III. Papers du jourPapers of the DayPapers des TagesPaper del giornoPaper del dì
World models
World models
World Models
World models
World models
VPM : un world model apprend le monde en 4D par trajectoires de pointsVPM: a world model learns the world in 4D from point trajectoriesVPM: Ein World Model lernt die Welt in 4D über PunkttrajektorienVPM: un world model apprende il mondo in 4D tramite traiettorie di puntiVPM : on world model el par el mond in 4D cont i trajettori di pont
Le Video-Point Model (VPM), paper du 21 octobre 2026 sur HF Daily Papers (24 upvotes, meilleure montée du jour), conditionne un world model sur des historiques vidéo multi-vues et une instruction langagière pour prédire conjointement les futures vidéos de points de vue arbitraires et les trajectoires 3D de points persistants de la scène. L'équipe publie VPM-Data (corpus de simulation multi-vues synchronisées) et VP-WorldBench ; la supervision par points améliore à la fois la fidélité vidéo et la précision du mouvement 3D, et augmente le taux de succès de manipulation robotique en simulation et sur robots réels.
The Video-Point Model (VPM), a paper from October 21, 2026 on HF Daily Papers (24 upvotes, best riser of the day), conditions a world model on multi-view video histories and a language instruction to jointly predict future videos from arbitrary viewpoints and the 3D trajectories of persistent scene points. The team releases VPM-Data (a corpus of synchronized multi-view simulations) and VP-WorldBench; point-based supervision improves both video fidelity and 3D motion accuracy, and increases the success rate of robotic manipulation in simulation and on real robots.
Das Video-Point Model (VPM), ein Paper vom 21. Oktober 2026 auf HF Daily Papers (24 Upvotes, bester Anstieg des Tages), konditioniert ein World Model auf multiview-Video-Historien und eine Sprachinstruktion, um gemeinsam künftige Videos aus beliebigen Blickwinkeln und die 3D-Trajektorien persistenter Punkte der Szene vorherzusagen. Das Team veröffentlicht VPM-Data (Korpus synchronisierter Multi-View-Simulationen) und VP-WorldBench; die Punkt-Supervision verbessert sowohl Videotreue als auch 3D-Bewegungsgenauigkeit und erhöht die Erfolgsquote robotischer Manipulation in Simulation und auf realen Robotern.
Il Video-Point Model (VPM), paper del 21 ottobre 2026 su HF Daily Papers (24 upvote, migliore salita della giornata), condiziona un world model su storie video multi-vista e un'istruzione linguistica per predire congiuntamente i futuri video da punti di vista arbitrari e le traiettorie 3D di punti persistenti della scena. Il team pubblica VPM-Data (corpus di simulazione multi-vista sincronizzate) e VP-WorldBench; la supervisione tramite punti migliora sia la fedeltà video sia la precisione del movimento 3D, e aumenta il tasso di successo di manipolazione robotica in simulazione e su robot reali.
El Video-Point Model (VPM), paper del 21 de ottober 2026 sora HF Daily Papers (24 upvote, meliora montaa del dì), el condiziona on world model sora di stori video multi-vista e n'istruzion de lengoeu per predic insema i video futuri de pont de vista arbitrari e i trajettori 3D di pont persistent de la scenna. L'equipa la publica VPM-Data (corpus de simulazion multi-vista sincronizzaa) e VP-WorldBench ; la supervision cont i pont la meliora sia la fedeltaa video sia la precision del moeuv 3D, e la cress el tauss de sucess de manipolazion robotega in simulazion e sora robot reai.
Architecture
Architecture
Architektur
Architettura
Architetura
PAR : la récurrence alignée sur le progrès généralise à 16× la longueur d'entraînementPAR: progress-aligned recurrence generalizes to 16× the training lengthPAR: Fortschrittsausgerichtete Rekurrenz generalisiert auf die 16-fache TrainingslängePAR: la ricorrenza allineata sul progresso generalizza a 16× la lunghezza di trainingPAR : la recorrenza alineada sora el progress la generalizza a 16× la longhezza de addestrament
Publié le 21 octobre 2026 sur HF Daily Papers (13 upvotes), PAR entraîne la prédiction à l'itération k à correspondre à l'état après les k premières opérations et recale les états récurrents sur leurs normes de première itération. Sur swap-S5, un Qwen2.5-0.5B entraîné sur 32 mouvements atteint 95,5 % de précision d'état complet à 512 mouvements — 16× la longueur d'entraînement — contre 55,7 % pour RLT et 0,8 % pour le chain-of-thought explicite. Retirer l'ancrage de norme fait chuter l'extrapolation de 16× à moins de 2,2×.
Published on October 21, 2026 on HF Daily Papers (13 upvotes), PAR trains the prediction at iteration k to match the state after the first k operations and re-anchors recurrent states to their first-iteration norms. On swap-S5, a Qwen2.5-0.5B trained on 32 moves achieves 95.5% full-state accuracy at 512 moves — 16× the training length — versus 55.7% for RLT and 0.8% for explicit chain-of-thought. Removing the norm anchoring causes extrapolation to drop from 16× to less than 2.2×.
Veröffentlicht am 21. Oktober 2026 auf HF Daily Papers (13 Upvotes), trainiert PAR die Vorhersage bei Iteration k darauf, dem Zustand nach den ersten k Operationen zu entsprechen, und reskaliert die rekurrenten Zustände auf ihre Normen der ersten Iteration. Auf swap-S5 erreicht ein auf 32 Züge trainiertes Qwen2.5-0.5B eine Genauigkeit des vollständigen Zustands von 95,5 % bei 512 Zügen – das 16-Fache der Trainingslänge – gegenüber 55,7 % für RLT und 0,8 % für explizites Chain-of-Thought. Ohne die Norm-Ankerung sinkt die Extrapolation von 16× auf unter 2,2×.
Pubblicato il 21 ottobre 2026 su HF Daily Papers (13 upvote), PAR addestra la predizione all'iterazione k a corrispondere allo stato dopo le prime k operazioni e riallinea gli stati ricorrenti sulle loro norme di prima iterazione. Su swap-S5, un Qwen2.5-0.5B addestrato su 32 mosse raggiunge il 95,5% di precisione di stato completo a 512 mosse — 16× la lunghezza di training — contro il 55,7% di RLT e lo 0,8% del chain-of-thought esplicito. Rimuovere l'ancoraggio della norma fa crollare l'estrapolazione da 16× a meno di 2,2×.
Publicaa el 21 de ottober 2026 sora HF Daily Papers (13 upvote), PAR el adree a la predizion a l'iterazion k a corrispond a l'istaa dòpo i prim k operazion e 'l recala i staa ricorrent sora i sò norm de la prima iterazion. Sora swap-S5, on Qwen2.5-0.5B addestraa sora 32 moeuv el rivaa al 95,5% de precision de staa complet a 512 moeuv — 16 voeult la longhezza de addestrament — contra el 55,7% per RLT e 'l 0,8% per el chain-of-thought esplegh. Toeuss via l'ancoragg de norma el fa borlà l'estrapolazion de 16 voeult a manch de 2,2 voeult.
Agents
Agents
Agenten
Agenti
Agent
S-Agent 2.0 : la mémoire de scène relance le raisonnement spatialS-Agent 2.0: scene memory revives spatial reasoningS-Agent 2.0: Das Szenengedächtnis belebt das räumliche Reasoning neuS-Agent 2.0: la memoria di scena rilancia il ragionamento spazialeS-Agent 2.0 : la memoria de scenna la relassa el resonament spazial
S-Agent 2.0 (6 upvotes le 21 octobre 2026) équipe un agent de code généraliste d'une boîte à outils de perception en ligne de commande, d'une mémoire de scène persistante et d'une interprétation des mesures en langage spatial. Le toolkit fait gagner +13,9 et +20,5 points à Qwen3.8-27B sur MMSI-Bench et ReVSI, et +11,2 et +9,6 à Gemini-3.8-Flash ; avec ce dernier, S-Agent 2.0 atteint 74,1 et 90,5. L'approche fonctionne à travers plusieurs harness, dont Codex et Claude Code.
S-Agent 2.0 (6 upvotes on October 21, 2026) equips a generalist code agent with a command-line perception toolkit, a persistent scene memory, and an interpretation of measurements in spatial language. The toolkit gains +13.9 and +20.5 points for Qwen3.8-27B on MMSI-Bench and ReVSI, and +11.2 and +9.6 for Gemini-3.8-Flash; with the latter, S-Agent 2.0 reaches 74.1 and 90.5. The approach works across multiple harnesses, including Codex and Claude Code.
S-Agent 2.0 (6 Upvotes am 21. Oktober 2026) stattet einen generalistischen Code-Agenten mit einem kommandozeilenbasierten Wahrnehmungs-Toolkit, einem persistenten Szenengedächtnis und einer Interpretation von Messungen in räumlicher Sprache aus. Das Toolkit bringt Qwen3.8-27B +13,9 und +20,5 Punkte auf MMSI-Bench und ReVSI sowie +11,2 und +9,6 auf Gemini-3.8-Flash; mit letzterem erreicht S-Agent 2.0 74,1 und 90,5. Der Ansatz funktioniert über mehrere Harnesses hinweg, darunter Codex und Claude Code.
S-Agent 2.0 (6 upvote il 21 ottobre 2026) dota un agente di codice generalista di un toolkit di percezione a riga di comando, una memoria di scena persistente e un'interpretazione delle misure in linguaggio spaziale. Il toolkit fa guadagnare +13,9 e +20,5 punti a Qwen3.8-27B su MMSI-Bench e ReVSI, e +11,2 e +9,6 a Gemini-3.8-Flash; con quest'ultimo, S-Agent 2.0 raggiunge 74,1 e 90,5. L'approccio funziona su più harness, tra cui Codex e Claude Code.
S-Agent 2.0 (6 upvote el 21 de ottober 2026) el dotà on agent de còdes generalista de ona cassetta de strument de percezion a riga de comanda, de ona memoria de scenna persistent e de n'interpretazion di misur in lengoeu spazial. El toolkit el fa guadagnà +13,9 e +20,5 pont a Qwen3.8-27B sora MMSI-Bench e ReVSI, e +11,2 e +9,6 a Gemini-3.8-Flash ; cont quest ultem chì, S-Agent 2.0 el rivaa a 74,1 e 90,5. L'aprocch el fonziona travers divèrs harness, dentr Codex e Claude Code.
Raisonnement
Reasoning
Reasoning
Ragionamento
Resonament
DRLM : raisonner en parallèle en raffinant un brouillon completDRLM: reasoning in parallel by refining a full draftDRLM: Parallel denken durch Verfeinerung eines vollständigen EntwurfsDRLM: ragionare in parallelo raffinando una bozza completaDRLM : resonà in paralèll cont el raffinà ona bozza completa
Les Draft Refinement Language Models (3 upvotes le 21 octobre 2026) utilisent un dénoiseur unique pour proposer des révisions parallèles et évaluer un brouillon complet, calculant une « cavity energy » en une seule passe sans modèle de scoring additionnel. Avec 6 millions de paramètres, DRLM atteint 44,4 % sur Countdown-5 et 93,9 % sur Sudoku-Extreme, battant les baselines autorégressives et de diffusion discrète — un plaidoyer pour le raffinement parallèle du brouillon complet comme alternative à la diffusion inverse.
Draft Refinement Language Models (3 upvotes on October 21, 2026) use a single denoiser to propose parallel revisions and evaluate a complete draft, computing a "cavity energy" in a single pass without an additional scoring model. With 6 million parameters, DRLM reaches 44.4% on Countdown-5 and 93.9% on Sudoku-Extreme, beating autoregressive and discrete diffusion baselines — a case for parallel refinement of the full draft as an alternative to inverse diffusion.
Draft Refinement Language Models (3 Upvotes am 21. Oktober 2026) nutzen einen einzigen Denoiser, um parallele Revisionen vorzuschlagen und einen vollständigen Entwurf zu bewerten, wobei eine „Cavity Energy" in einem einzigen Durchlauf ohne zusätzliches Scoring-Modell berechnet wird. Mit 6 Millionen Parametern erreicht DRLM 44,4 % auf Countdown-5 und 93,9 % auf Sudoku-Extreme und schlägt autoregressive sowie diskrete Diffusions-Baselines – ein Plädoyer für die parallele Verfeinerung des vollständigen Entwurfs als Alternative zur inversen Diffusion.
I Draft Refinement Language Models (3 upvote il 21 ottobre 2026) utilizzano un unico denoiser per proporre revisioni parallele e valutare una bozza completa, calcolando una "cavity energy" in una sola passata senza un modello di scoring aggiuntivo. Con 6 milioni di parametri, DRLM raggiunge il 44,4% su Countdown-5 e il 93,9% su Sudoku-Extreme, battendo le baseline autoregressive e a diffusione discreta — un sostegno al raffinamento parallelo della bozza completa come alternativa alla diffusione inversa.
I Draft Refinement Language Models (3 upvote el 21 de ottober 2026) ghe dovren on ùnegh denoiseur per prupon di revision paralèll e valutà on bozza complet, cont el calcul de n'« energy » de cavità in d'ona sola passada senza modei de scoring adizionai. Con 6 milion de parameter, DRLM el rivaa al 44,4% sora Countdown-5 e al 93,9% sora Sudoku-Extreme, superand i baseline autoritressiv e de difusion discreta — ona difesa del raffinament paralèll del bozza complet 'me alternativa a la difion inversa.