Paper

arXiv Upvote Trends Top 30 [1/30] [2/30] [3/30] [4/30] [5/30] [6/30] [7/30] [8/30] [9/30] [10/30] [11/30] [12/30] [13/30] [14/30] [15/30] [16/30] [17/30] [18/30] [19/30] [20/30] [21/30] [22/30] [23/30] [24/30] [25/30] [26/30] [27/30] [28/30] [29/30] [30/30]

arxiv.orgReading, Writing, Sharing, and Interacting with the World through VideoVideo foundation models have advanced rapidly in understanding and generating visual sequences, while video world models seek to capture the underlying dynamics of the world they depict. Despite their...

[19/30] 336 Upvotes, 2 Comments, 2 Posts, arXiv:2610.31668 🆕Reading, Writing, Sharing, and Interacting with the World through Video Shengqiong Wu, Meng Luo, Bobo Li, Ziwei Liu, Shuicheng Yan, Ming-Hsuan Yang

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

huggingface.coPaper page - Reading, Writing, Sharing, and Interacting with the World through VideoJoin the discussion on this paper page

動画基盤モデルは、視覚シーケンスの理解と生成において急速に進歩を遂げている一方、動画世界モデルは、描写対象となる世界の根底にあるダイナミクスを捉えることを目指している。目的は異なるものの、どちらも映像による観察と、変化し続ける世界との関係について論じている。本調査では、こうした動向を検証するための統一的な視点として、世界モデルを採用している。観測された動画を、潜在的な時間的世界の部分的かつ非完全で、時間的に順序付けられた投影として捉え、本稿では文献を4つの相互に補完し合う操作を中心に整理する。すなわち、「読み取り」は観測された動画から世界の特性を推論し、「書き込み」は、指定...

(1/2) 290 Upvotes, 2 Comments, 22 Oct 2026, Hugging Face

alphaxiv.orgReading, Writing, Sharing, and Interacting with the World through VideoVideo foundation models have advanced rapidly in understanding and generating visual sequences, while video world models seek to capture the underlying dynamics of the world they depict. Despite...

(2/2) 46 Upvotes, 0 Comments, 22 Oct 2026, alphaXiv

arxiv.orgTrajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use AgentsSuccessful tool-use trajectories are not necessarily useful supervision. Even successful interactions may underrepresent multi-step dependencies or contain actions that are unjustified by the informat...

[20/30] 331 Upvotes, 2 Comments, 1 Posts, arXiv:2610.33568 🆕Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents Yihao Hu, Zhihao Wen, Yitong Lin, Siyuan Lu, Pan Wang, Wei Wu

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

huggingface.coPaper page - Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use AgentsJoin the discussion on this paper page

道具の使用が成功した経過が、必ずしも有益な指導になるとは限らない。たとえ成功した相互作用であっても、多段階の依存関係が十分に反映されていない場合や、意思決定の時点でエージェントが把握している情報だけでは正当化できない行動が含まれている場合がある。効果的な軌道監督には、2つの相互に関連した要件がある。1つは「構成的カバレッジ」であり、これにより重要な観測と行動の依存関係が表現される。もう1つは「決定のグラウンディング」であり、これにより、各監督対象の行動が、学習者が認識できる相互作用履歴によって裏付けられる。本稿では、サポートが不十分な構成的構造の周囲に実行可能な相互作用を構築...

(1/1) 331 Upvotes, 2 Comments, 24 Oct 2026, Hugging Face

[18/30] 366 Upvotes, 0 Comments, 2 Posts, arXiv:2610.31642 🆕A Fix for Softmax and Cross-Entropy Jonathan T. Barron, Dan Gnanapragasam, Michael Tschannen

arxiv.orgA Fix for Softmax and Cross-EntropyStandard implementations of softmax, log-softmax, and cross-entropy have two numerical bugs. The first bug, Softmax Collapse, rounds the target logit's gradient to zero if that one logit is much large...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

softmax、log-softmax、および交差エントロピーの標準的な実装には、2つの数値的なバグがあります。最初のバグである「ソフトマックス・コラープス」は、あるロジットが他のロジットよりもはるかに大きい場合、そのロジットの勾配をゼロに丸めてしまうため、勾配の合計がゼロでなくなる。 2つ目のバグである「ソフトマックス・キャンセレーション」は、学習者のロジットが教師のロジットに近い場合に発生し、学習者と教師のロジットが等しい場合でも、ゼロではない勾配が生じます。本稿では、これら2つのバグを両方とも修正した、log-softmax、softmax、および交差エントロピーのシンプ...

[18/30] 366 Upvotes, 0 Comments, 2 Posts, arXiv:2610.31642 🆕A Fix for Softmax and Cross-Entropy Jonathan T. Barron, Dan Gnanapragasam, Michael Tschannen

alphaxiv.orgA Fix for Softmax and Cross-EntropyGoogle DeepMind researchers identify two floating-point failure modes in standard softmax and cross-entropy calculations: confident predictions can lose their small target gradients, and nearly...

(1/2) 362 Upvotes, 0 Comments, 22 Oct 2026, alphaXiv

news.ycombinator.comA Fix for Softmax and Cross-Entropy | Hacker News

(2/2) 4 Upvotes, 0 Comments, 24 Oct 2026, Hacker News

[22/30] 307 Upvotes, 201 Comments, 4 Posts, arXiv:2610.29162 🆕Why is AI-generated language so hard to understand? Thomas Hikaru Clark, Matias B. Martin, Kyle Mahowald

arxiv.orgWhy is AI-generated language so hard to understand?There is a widespread sense that AI-generated text has recently become harder to understand. In this study, we investigate a set of psycholinguistic features that are known to correlate with human pro...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

最近、AIが生成した文章は以前より理解しづらくなっているという認識が広く浸透している。本研究では、人間の処理の難しさと相関があることが知られている一連の心理言語学的特徴（例：目的語関係節、長い構文的依存関係、出現頻度の低いn-グラムなど）について検討する。多様な分野にわたるAI生成テキストからなる新規コーパスを用いて分析した結果、AIモデルは、往復翻訳によって生成された言い換えよりも、こうした難解な特徴をより頻繁に用いていることがわかった。人間の文章と比較すると、9つのフロンティアモデルおよびニア・フロンティアモデルはすべて、無生物の主語に有生物の動詞を組み合わせた表現や、出...

[22/30] 307 Upvotes, 201 Comments, 4 Posts, arXiv:2610.29162 🆕Why is AI-generated language so hard to understand? Thomas Hikaru Clark, Matias B. Martin, Kyle Mahowald

news.ycombinator.comWhy is AI generated language so hard to understand? | Hacker News

(1/2) 254 Upvotes, 201 Comments, 24 Oct 2026, Hacker News

alphaxiv.orgWhy is AI-generated language so hard to understand?An analysis of 14 language models finds that many favor wording patterns associated with greater human processing demands, including rarer word sequences and compact syntactic forms. In a controlled.....

(2/2) 45 Upvotes, 0 Comments, 21 Oct 2026, alphaXiv

[27/30] 278 Upvotes, 4 Comments, 2 Posts, arXiv:2610.31329 🆕WeVisOne-VL: Unified Visual Perception from Objects to Pixels Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun

arxiv.orgWeVisOne-VL: Unified Visual Perception from Objects to PixelsExisting vision-language models (VLMs) remain unreliable for fine-grained visual perception. In this report, we present WeVisOne-VL (WeChat Vision All-in-One), a powerful VLM that unifies object-level...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

既存の視覚言語モデル（VLM）は、きめ細かな視覚的知覚に関しては依然として信頼性に欠ける。本報告では、構造化された次トークン予測を通じて、オブジェクトレベルとピクセルレベルの知覚を統合する強力なVLMである「WeVisOne-VL（WeChat Vision All-in-One）」を紹介する。物体検出、参照位置特定、計数、OCR、セグメンテーション、マッティングなど、さまざまな視覚処理タスクに対応しており、点やボックスからマスクやアルファマットに至るまで、ユーザーごとに指定した任意の粒度での位置特定を可能にします。アーキテクチャ的には、特別な <OBJ> トークンを介して軽...

[27/30] 278 Upvotes, 4 Comments, 2 Posts, arXiv:2610.31329 🆕WeVisOne-VL: Unified Visual Perception from Objects to Pixels Tianming Liang, Junyi Pan, Yuxi Li, Canmiao Fu, Zhipeng Huang, Chong Sun

huggingface.coPaper page - WeVisOne-VL: Unified Visual Perception from Objects to PixelsJoin the discussion on this paper page

(1/2) 251 Upvotes, 4 Comments, 22 Oct 2026, Hugging Face

alphaxiv.orgWeVisOne-VL: Unified Visual Perception from Objects to PixelsExisting vision-language models (VLMs) remain unreliable for fine-grained visual perception. In this report, we present WeVisOne-VL (WeChat Vision All-in-One), a powerful VLM that unifies...

(2/2) 27 Upvotes, 0 Comments, 22 Oct 2026, alphaXiv

[26/30] 267 Upvotes, 0 Comments, 1 Posts, arXiv:2610.28480 🆕SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel

arxiv.orgSuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World ModelTracking large human-motion datasets has become the dominant route to general, expressive humanoid whole-body control, but scaling across many motions is expensive. Current pipelines use model-free re...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

alphaxiv.orgSuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World ModelSuperMimic trains a shared, differentiable learned world model from simulator transitions and backpropagates through imagined rollouts to train humanoid motion-tracking policies. On the authors’...

大規模な人間の動作データセットを追跡することは、汎用的で表現力豊かなヒューマノイドの全身制御を実現するための主流の手法となっているが、多数の動作にスケールさせるには多大なコストがかかる。現在のパイプラインでは、モデルフリー強化学習を採用しており、ロス付き蒸留によって各動作に特化したモデルを統合するか、クラスター規模の計算リソースを用いて単一のポリシーを総当たり法で導出しています。 SuperMimicは、標準的な剛体シミュレータのログデータから推定された、共有ダイナミクスを表す単一の微分可能なワールドモデルを用いて、すべての動作にわたって学習を均等化します。世界モデルと追跡ポリ...

(1/1) 267 Upvotes, 0 Comments, 20 Oct 2026, alphaXiv

[4/30] 547 Upvotes, 2 Comments, 1 Posts, arXiv:2610.21114 🆕Spectral-Spatial Interpretation Haotian Ma, Ruqi Yang, Philip Townsend

arxiv.orgSpectral-Spatial InterpretationPost-hoc image explanations usually show where a model looks using spatial heatmaps or indicate which channels matter using global channel scores. These separate views are limiting for multispectral d...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

事後的な画像説明では、通常、空間ヒートマップを用いてモデルが注目している箇所を示したり、グローバルなチャネルスコアを用いてどのチャネルが重要であるかを示したりします。マルチスペクトルデータの場合、チャネルの関連性は多くの場合、空間的に局所的であり、物理的にも意味を持つため、こうした個別のビューでは限界があります。本稿では、位置・チャネルプレイヤー (g,c) に対するフルグリッド帰属手法である「スペクトル空間解釈（SSI）」を紹介する。 SSIは、各空間位置について、観測された周囲の状況を固定し、その位置のチャネルを対象とした条件付きゲームを定義し、この局所的なゲームにシャプレ...

[4/30] 547 Upvotes, 2 Comments, 1 Posts, arXiv:2610.21114 🆕Spectral-Spatial Interpretation Haotian Ma, Ruqi Yang, Philip Townsend

huggingface.coPaper page - Spectral-Spatial InterpretationJoin the discussion on this paper page

(1/1) 547 Upvotes, 2 Comments, 15 Oct 2026, Hugging Face

[30/30] 234 Upvotes, 3 Comments, 2 Posts, arXiv:2610.26825 🆕MemT-1.0: Towards Memory-Native Evolution Zhiyu Li, Zeyu Zhang, Linyun Liu, Yiwei Bu, Chenyang Xi, Xichong Zhang

arxiv.orgMemT-1.0: Towards Memory-Native EvolutionMemory-native evolution requires making memory an intrinsic capability of foundation models, enabling them to continuously accumulate and utilize information. To this end, we introduce MemT-1.0, a new...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv

メモリネイティブな進化を実現するには、メモリをファウンデーションモデルの本質的な機能とし、情報が継続的に蓄積・活用されるようにする必要があります。この目的のために、我々は、メモリをモデル計算の一部として組み込んだ、メモリ基盤モデルの新しいアーキテクチャ「MemT-1.0」を提案する。 Metisを基盤として、MemT-1.0は、各ターン内で安定したトークンレベルのメモリ更新メカニズムを備えたGated DeltaNet-2を採用しています。さらに、ネイティブメモリ容量を拡張するために、「Mixture-of-Storage」を導入する。綿密なバックボーンの準備を経て、34B...

[30/30] 234 Upvotes, 3 Comments, 2 Posts, arXiv:2610.26825 🆕MemT-1.0: Towards Memory-Native Evolution Zhiyu Li, Zeyu Zhang, Linyun Liu, Yiwei Bu, Chenyang Xi, Xichong Zhang

huggingface.coPaper page - MemT-1.0: Towards Memory-Native EvolutionJoin the discussion on this paper page

(1/2) 135 Upvotes, 3 Comments, 19 Oct 2026, Hugging Face

alphaxiv.orgMemT-1.0: Towards Memory-Native EvolutionMemory-native evolution requires making memory an intrinsic capability of foundation models, enabling them to continuously accumulate and utilize information. To this end, we introduce MemT-1.0, a...

(2/2) 99 Upvotes, 0 Comments, 20 Oct 2026, alphaXiv

[15/30] 345 Upvotes, 1 Comments, 1 Posts, arXiv:2610.28402 🆕StreamEval: Evaluating Interactive Streaming Video Generation Models StreamEval Team

arxiv.orgStreamEval: Evaluating Interactive Streaming Video Generation ModelsAs streaming video generation advances, enabling real-time interaction with generated video is becoming increasingly important. We introduce StreamEval, a unified benchmark for interactive streaming v...

Links: abs, pdf Search: Bluesky, Twitter, Reddit, Hacker News, Hugging Face, alphaXiv