Kertas Kerja AI Teratas di Hugging Face

AI berkembang dengan pantas. Trend semasa tertumpu kepada ejen jangka panjang, pembelajaran pengukuhan (reinforcement learning) untuk LLM, dan kawalan yang lebih baik terhadap model generatif.

Berikut adalah 10 kertas kerja menonjol daripada Hugging Face:

  1. Program-as-Weights (2607.02512)
  • Masalah: Pengkodan tugas secara keras (hard-coding) adalah sukar, tetapi menjalankan model gergasi adalah mahal.
  • Idea: Menukarkan huraian bahasa semula jadi kepada artifak neural yang kecil.
  • Pendekatan baharu: Menggunakan kompilator 4B untuk mencipta pakej pemberat (weight package) kecil yang boleh dijalankan oleh model 0.6B.
  • Kes penggunaan: AI pada peranti dan alatan tempatan yang pantas.
  • GitHub: https://github.com/programasweights/programasweights-python
  1. Training vs. Inference Policy (2606.29526)
  • Masalah: Model sering menunjukkan prestasi yang berbeza semasa latihan berbanding semasa penggunaan sebenar.
  • Idea: Fokus pada penambahbaikan polisi yang digunakan semasa inferens sebenar.
  • Pendekatan baharu: Menyelaraskan matlamat latihan dengan pembuatan keputusan dunia nyata.
  • Kes penggunaan: Penaakulan LLM yang stabil dan saluran paip (pipeline) RLHF.
  • Projek: https://anitaleungxx.github.io/MIPU/
  1. AgenticSTS (2607.02255)
  • Masalah: Ejen jangka panjang gagal kerana memori mereka tidak teratur.
  • Idea: Menggunakan capaian bertipe (typed retrieval) untuk menyusun cebisan memori berbanding memenuhi tetingkap konteks.
  • Pendekatan baharu: Mencipta lapisan memori terkawal untuk maklumat jangka pendek dan strategik.
  • Kes penggunaan: Pembantu AI jangka panjang dan aliran kerja perusahaan yang kompleks.
  • GitHub: https://github.com/AlayaLab/AgenticSTS
  1. EvoPolicyGym (2607.02440)
  • Masalah: Kita kekurangan cara untuk mengukur sama ada ejen boleh menambah baik peraturannya sendiri.
  • Idea: Persekitaran di mana ejen mesti menyunting polisi mereka sendiri.
  • Pendekatan baharu: Menilai proses penambahbaikan kendiri, bukan sekadar hasil akhir.
  • Kes penggunaan: Ejen automatik dan robotik.
  1. FlashMorph (2606.30562)
  • Masalah: Perhatian penuh (full attention) dalam Transformer terlalu mahal untuk teks yang panjang.
  • Idea: Mencampurkan perhatian penuh dengan perhatian linear yang lebih murah.
  • Pendekatan baharu: Menggunakan gerbang berasaskan lapisan untuk mencari tetapan hibrid yang terbaik.
  • Kes penggunaan: Pemprosesan dokumen panjang dan sistem RAG.
  • GitHub: https://github.com/LanDisen/FlashMorph
  1. MrFlow (2607.01642)
  • Masalah: Model difusi adalah perlahan pada resolusi tinggi.
  • Idea: Mempercepatkan penjanaan tanpa latihan tambahan.
  • Pendekatan baharu: Menjana pada resolusi rendah terlebih dahulu, kemudian menggunakan super-resolusi.
  • Kes penggunaan: Alatan teks-ke-imej yang pantas.
  • GitHub: https://github.com/Xingyu-Zheng/MrFlow
  1. AgenticDataBench (2607.01647)
  • Masalah: Penanda aras semasa tidak mencerminkan kerja sains data yang sebenar.
  • Idea: Ujian komprehensif untuk ejen data merentasi pelbagai domain.
  • Pendekatan baharu: Mengukur kemahiran khusus seperti pemahaman skema dan analisis ralat.
  • Kes penggunaan: Menilai penganalisis data AI.
  • GitHub: https://github.com/AgenticDataBench/AgenticDataBench
  1. WorldDirector (2607.02517)
  • Masalah: Penjanaan video kekurangan konsistensi jangka panjang.
  • Idea: Memisahkan perancangan gerakan daripada persembahan visual (visual rendering).
  • Pendekatan baharu: Menggunakan LLM untuk mengurus laluan objek 3D dan pergerakan kamera.
  • Kes penggunaan: Filem AI dan kandungan permainan.
  1. VLA-Corrector (2607.01804)
  • Masalah: Robot yang membuat keputusan pantas boleh terpesong dari laluan.
  • Idea: Menambah pemantau penglihatan untuk mengesan ralat dalam masa nyata.
  • Pendekatan baharu: Mencetuskan perancangan semula hanya apabila berlaku sisihan.
  • Kes penggunaan: Tugasan robotik ambil-dan-letak (pick-and-place) yang kompleks.
  • GitHub: https://github.com/ZJU-OmniAI/vla-corrector
  1. MRPO (2606.31825)
  • Masalah: Dalam AI perubatan, satu kesilapan kecil merosakkan keseluruhan rantaian penaakulan.
  • Idea: Memberi ganjaran kepada model untuk setiap langkah yang betul, bukan sekadar jawapan akhir.
  • Pendekatan baharu: Menggunakan ganjaran proses langkah demi langkah untuk penaakulan perubatan.
  • Kes penggunaan: VQA klinikal dan sokongan pengimejan perubatan.
  • GitHub: https://github.com/dmis-lab/MRPO

Ringkasan Trend:

  • Ejen yang Lebih Baik: Bergerak ke arah memori berstruktur dan penambahbaikan kendiri.
  • Kecekapan yang Lebih Baik: Mengurangkan kos melalui perhatian hibrid dan aliran pelbagai resolusi.
  • Kebolehpercayaan yang Lebih Baik: Menyelaraskan latihan dengan inferens dan memberi ganjaran kepada langkah logik yang betul.

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

Komuniti pembelajaran pilihan: https://t.me/GyaanSetuAi