Hugging Face-ലെ മികച്ച AI പേപ്പറുകൾ

AI രംഗം അതിവേഗം മാറിക്കൊണ്ടിരിക്കുകയാണ്. ലോംഗ്-ടേം ഏജന്റുകൾ (long-term agents), LLM-കൾക്കായുള്ള റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് (reinforcement learning), ജനറേറ്റീവ് മോഡലുകൾക്കുമേലുള്ള മെച്ചപ്പെട്ട നിയന്ത്രണം എന്നിവയിലാണ് നിലവിലെ പ്രവണതകൾ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്.

Hugging Face-ൽ നിന്നുള്ള ശ്രദ്ധേയമായ 10 പേപ്പറുകൾ താഴെ നൽകുന്നു:

  1. Program-as-Weights (2607.02512)
  • പ്രശ്നം: ടാസ്ക്കുകൾ ഹാർഡ്-കോഡ് ചെയ്യുന്നത് പ്രയാസകരമാണ്, എന്നാൽ വലിയ മോഡലുകൾ പ്രവർത്തിപ്പിക്കുന്നത് ചെലവേറിയതുമാണ്.
  • ആശയം: സ്വാഭാവിക ഭാഷാ വിവരണങ്ങളെ (natural language descriptions) ചെറിയ ന്യൂറൽ ആർട്ടീഫാക്റ്റുകളാക്കി മാറ്റുക.
  • പുതിയ സമീപനം: ഒരു 0.6B മോഡൽ പ്രവർത്തിപ്പിക്കാൻ കഴിയുന്ന ചെറിയൊരു വെയിറ്റ് പാക്കേജ് നിർമ്മിക്കാൻ 4B കംപൈലർ ഉപയോഗിക്കുന്നു.
  • ഉപയോഗം: ഓൺ-ഡിവൈസ് AI, വേഗതയേറിയ ലോക്കൽ ടൂളുകൾ.
  • GitHub: https://github.com/programasweights/programasweights-python
  1. Training vs. Inference Policy (2606.29526)
  • പ്രശ്നം: ട്രെയിനിംഗിന് സമയത്തും യഥാർത്ഥ ഉപയോഗത്തിലും മോഡലുകൾ പലപ്പോഴും വ്യത്യസ്ത രീതിയിലാണ് പ്രവർത്തിക്കുന്നത്.
  • ആശയം: യഥാർത്ഥ ഇൻഫറൻസ് (inference) സമയത്ത് ഉപയോഗിക്കുന്ന പോളിസി മെച്ചപ്പെടുത്തുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക.
  • പുതിയ സമീപനം: ട്രെയിനിംഗ് ലക്ഷ്യങ്ങളെ യഥാർത്ഥ ലോകത്തെ തീരുമാനങ്ങൾ എടുക്കുന്ന രീതിയുമായി പൊരുത്തപ്പെടുത്തുക.
  • ഉപയോഗം: സ്റ്റേബിൾ LLM റീസണിംഗും RLHF പൈപ്പ്‌ലൈനുകളും.
  • Project: https://anitaleungxx.github.io/MIPU/
  1. AgenticSTS (2607.02255)
  • പ്രശ്നം: ലോംഗ്-ടേം ഏജന്റുകളുടെ മെമ്മറി ക്രമരഹിതമായതിനാൽ അവ പരാജയപ്പെടുന്നു.
  • ആശയം: കോൺടെക്സ്റ്റ് വിൻഡോ (context window) നിറയ്ക്കുന്നതിന് പകരം മെമ്മറി ഭാഗങ്ങൾ ക്രമീകരിക്കാൻ ടൈപ്പ്ഡ് റിട്രീവൽ (typed retrieval) ഉപയോഗിക്കുക.
  • പുതിയ സമീപനം: ഷോർട്ട്-ടേം, സ്ട്രാറ്റജിക് വിവരങ്ങൾക്കായി നിയന്ത്രിത മെമ്മറി ലെയറുകൾ നിർമ്മിക്കുക.
  • ഉപയോഗം: ലോംഗ്-ടേം AI അസിസ്റ്റന്റുകളും സങ്കീർണ്ണമായ എന്റർപ്രൈസ് വർക്ക്ഫ്ലോകളും.
  • GitHub: https://github.com/AlayaLab/AgenticSTS
  1. EvoPolicyGym (2607.02440)
  • പ്രശ്നം: ഒരു ഏജന്റിന് സ്വന്തം നിയമങ്ങൾ മെച്ചപ്പെടുത്താൻ കഴിയുമോ എന്ന് അളക്കാനുള്ള മാർഗങ്ങൾ നിലവിലില്ല.
  • ആശയം: ഏജന്റുകൾക്ക് അവരുടെ സ്വന്തം പോളിസികൾ എഡിറ്റ് ചെയ്യാൻ കഴിയുന്ന ഒരു എൻവയോൺമെന്റ്.
  • പുതിയ സമീപനം: അവസാന ഫലം മാത്രമല്ല, സ്വയം മെച്ചപ്പെടുന്ന പ്രക്രിയയെയും വിലയിരുത്തുക.
  • ഉപയോഗം: ഓട്ടോ-ഏജന്റുകളും റോബോട്ടിക്സും.
  1. FlashMorph (2606.30562)
  • പ്രശ്നം: വലിയ ടെക്സ്റ്റുകൾക്ക് ട്രാൻസ്ഫോർമറുകളിലെ (Transformers) ഫുൾ അറ്റൻഷൻ (full attention) വളരെ ചെലവേറിയതാണ്.
  • ആശയം: ഫുൾ അറ്റൻഷനും കുറഞ്ഞ ചെലവുള്ള ലീനിയർ അറ്റൻഷനും (linear attention) കൂട്ടിച്ചേർക്കുക.
  • പുതിയ സമീപനം: ഏറ്റവും മികച്ച ഹൈബ്രിഡ് സെറ്റപ്പ് കണ്ടെത്താൻ ലെയർ അധിഷ്ഠിത ഗേറ്റ് ഉപയോഗിക്കുക.
  • ഉപയോഗം: ദീർഘമായ ഡോക്യുമെന്റുകൾ പ്രോസസ്സ് ചെയ്യാനും RAG സിസ്റ്റങ്ങൾക്കും.
  • GitHub: https://github.com/LanDisen/FlashMorph
  1. MrFlow (2607.01642)
  • പ്രശ്നം: ഉയർന്ന റെസല്യൂഷനിൽ ഡിഫ്യൂഷൻ മോഡലുകൾ (Diffusion models) സാവധാനത്തിലാണ് പ്രവർത്തിക്കുന്നത്.
  • ആശയം: അധിക ട്രെയിനിംഗ് ഇല്ലാതെ ജനറേഷൻ വേഗത വർദ്ധിപ്പിക്കുക.
  • പുതിയ സമീപനം: ആദ്യം കുറഞ്ഞ റെസല്യൂഷനിൽ ജനറേറ്റ് ചെയ്യുക, തുടർന്ന് സൂപ്പർ-റെസല്യൂഷൻ ഉപയോഗിക്കുക.
  • ഉപയോഗം: വേഗതയേറിയ ടെക്സ്റ്റ്-ടു-ഇമേജ് ടൂളുകൾ.
  • GitHub: https://github.com/Xingyu-Zheng/MrFlow
  1. AgenticDataBench (2607.01647)
  • പ്രശ്നം: നിലവിലെ ബെഞ്ച്മാർക്കുകൾ യഥാർത്ഥ ഡാറ്റാ സയൻസ് ജോലികളെ പ്രതിഫലിപ്പിക്കുന്നില്ല.
  • ആശയം: വിവിധ ഡൊമെയ്‌നുകളിലെ ഡാറ്റ ഏജന്റുകൾക്കായുള്ള സമഗ്രമായ ഒരു പരിശോധന.
  • പുതിയ സമീപനം: സ്കീമ അണ്ടർസ്റ്റാൻഡിംഗ് (schema understanding), എറർ അനാലിസിസ് (error analysis) തുടങ്ങിയ പ്രത്യേക കഴിവുകൾ അളക്കുക.
  • ഉപയോഗം: AI ഡാറ്റാ അനലിസ്റ്റുകളെ വിലയിരുത്താൻ.
  • GitHub: https://github.com/AgenticDataBench/AgenticDataBench
  1. WorldDirector (2607.02517)
  • പ്രശ്നം: വീഡിയോ ജനറേഷനിൽ ലോംഗ്-ടേം കൺസിസ്റ്റൻസി (long-term consistency) കുറവാണ്.
  • ആശയം: മോഷൻ പ്ലാനിംഗിനെ വിഷ്വൽ റെൻഡറിംഗിൽ നിന്ന് വേർതിരിക്കുക.
  • പുതിയ സമീപനം: 3D ഒബ്ജക്റ്റ് പാത്തുകളും ക്യാമറ മൂവ്‌മെന്റും നിയന്ത്രിക്കാൻ ഒരു LLM ഉപയോഗിക്കുക.
  • ഉപയോഗം: AI സിനിമകളും ഗെയിം കണ്ടന്റുകളും.
  1. VLA-Corrector (2607.01804)
  • പ്രശ്നം: പെട്ടെന്ന് തീരുമാനങ്ങൾ എടുക്കുന്ന റോബോട്ടുകൾ പാതയിൽ നിന്ന് വ്യതിചലിച്ചേക്കാം.
  • ആശയം: തത്സമയം പിശകുകൾ കണ്ടെത്താൻ ഒരു വിഷൻ മോണിറ്റർ (vision monitor) ചേർക്കുക.
  • പുതിയ സമീപനം: വ്യതിചലനം ഉണ്ടാകുമ്പോൾ മാത്രം റീപ്ലാനിംഗ് (replanning) ആരംഭിക്കുക.
  • ഉപയോഗം: സങ്കീർണ്ണമായ റോബോട്ടിക് പിക്ക്-ആൻഡ്-പ്ലേ ടാസ്ക്കുകൾ.
  • GitHub: https://github.com/ZJU-OmniAI/vla-corrector
  1. MRPO (2606.31825)
  • പ്രശ്നം: മെഡിക്കൽ AI-യിൽ ഒരു ചെറിയ തെറ്റ് പോലും മുഴുവൻ റീസണിംഗ് ചെയിനും (reasoning chain) നശിപ്പിക്കുന്നു.
  • ആശയം: അവസാന ഉത്തരത്തിന് മാത്രമല്ല, ഓരോ ശരിയായ ഘട്ടത്തിനും മോഡലിന് റിവാർഡ് നൽകുക.
  • പുതിയ സമീപനം: മെഡിക്കൽ റീസണിംഗിനായി സ്റ്റെപ്പ്-വൈസ് പ്രോസസ് റിവാർഡുകൾ ഉപയോഗിക്കുക.
  • ഉപയോഗം: ക്ലിനിക്കൽ VQA, മെഡിക്കൽ ഇമേജിംഗ് സപ്പോർട്ട്.
  • GitHub: https://github.com/dmis-lab/MRPO

പ്രവണതകളുടെ സംഗ്രഹം (Summary of Trends):

  • മെച്ചപ്പെട്ട ഏജന്റുകൾ: സ്ട്രക്ചേർഡ് മെമ്മറിയിലേക്കും സ്വയം മെച്ചപ്പെടുത്തുന്ന രീതിയിലേക്കും മാറുന്നു.
  • മെച്ചപ്പെട്ട കാര്യക്ഷമത: ഹൈബ്രിഡ് അറ്റൻഷൻ, മൾട്ടി-റെസല്യൂഷൻ ഫ്ലോകൾ എന്നിവയിലൂടെ ചെലവ് കുറയ്ക്കുന്നു.
  • മെച്ചപ്പെട്ട വിശ്വാസ്യത: ട്രെയിനിംഗിനെ ഇൻഫറൻസുമായി പൊരുത്തപ്പെടുത്തുകയും ശരിയായ ലോജിക് ഘട്ടങ്ങൾക്ക് റിവാർഡ് നൽകുകയും ചെയ്യുന്നു.

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

Optional learning community: https://t.me/GyaanSetuAi