪಾಲಿಸಿಯನ್ನು ಸುಧಾರಿಸುವುದರ ಮೇಲೆ ಗಮನ ಹರಿಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: ತರಬೇತಿಯ ಗುರಿಗಳನ್ನು ನೈಜ ಪ್ರಪಂಚದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯೊಂದಿಗೆ ಹೊಂದಿಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ಸ್ಥಿರವಾದ LLM ತರ್ಕ ಮತ್ತು RLHF ಪೈಪ್‌ಲೈನ್‌ಗಳು.
  • Project: https://anitaleungxx.github.io/MIPU/
  1. AgenticSTS (2607.02255)
  • ಸಮಸ್ಯೆ: ದೀರ್ಘಾವಧಿಯ ಏಜೆಂಟ್‌ಗಳು ಅವುಗಳ ನೆನಪು (memory) ಅಸ್ತವ್ಯಸ್ತವಾಗಿರುವುದರಿಂದ ವಿಫಲವಾಗುತ್ತವೆ.
  • ಪರಿಕಲ್ಪನೆ: ಕಾಂಟೆಕ್ಸ್ಟ್ ವಿಂಡೋವನ್ನು ತುಂಬುವ ಬದಲು ನೆನಪಿನ ತುಣುಕುಗಳನ್ನು ಸಂಘಟಿಸಲು ಟೈಪ್ಡ್ ರಿಟ್ರಿವಲ್ (typed retrieval) ಬಳಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: ಅಲ್ಪಾವಧಿಯ ಮತ್ತು ಕಾರ್ಯತಂತ್ರದ ಮಾಹಿತಿಗಾಗಿ ನಿಯಂತ್ರಿತ ಮೆಮೊರಿ ಪದರಗಳನ್ನು ರಚಿಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ದೀರ್ಘಾವಧಿಯ AI ಸಹಾಯಕರು ಮತ್ತು ಸಂಕೀರ್ಣ ಎಂಟರ್‌ಪ್ರೈಸ್ ವರ್ಕ್‌ಫ್ಲೋಗಳು.
  • GitHub: https://github.com/AlayaLab/AgenticSTS
  1. EvoPolicyGym (2607.02440)
  • ಸಮಸ್ಯೆ: ಏಜೆಂಟ್ ತನ್ನದೇ ಆದ ನಿಯಮಗಳನ್ನು ಸುಧಾರಿಸಬಲ್ಲದೇ ಎಂದು ಅಳೆಯಲು ನಮಗೆ ಮಾರ್ಗಗಳಿಲ್ಲ.
  • ಪರಿಕಲ್ಪನೆ: ಏಜೆಂಟ್‌ಗಳು ತಮ್ಮದೇ ಆದ ಪಾಲಿಸಿಗಳನ್ನು ತಿದ್ದಿಕೊಳ್ಳಬೇಕಾದ ಒಂದು ಪರಿಸರ.
  • ಹೊಸ ವಿಧಾನ: ಕೇವಲ ಅಂತಿಮ ಫಲಿತಾಂಶವನ್ನು ಮಾತ್ರವಲ್ಲದೆ, ಸ್ವಯಂ ಸುಧಾರಣೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ಆಟೋ-ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು ರೋಬೊಟಿಕ್ಸ್.
  1. FlashMorph (2606.30562)
  • ಸಮಸ್ಯೆ: ದೀರ್ಘ ಪಠ್ಯಕ್ಕಾಗಿ Transformers ನಲ್ಲಿನ ಫುಲ್ ಅಟೆನ್ಷನ್ (full attention) ತುಂಬಾ ದುಬಾರಿಯಾಗಿದೆ.
  • ಪರಿಕಲ್ಪನೆ: ಫುಲ್ ಅಟೆನ್ಷನ್ ಅನ್ನು ಅಗ್ಗದ ಲೀನಿಯರ್ ಅಟೆನ್ಷನ್‌ನೊಂದಿಗೆ ಬೆರೆಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: ಅತ್ಯುತ್ತಮ ಹೈಬ್ರಿಡ್ ಸೆಟಪ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯಲು ಲೇಯರ್-ಆಧಾರಿತ ಗೇಟ್ ಬಳಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ದೀರ್ಘ ದಾಖಲೆಗಳ ಪ್ರೊಸೆಸಿಂಗ್ ಮತ್ತು RAG ಸಿಸ್ಟಮ್‌ಗಳು.
  • GitHub: https://github.com/LanDisen/FlashMorph
  1. MrFlow (2607.01642)
  • ಸಮಸ್ಯೆ: ಡಿಫ್ಯೂಷನ್ ಮಾಡೆಲ್‌ಗಳು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ನಿಧಾನವಾಗಿರುತ್ತವೆ.
  • ಪರಿಕಲ್ಪನೆ: ಹೆಚ್ಚುವರಿ ತರಬೇತಿಯಿಲ್ಲದೆ ಜನರೇಷನ್ ಅನ್ನು ವೇಗಗೊಳಿಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: ಮೊದಲು ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್‌ನಲ್ಲಿ ಜನರೇಟ್ ಮಾಡಿ, ನಂತರ ಸೂಪರ್-ರೆಸಲ್ಯೂಶನ್ ಬಳಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ವೇಗದ ಟೆಕ್ಸ್ಟ್-ಟು-ಇಮೇಜ್ ಪರಿಕರಗಳು.
  • GitHub: https://github.com/Xingyu-Zheng/MrFlow
  1. AgenticDataBench (2607.01647)
  • ಸಮಸ್ಯೆ: ಪ್ರಸ್ತುತ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳು ನೈಜ ಡೇಟಾ ಸೈನ್ಸ್ ಕೆಲಸವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವುದಿಲ್ಲ.
  • ಪರಿಕಲ್ಪನೆ: ಅನೇಕ ಡೊಮೇನ್‌ಗಳಲ್ಲಿ ಡೇಟಾ ಏಜೆಂಟ್‌ಗಳಿಗಾಗಿ ಸಮಗ್ರ ಪರೀಕ್ಷೆ.
  • ಹೊಸ ವಿಧಾನ: ಸ್ಕೀಮಾ ಅಂಡರ್‌ಸ್ಟ್ಯಾಂಡಿಂಗ್ ಮತ್ತು ಎರರ್ ಅನಾಲಿಸಿಸ್‌ನಂತಹ ನಿರ್ದಿಷ್ಟ ಕೌಶಲ್ಯಗಳನ್ನು ಅಳೆಯುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: AI ಡೇಟಾ ಅನಲಿಸ್ಟ್‌ಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.
  • GitHub: https://github.com/AgenticDataBench/AgenticDataBench
  1. WorldDirector (2607.02517)
  • ಸಮಸ್ಯೆ: ವಿಡಿಯೋ ಜನರೇಷನ್‌ನಲ್ಲಿ ದೀರ್ಘಾವಧಿಯ ಸ್ಥಿರತೆಯ ಕೊರತೆಯಿದೆ.
  • ಪರಿಕಲ್ಪನೆ: ಮೋಷನ್ ಪ್ಲಾನಿಂಗ್ ಅನ್ನು ವಿಶುವಲ್ ರೆಂಡರಿಂಗ್‌ನಿಂದ ಪ್ರತ್ಯೇಕಿಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: 3D ಆಬ್ಜೆಕ್ಟ್ ಪಥಗಳು ಮತ್ತು ಕ್ಯಾಮೆರಾ ಚಲನೆಯನ್ನು ನಿರ್ವಹಿಸಲು LLM ಬಳಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: AI ಚಲನಚಿತ್ರಗಳು ಮತ್ತು ಗೇಮ್ ಕಂಟೆಂಟ್.
  1. VLA-Corrector (2607.01804)
  • ಸಮಸ್ಯೆ: ತೀವ್ರವಾಗಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ರೋಬೋಟ್‌ಗಳು ದಾರಿಯಿಂದ ತಪ್ಪಿಹೋಗಬಹುದು.
  • ಪರಿಕಲ್ಪನೆ: ನೈಜ ಸಮಯದಲ್ಲಿ ದೋಷಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ವಿಷನ್ ಮಾನಿಟರ್ ಅನ್ನು ಸೇರಿಸುವುದು.
  • ಹೊಸ ವಿಧಾನ: ವ್ಯತ್ಯಾಸ ಉಂಟಾದಾಗ ಮಾತ್ರ ರೀಪ್ಲಾನಿಂಗ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ಸಂಕೀರ್ಣ ರೋಬೋಟಿಕ್ ಪಿಕ್-ಅಂಡ್-ಪ್ಲೇಸ್ ಕಾರ್ಯಗಳು.
  • GitHub: https://github.com/ZJU-OmniAI/vla-corrector
  1. MRPO (2606.31825)
  • ಸಮಸ್ಯೆ: ಮೆಡಿಕಲ್ AI ನಲ್ಲಿ, ಒಂದು ಸಣ್ಣ ತಪ್ಪು ಇಡೀ ರೀಸನಿಂಗ್ ಚೈನ್ ಅನ್ನು ಹಾಳುಮಾಡುತ್ತದೆ.
  • ಪರಿಕಲ್ಪನೆ: ಕೇವಲ ಅಂತಿಮ ಉತ್ತರಕ್ಕಾಗಿ ಮಾತ್ರವಲ್ಲದೆ, ಪ್ರತಿ ಸರಿಯಾದ ಹಂತಕ್ಕೂ ಮಾಡೆಲ್‌ಗೆ ರಿವಾರ್ಡ್ ನೀಡುವುದು.
  • ಹೊಸ ವಿಧಾನ: ಮೆಡಿಕಲ್ ರೀಸನಿಂಗ್‌ಗಾಗಿ ಹಂತ-ಹಂತದ ಪ್ರಕ್ರಿಯೆ ರಿವಾರ್ಡ್‌ಗಳನ್ನು ಬಳಸುವುದು.
  • ಬಳಕೆಯ ಸಂದರ್ಭ: ಕ್ಲಿನಿಕಲ್ VQA ಮತ್ತು ಮೆಡಿಕಲ್ ಇಮೇಜಿಂಗ್ ಸಪೋರ್ಟ್.
  • GitHub: https://github.com/dmis-lab/MRPO

ಪ್ರವೃತ್ತಿಗಳ ಸಾರಾಂಶ:

  • ಉತ್ತಮ ಏಜೆಂಟ್‌ಗಳು: ರಚನಾತ್ಮಕ ಮೆಮೊರಿ ಮತ್ತು ಸ್ವಯಂ ಸುಧಾರಣೆಯತ್ತ ಸಾಗುತ್ತಿವೆ.
  • ಉತ್ತಮ ದಕ್ಷತೆ: ಹೈಬ್ರಿಡ್ ಅಟೆನ್ಷನ್ ಮತ್ತು ಮಲ್ಟಿ-ರೆಸಲ್ಯೂಶನ್ ಫ್ಲೋಗಳ ಮೂಲಕ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು.
  • ಉತ್ತಮ ವಿಶ್ವಾಸಾರ್ಹತೆ: ತರಬೇತಿಯನ್ನು ಇನ್ಫರೆನ್ಸ್‌ನೊಂದಿಗೆ ಹೊಂದಿಸುವುದು ಮತ್ತು ಸರಿಯಾದ ತರ್ಕದ ಹಂತಗಳಿಗೆ ರಿವಾರ್ಡ್ ನೀಡುವುದು.

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

ಐಚ್ಛಿಕ ಕಲಿಕಾ ಸಮುದಾಯ: https://t.me/GyaanSetuAi