Architecture
Architecture
Architektur
Architettura
Architettura
MSAR : des résidus d'attention multi-flux qui accélèrent le pré-entraînement de 1,58×MSAR: Multi-Stream Attention Residuals Speed Up Pretraining by 1.58×MSAR: Multi-Stream-Attention-Residuen beschleunigen das Pretraining um 1,58×MSAR: residui di attenzione multi-flusso che accelerano il pre-addestramento di 1,58×MSAR : di residu d'atenzion multi-fluss che i aceleren el pre-addestrament de 1,58×
Des chercheurs de l'université Jiao Tong de Shanghai introduisent MSAR (Multi-Stream Attention Residuals), une extension multi-têtes des résidus d'attention le long de la profondeur du réseau. Sur les
12 benchmarks aval aux échelles MoE 18B et 28B, MSAR surpasse les connexions résiduelles standards, mHC et AttnRes ; les lois d'échelle donnent un gain de calcul iso-perte de 1,58× contre 1,35× pour AttnRes. Papier du 13 octobre 2026 avec 30 upvotes sur les Daily Papers de Hugging Face.
Researchers at Shanghai Jiao Tong University introduce MSAR (Multi-Stream Attention Residuals), a multi-head extension of attention residuals along network depth. On
12 downstream benchmarks at MoE scales of 18B and 28B, MSAR outperforms standard residual connections, mHC and AttnRes; scaling laws yield an iso-loss compute gain of 1.58× versus 1.35× for AttnRes. Paper of October 13, 2026 with 30 upvotes on Hugging Face's Daily Papers.
Forschende der Jiaotong-Universität Shanghai führen MSAR (Multi-Stream Attention Residuals) ein, eine Multi-Head-Erweiterung der Attention-Residuen entlang der Netzwerktiefe. Auf den
12 Downstream-Benchmarks in den MoE-Skalen 18B und 28B übertrifft MSAR die Standard-Residualverbindungen, mHC und AttnRes; die Skalierungsgesetze ergeben einen Iso-Loss-Rechenzugewinn von 1,58× gegenüber 1,35× für AttnRes. Paper vom 13. Oktober 2026 mit 30 Upvotes auf den Hugging-Face-Daily-Papers.
Dei ricercatori dell'università Jiao Tong di Shanghai introducono MSAR (Multi-Stream Attention Residuals), un'estensione multi-testa dei residui di attenzione lungo la profondità della rete. Sui
12 benchmark a valle alle scale MoE 18B e 28B, MSAR supera le connessioni residue standard, mHC e AttnRes; le leggi di scala danno un guadagno di calcolo iso-perdita di 1,58× contro 1,35× per AttnRes. Paper del 13 ottobre 2026 con 30 upvote sui Daily Papers di Hugging Face.
Di ricercador de l'università Jiao Tong de Shanghai i introducen MSAR (Multi-Stream Attention Residuals), ona estension multi-test di residu d'atenzion longh la profondità de la red. Sui
12 benchmark a la baja ai scali MoE 18B e 28B, MSAR el supera i conession residuai standard, mHC e AttnRes; i leg de scali dann on guadagn de calcol iso-perdita de 1,58× contra 1,35× per AttnRes. Paper del 13 de ottober 2026 con 30 upvotes sora i Daily Papers de Hugging Face.
Agents terminaux
Terminal agents
Terminal-Agenten
Agenti da terminale
Agent terminaj
TerminalHorizon : Alibaba entraîne Qwen3.5-27B sur 1 500 environnements synthétiquesTerminalHorizon: Alibaba Trains Qwen3.5-27B on 1,500 Synthetic EnvironmentsTerminalHorizon: Alibaba trainiert Qwen3.5-27B auf 1 500 synthetischen UmgebungenTerminalHorizon: Alibaba addestra Qwen3.5-27B su 1 500 ambienti sinteticiTerminalHorizon : Alibaba el addestra Qwen3.5-27B sora 1 500 ambient sintetegh
Le laboratoire d'Alibaba publie TerminalHorizon, un moteur automatisé de synthèse de données pour agents de terminal à long horizon. Fine-tuné sur
1 500 environnements de tâches à partir de Qwen3.5-27B, le modèle TerminalHorizon-27B progresse sur les 12 benchmarks évalués — coding-agents, tâches de production et raisonnement général — et des études de RSI avec un budget de 12 heures montrent sa capacité à améliorer ses méthodes au fil de l'expérimentation. 28 upvotes le 13 octobre 2026 sur Hugging Face.
Alibaba's lab publishes TerminalHorizon, an automated data-synthesis engine for long-horizon terminal agents. Fine-tuned on
1,500 task environments starting from Qwen3.5-27B, the TerminalHorizon-27B model improves on all 12 benchmarks evaluated — coding agents, production tasks and general reasoning — and RSI studies with a 12-hour budget show its ability to refine its methods over the course of experimentation. 28 upvotes on October 13, 2026 on Hugging Face.
Das Labor von Alibaba veröffentlicht TerminalHorizon, eine automatisierte Engine zur Datensynthese für Terminal-Agenten mit langem Horizont. Auf
1 500 Aufgabenumgebungen ausgehend von Qwen3.5-27B feingetunt, legt das Modell TerminalHorizon-27B auf allen 12 evaluierten Benchmarks zu – Coding-Agenten, Produktionsaufgaben und allgemeines Reasoning –, und RSI-Studien mit einem Budget von 12 Stunden zeigen seine Fähigkeit, im Verlauf der Experimente eigene Methoden zu verbessern. 28 Upvotes am 13. Oktober 2026 auf Hugging Face.
Il laboratorio di Alibaba pubblica TerminalHorizon, un motore automatizzato di sintesi dei dati per agenti da terminale a lungo orizzonte. Finetuned su
1 500 ambienti di attività a partire da Qwen3.5-27B, il modello TerminalHorizon-27B progredisce sui 12 benchmark valutati — coding-agent, attività di produzione e ragionamento generale — e studi di RSI con un budget di 12 ore mostrano la sua capacità di migliorare i propri metodi nel corso della sperimentazione. 28 upvote il 13 ottobre 2026 su Hugging Face.
El laboratori de Alibaba el publica TerminalHorizon, on motor automategh de sintesi de dacc per agent de terminal a longh orizont. Fine-tunaa sora
1 500 ambient de lavorà a partì de Qwen3.5-27B, el modei TerminalHorizon-27B el progressa sui 12 benchmark valutaa — agent de codes, atività de produzion e resonament general — e di studi de RSI con on budget de 12 or mostren la soa capacità de melhorà i so metood in del cors de la sperimentazion. 28 upvotes el 13 de ottober 2026 sora Hugging Face.
Vision & robotique
Vision & robotics
Vision & Robotik
Visione & robotica
Vision e robotega
GroundingPI : un modèle 4B de XPENG dépasse GPT-6 Astra sur le grounding visuelGroundingPI: A 4B Model from XPENG Beats GPT-6 Astra on Visual GroundingGroundingPI: Ein 4B-Modell von XPENG übertrifft GPT-6 Astra beim visuellen GroundingGroundingPI: un modello 4B di XPENG supera GPT-6 Astra nel grounding visivoGroundingPI : on modei 4B de XPENG el supera GPT-6 Astra in del grounding visual
XPENG AI présente GroundAnything et GroundingPI, deux modèles de grounding de 4 milliards de paramètres. GroundingPI atteint 73,68 % de moyenne sur 34 benchmarks face à 44 baselines, devant le plus grand
GPT-6 Astra (71,54 %) ; sur RoboTwin 2.0, il dépasse tous les backbones évalués dans les quatre scénarios hors-distribution, jusqu'à 24,8 % d'écart relatif. La variante rapide
GroundAnything combine décodage parallèle par diffusion et vitesse : 61,75 % de moyenne contre 53,32 % pour la baseline MTP, avec un mode spéculatif 4,51× plus rapide.
XPENG AI presents GroundAnything and GroundingPI, two grounding models with 4 billion parameters. GroundingPI achieves 73.68% on average across 34 benchmarks against 44 baselines, ahead of the much larger
GPT-6 Astra (71.54%); on RoboTwin 2.0, it surpasses every backbone evaluated across four out-of-distribution scenarios, with relative gaps of up to 24.8%. The fast variant
GroundAnything combines parallel diffusion decoding and speed: 61.75% on average versus 53.32% for the MTP baseline, with a speculative mode 4.51× faster.
XPENG AI stellt GroundAnything und GroundingPI vor, zwei Grounding-Modelle mit 4 Milliarden Parametern. GroundingPI erreicht im Mittel 73,68 % über 34 Benchmarks gegen 44 Baselines und liegt vor dem grösseren
GPT-6 Astra (71,54 %); auf RoboTwin 2.0 übertrifft es alle evaluierten Backbones in den vier Out-of-Distribution-Szenarien, bis zu 24,8 % relativer Differenz. Die schnelle Variante
GroundAnything kombiniert parallele Diffusions-Dekodierung mit Geschwindigkeit: 61,75 % im Mittel gegenüber 53,32 % für die MTP-Baseline, mit einem 4,51× schnelleren spekulativen Modus.
XPENG AI presenta GroundAnything e GroundingPI, due modelli di grounding da 4 miliardi di parametri. GroundingPI raggiunge il 73,68% di media su 34 benchmark contro 44 baseline, davanti al più grande
GPT-6 Astra (71,54%); su RoboTwin 2.0 supera tutti i backbone valutati nei quattro scenari out-of-distribution, fino a un 24,8% di scarto relativo. La variante rapida
GroundAnything combina decodifica parallela per diffusione e velocità: 61,75% di media contro 53,32% per la baseline MTP, con una modalità speculativa 4,51× più veloce.
XPENG AI el presenta GroundAnything e GroundingPI, duu modei de grounding de 4 miliard de parametr. GroundingPI el riva al 68... el tocc el 73,68% de media sora 34 benchmark contra 44 baseline, denanz al pussee grand
GPT-6 Astra (71,54%); sora RoboTwin 2.0, el supera tucc i backbone valuttaa in di quatter scenari foeura de distribuzion, fin a 24,8% de divari relativ. La varianta rapida
GroundAnything la combina decodiga parallela a diffusion e velocità: 61,75% de media contra 53,32% per la baseline MTP, cont on mod speculativ 4,51× pussee rapid.
Comportement des modèles
Model behavior
Modellverhalten
Comportamento dei modelli
Comportament di modei
« Thinking Inertia » : les LLM continuent de raisonner quand on leur dit de s'arrêter“Thinking Inertia”: LLMs Keep Reasoning When Told to Stop«Thinking Inertia»: LLMs rechnen weiter, wenn man ihnen sagt, sie sollen aufhören« Thinking Inertia »: gli LLM continuano a ragionare quando viene detto loro di fermarsi« Thinking Inertia » : i LLM i vann anmò innanz a resonà quand che se ghe dis de fermàss
Stanford montre que les contrôles explicites « no-think » ne suppriment pas de façon fiable le raisonnement visible : l'inférence explicite persiste sous contraintes strictes, phénomène baptisé « Thinking Inertia ». L'étude teste six interventions de prompting sur six LLM via trois métriques dédiées ; les réponses en
answer-only deviennent d'ailleurs plus faciles à produire quand des candidats sont fournis dans la question. La précision reste stable en booléen et QCM, mais les tâches ouvertes révèlent un arbitrage entre conformité et exactitude.
Stanford shows that explicit “no-think” controls do not reliably suppress visible reasoning: explicit inference persists under strict constraints, a phenomenon dubbed “Thinking Inertia.” The study tests six prompting interventions on six LLMs via three dedicated metrics;
answer-only responses also become easier to produce when candidates are provided in the prompt. Accuracy remains stable on boolean and multiple-choice tasks, but open-ended tasks reveal a trade-off between compliance and correctness.
Stanford zeigt, dass explizite «No-think»-Steuerungen das sichtbare Reasoning nicht zuverlässig unterdrücken: Die explizite Inferenz persistiert unter strengen Nebenbedingungen – ein Phänomen, das «Thinking Inertia» getauft wurde. Die Studie testet sechs Prompting-Interventionen an sechs LLMs mittels dreier dedizierter Metriken; «
answer-only»-Antworten lassen sich ausserdem leichter erzeugen, wenn Antwortkandidaten in der Frage mitgeliefert werden. Die Genauigkeit bleibt bei booleschen Aufgaben und Multiple-Choice stabil, doch offene Aufgaben offenbaren einen Zielkonflikt zwischen Befolgung und Korrektheit.
Stanford mostra che i controlli espliciti « no-think » non sopprimono in modo affidabile il ragionamento visibile: l'inferenza esplicita persiste sotto vincoli severi, fenomeno battezzato « Thinking Inertia ». Lo studio testa sei interventi di prompting su sei LLM tramite tre metriche dedicate; le risposte in
answer-only diventano peraltro più facili da produrre quando nella domanda vengono forniti dei candidati. La precisione rimane stabile nei compiti booleani e a scelta multipla, ma le attività aperte rivelano un compromesso tra conformità ed esattezza.
Stanford el mostra che i controri esplicit « no-think » i caven no de manera fidabel el resonament visibel: l'inferenzi esplicita la va innanz sotta vincol stritt, fenomen batezzaa « Thinking Inertia ». El studi el prova ses intervent de prompting sora ses LLM cont trii metrich dedicaa; i respond in
answer-only deven anca pussee facil de prodùs quand che di candidaa hinn daa in de la domanda. La precision la resta stabila in boolean e QCM, ma i lavorà a vert riveven on arbitragg tra conformità e esatezza.