Метод обучения computer-use агентов игре на синтетическом опыте, полезен для генерации тестовых сценариев и оценки агентов в сложных GUI.
Computer-use agents have demonstrated strong capabilities in interpreting screens and executing keyboard and mouse actions. However, games, with their visually rich worlds and diverse mechanics, remain challenging and of
Дистилляция решений, а не токенов, для сжатия LLM-агентов; помогает снижать стоимость и сохранять поведение в агентных пайплайнах.
Distilling capable language-model agents into smaller models requires aligning the student's behavior with the teacher's. This raises a fundamental question: at which states and at what granularity should this alignment
Гибридные reasoning-агенты сочетают латентное и текстовое мышление с доступом к инструментам, что полезно для сложных тестовых сценариев.
How can we build an agent that thinks beyond human language, yet still acts through it in the external environment? Modern LLM agents still reason and interact through text, while latent reasoning offers an efficient int
Бенчмарк хрупкости взаимодействия LLM-агентов при эмоциональных реакциях пользователей, полезен для тестирования устойчивости диалоговых автотестов.
In long-horizon tool-calling tasks, LLM agents can fail not only because of tool-use errors, but also because of ineffective interaction with users. Yet existing benchmarks largely assume cooperative and behaviorally sta
Метод водяных знаков для проверки владения навыками агента, полезен для контроля утечек и лицензирования автоматизаций.
Agent skills encode operational procedures and domain expertise as reusable knowledge assets, yet their distribution in plaintext exposes them to unauthorized copying and leakage. However, practical mechanisms for skill
VLA-модель для автономного вождения с навигацией на естественном языке, полезна как пример тестирования safety-critical агентов.
Vision-Language-Action (VLA) models are gaining attention in autonomous driving, inheriting commonsense priors from large language models (LLMs) and widening the navigation interface from a fixed command set to free-form
Учёт физического времени в памяти роботов-политик, полезен для тестирования временных зависимостей в агентных системах.
Existing robot policy memories typically evolve with observation sequences, implicitly treating each update as the same amount of physical time. Yet identical observation histories can span different durations and requir
Новый механизм attention с непрерывной памятью вместо дискретных ключей, может ускорять и упрощать длинноконтекстные агенты.
We introduce Continuum Attention (CA), a causal Transformer attention operator that replaces discrete key and value lookup with integration over a continuous, piecewise linear memory curve. Each query induces an exponent
Latent Compaction со сжатием KV-кэша под конкретный документ уменьшает память и стоимость генерации в агентах с длинным контекстом.
Long contexts enlarge key--value (KV) caches, increasing memory use and attention costs during generation. Compressing these caches must preserve information for unseen questions. We introduce **Latent Compaction**, whic
Эффективное сжатие видео-признаков для поиска по видео и тексту — ускоряет проверки мультимодальных данных в автотестах.
Finding the right video often requires distinguishing similar scenes in which different events occur. Joint matching improves retrieval, but processing rich video representations for each query is costly. VEDJE compresse
Reliable video reasoning requires models to produce correct answers and expose supporting visual evidence. Open-o3-Video enables verifiable reasoning by embedding timestamps and object-level bounding boxes into reasoning
Автоматическая композиция задач software engineering из выполнения тестов, полезна для генерации проверяемых агентных бенчмарков.
Historical code changes provide convenient task boundaries, but do not identify which production functions selected tests exercise or support composing validated behaviors beyond a single change. We present SWE-Nexus, a
Бенчмарк LLM на рефакторинг файлов по подсказкам линтера, полезен для оценки агентов в задачах качества кода.
Linters are widely used in code maintenance and real-time IDE editing to surface lint alerts related to performance, style, error-prone, and other patterns in source files. However, existing code benchmarks do not explic
Адаптивная по времени дообучение для понимания кода, помогает поддерживать репозиторных LLM-агентов актуальными при эволюции кода.
Repository-level code comprehension question answering (QA) supports developer reasoning over functionality and usage distributed across codebases. However, repository-specialized large language models (LLMs) can become
Методы выявления и снижения токсичных комментариев в SE-сообществах — готовый подход к фильтрации оскорбительного контента в ответах агентов и модерации.
Online Software Engineering (SE) communities such as Stack Overflow have become unwelcoming and hostile spaces, as evidenced by the presence of rude and offensive comments that are detrimental to the emotional wellbeing
Автоматический поиск энергетических регрессий по истории версий — приём для добавления энергопотребления в CI-метрики регрессионного тестирования.
Context: Green software engineering is emerging as a crucial response to the rising energy impact of information technology, especially in continuous development. However, challenges remain in devising automated methods
Исследование о том, когда граф зависимостей помогает сопоставлять код с архитектурой — основа для автопроверок архитектурного дрейфа в пайплайне.
Architectural technical debt arises when a system's implementation drifts from its inten ded modular decomposition, while the mapping between source files and architectural modu les is missing, incomplete, or costly to m
Инструмент проверки бенчмарков починки багов на загрязнение данных — нужен для честной оценки LLM в задачах авторемонта тестов.
While Large Language Models (LLMs) show promise for Automatic Program Repair (APR), existing benchmarks suffer from data contamination, in which test samples appear in training sets, artificially inflating performance. T
Статья на Hugging Face. описания в источнике нет — детали разберу по кнопке «Изучить глубже»
Asynchronous rollout improves the efficiency of reinforcement learning with verifiable rewards (RLVR) by reducing under-utilization during long-tail generation. Sustained concurrency also concentrates context processing
Разбор системно-1 моделей для быстрых решений: пригодится при проектировании низколатентных шагов агента вместо длинных цепочек рассуждений.
System one models enable direct, low-latency decision-making. Yet recent practice of predicting an answer from serialized text does not, by itself, respect the structure of a decision problem. We argue that current desig
Статья на Hugging Face. описания в источнике нет — детали разберу по кнопке «Изучить глубже»
Generated images often have coherent layouts and visual content, yet local errors in small text and complex characters still limit their readability and practical use. Scene-text refinement requires accuracy, preservatio
Статья на Hugging Face. описания в источнике нет — детали разберу по кнопке «Изучить глубже»
Text-to-image models increasingly generate readable Chinese text that still contains local rendering defects, such as a character with an extra or missing stroke or a malformed component. Such errors are invisible to OCR
Статья на Hugging Face. описания в источнике нет — детали разберу по кнопке «Изучить глубже»
World-action models aim to turn visual anticipation into driving decisions, yet typically train action experts on trajectory representations defined independently of visual dynamics. This motivates deriving action target
Статья на Hugging Face. описания в источнике нет — детали разберу по кнопке «Изучить глубже»
Human videos provide rich motion targets for humanoid learning, yet visually plausible references can still produce persistent failures under physics-based execution. These failures reveal where training supervision shou
Статья на Hugging Face. описания в источнике нет — детали разберу по кнопке «Изучить глубже»
Diffusion large language models (dLLMs) are appealing for code generation because they can update many tokens in parallel, yet many are optimized for sequence synthesis rather than edit prediction. This setting is poorly
Экспериментальное HF-демо быстрого редактирования изображений Qwen с LoRA — песочница для проверки визуальных агентов и пайплайнов обработки изображений.