Papers du jour
Papers of the day
Papers des Tages
Paper del giorno
Paper del dì
The Trinity : l'auto-amélioration récursive des agents multimodaux gagne 34 pointsThe Trinity: recursive self-improvement of multimodal agents gains 34 pointsThe Trinity: Rekursive Selbstverbesserung multimodaler Agenten gewinnt 34 PunkteThe Trinity: l'automiglioramento ricorsivo degli agenti multimodali guadagna 34 puntiThe Trinity: l'auto-migliorament recursiv di agent multimodaj el guadagna 34 pont
Le paper publié le 27 octobre 2026 introduit The Trinity, un cadre d'auto-amélioration récursive couplant génération de mondes et évolution de harnais via trois rôles — Creator, Explorer, Evolver (
arXiv, 11 upvotes sur HF Daily Papers). Les harnais évolués améliorent la performance moyenne de 34 points sur 28 benchmarks d'entraînement et de 26 points sur 18 benchmarks inédits, dont deux tâches incarnées réelles. Une pierre de plus à l'édifice des agents qui améliorent leurs propres environnements.
The paper published on 27 October 2026 introduces The Trinity, a recursive self-improvement framework coupling world generation with harness evolution via three roles — Creator, Explorer, Evolver (
arXiv, 11 upvotes on HF Daily Papers). Evolved harnesses improve average performance by 34 points across 28 training benchmarks and 26 points across 18 unseen benchmarks, including two real embodied tasks. Another stone in the edifice of agents that improve their own environments.
Das am 27. Oktober 2026 veröffentlichte Paper führt The Trinity ein, ein Framework für rekursive Selbstverbesserung, das Weltgenerierung und Harness-Evolution über drei Rollen koppelt – Creator, Explorer, Evolver (
arXiv, 11 Upvotes auf HF Daily Papers). Die evolutionierten Harnesses verbessern die durchschnittliche Leistung um 34 Punkte auf 28 Trainings-Benchmarks und um 26 Punkte auf 18 neuartigen Benchmarks, darunter zwei reale verkörperte Aufgaben. Ein weiterer Stein im Gebäude der Agenten, die ihre eigenen Umgebungen verbessern.
Il paper pubblicato il 27 ottobre 2026 introduce The Trinity, un quadro di automiglioramento ricorsivo che accoppia generazione di mondi ed evoluzione di harness tramite tre ruoli — Creator, Explorer, Evolver (
arXiv, 11 upvote su HF Daily Papers). Gli harness evoluti migliorano la performance media di 34 punti su 28 benchmark di addestramento e di 26 punti su 18 benchmark inediti, di cui due reali embodied task. Un mattone in più per l'edificio degli agenti che migliorano i propri ambienti.
El paper publicaa el 27 de otover 2026 el introduv The Trinity, on quadro de auto-migliorament recursiv che 'l cupola generazion de mond e evoluzion de harnais cont trii roeui — Creator, Explorer, Evolver (
arXiv, 11 upvotes in su HF Daily Papers). I harnais evoluu miglioren la performance media de 34 pont sora 28 benchmark de addestrament e de 26 pont sora 18 benchmark noeuv, cont dò incarg real incarnaa. On sass anmò a l'edifizzi di agent che miglioren i sò ambient perlor.
Robotique
Robotics
Robotik
Robotica
Robotega
PDRVLA : des jetons de physique pour des robots qui anticipent la dynamiquePDRVLA: physics tokens for robots that anticipate dynamicsPDRVLA: Physik-Tokens für Roboter, die die Dynamik vorausdenkenPDRVLA: token di fisica per robot che anticipano la dinamicaPDRVLA: di token de fisega per di robot che anticipen la dinamega
PDRVLA attaque la faiblesse des modèles vision-langage-action : leur compréhension limitée de la dynamique physique (
arXiv, 9 upvotes). Son module léger de dynamique physique prédit des caractéristiques futures RGB, profondeur et flux optique — supervisé par un world model vidéo figé — sans génération vidéo en ligne. Entraîné uniquement sur données publiques, PDRVLA atteint 99,3 % de succès sur LIBERO, 89,9 % sur LIBERO-Plus, 93,6 % sur RoboTwin 2.0 et 81,5 % sur SimplerEnv.
PDRVLA attacks the weakness of vision-language-action models: their limited understanding of physical dynamics (
arXiv, 9 upvotes). Its lightweight physical dynamics module predicts future RGB, depth and optical-flow features — supervised by a frozen video world model — without online video generation. Trained on public data only, PDRVLA reaches 99.3% success on LIBERO, 89.9% on LIBERO-Plus, 93.6% on RoboTwin 2.0 and 81.5% on SimplerEnv.
PDRVLA geht an die Schwäche von Vision-Language-Action-Modellen: ihr begrenztes Verständnis der physikalischen Dynamik (
arXiv, 9 Upvotes). Sein leichtgewichtiges Physik-Dynamikmodul prognostiziert zukünftige Merkmale in RGB, Tiefe und optischem Fluss – supervidiert durch ein eingefrorenes Video-World-Model – ohne Online-Videogenerierung. Ausschliesslich auf öffentlichen Daten trainiert, erreicht PDRVLA 99,3 Prozent Erfolgsquote auf LIBERO, 89,9 Prozent auf LIBERO-Plus, 93,6 Prozent auf RoboTwin 2.0 und 81,5 Prozent auf SimplerEnv.
PDRVLA affronta la debolezza dei modelli vision-langue-action: la loro comprensione limitata della dinamica fisica (
arXiv, 9 upvote). Il suo modulo leggero di dinamica fisica predice caratteristiche future RGB, profondità e flusso ottico — supervisionato da un world model video congelato — senza generazione video in linea. Addestrato unicamente su dati pubblici, PDRVLA raggiunge il 99,3 % di successo su LIBERO, l'89,9 % su LIBERO-Plus, il 93,6 % su RoboTwin 2.0 e l'81,5 % su SimplerEnv.
PDRVLA el taca la debolizza di modei vision-lenguagg-azion: la comprension limitada de la dinamega fisega (
arXiv, 9 upvotes). El sò modul svesg de dinamega fisega el predì carateristegh futur RGB, profondità e fluss ottigh — supervisaa de on world model video blocch — senza generazion video in linia. Adestraa domà sora dacc publegh, PDRVLA el riva al 99,3 % de success in su LIBERO, 89,9 % in su LIBERO-Plus, 93,6 % in su RoboTwin 2.0 e 81,5 % in su SimplerEnv.
Agents de recherche
Research agents
Research-Agenten
Agenti di ricerca
Agent de ricerca
MLE-World : prédire l'issue d'expériences de machine learning sans les exécuterMLE-World: predicting the outcome of machine learning experiments without running themMLE-World: Den Ausgang von Machine-Learning-Experimenten vorhersagen, ohne sie auszuführenMLE-World: predire l'esito di esperimenti di machine learning senza eseguirliMLE-World: predì l'esito de esperiment de machine learning senza eseguìi
MLE-World, un world model finetuné à partir de Qwen3.5-4B, prédit la sortie d'un programme (erreurs, logs, scores) sans l'exécuter (
arXiv). Sur 17 tâches MLE-bench Lite, il reproduit la sortie réelle de 77,9 % des programmes retenus, contre 41,1 % pour des modèles bien plus grands simplement promptés ; guidé par ses prédictions, le scaling en test-time gagne jusqu'à 22,1 % de performance moyenne avec moins d'exécutions réelles.
MLE-World, a world model finetuned from Qwen3.5-4B, predicts a program's output (errors, logs, scores) without executing it (
arXiv). On 17 MLE-bench Lite tasks, it reproduces the real output of 77.9% of selected programs, versus 41.1% for much larger models simply prompted; guided by its predictions, test-time scaling gains up to 22.1% average performance with fewer real executions.
MLE-World, ein auf Qwen3.5-4B feinabgestimmtes World Model, prognostiziert die Ausgabe eines Programms (Fehler, Logs, Scores), ohne es auszuführen (
arXiv). Auf 17 MLE-bench-Lite-Aufgaben reproduziert es die tatsächliche Ausgabe von 77,9 Prozent der ausgewählten Programme, gegenüber 41,1 Prozent für deutlich grössere, bloss promptbasierte Modelle; von seinen Prognosen geleitet, gewinnt Test-Time-Scaling bis zu 22,1 Prozent durchschnittliche Leistung mit weniger realen Ausführungen.
MLE-World, un world model finetunato a partire da Qwen3.5-4B, predice l'output di un programma (errori, log, punteggi) senza eseguirlo (
arXiv). Su 17 task MLE-bench Lite, riproduce l'output reale del 77,9 % dei programmi selezionati, contro il 41,1 % di modelli ben più grandi semplicemente promptati; guidato dalle proprie previsioni, lo scaling in test-time guadagna fino al 22,1 % di performance media con meno esecuzioni reali.
MLE-World, on world model finetunaa a partì de Qwen3.5-4B, el predì la sortida de on programma (error, logs, puntecc) senza eseguìl (
arXiv). Sora 17 incarg MLE-bench Lite, el riprodus la sortida real del 77,9 % di programa selezionaa, contra el 41,1 % per di modei assée pussee grand domà promptaa; guidaa di sò predizion, el scaling in test-time el guadagna fin al 22,1 % de performance media con men de esecuzion reai.
Robotique
Robotics
Robotik
Robotica
Robotega
VLA ou World-Action ? « Just Action Models » réconcilie les deux famillesVLA or World-Action? "Just Action Models" reconciles the two familiesVLA oder World-Action? «Just Action Models» versöhnt die beiden FamilienVLA o World-Action? «Just Action Models» riconcilia le due famiglieVLA o World-Action? «Just Action Models» el recoeuj insema i dò famej
Le débat entre modèles vision-langage-action et world-action se voit dépassé par le papier « Just Action Models » publié le 27 octobre 2026 (
arXiv). JAM découple l'initialisation du backbone, la fonction de perte sur les observations futures et la machinerie d'inférence : une tête de prévision entraîne les caractéristiques présentes à prédire le futur, puis est jetée. Face à FastWAM, JAM passe de 97,0/55,3/91,2 % à 98,2/64,5/91,4 % de succès sur LIBERO et réduit de 73 % les FLOPs d'entraînement en ligne par échantillon.
The debate between vision-language-action and world-action models is sidestepped by the "Just Action Models" paper published on 27 October 2026 (
arXiv). JAM decouples backbone initialization, the loss over future observations and the inference machinery: a forecasting head trains present features to predict the future, then is discarded. Against FastWAM, JAM moves from 97.0/55.3/91.2% to 98.2/64.5/91.4% success on LIBERO and cuts online training FLOPs per sample by 73%.
Die Debatte zwischen Vision-Language-Action- und World-Action-Modellen gilt mit dem Papier «Just Action Models» vom 27. Oktober 2026 als überwunden (
arXiv). JAM entkoppelt die Initialisierung des Backbones, die Verlustfunktion über zukünftige Beobachtungen und die Inferenz-Maschinerie: ein Prognosekopf trainiert die gegenwärtigen Merkmale darauf, die Zukunft vorherzusagen, und wird danach weggeworfen. Gegenüber FastWAM steigt JAM von 97,0/55,3/91,2 auf 98,2/64,5/91,4 Prozent Erfolg auf LIBERO und reduziert die Online-Trainings-FLOPs pro Sample um 73 Prozent.
Il dibattito tra modelli vision-langue-action e world-action viene superato dal paper «Just Action Models» pubblicato il 27 ottobre 2026 (
arXiv). JAM disaccoppia l'inizializzazione del backbone, la funzione di perdita sulle osservazioni future e la macchina d'inferenza: una testa di previsione addestra le caratteristiche presenti a predire il futuro, per poi essere scartata. Rispetto a FastWAM, JAM passa dal 97,0/55,3/91,2 % al 98,2/64,5/91,4 % di successo su LIBERO e riduce del 73 % i FLOPs di addestramento in linea per campione.
El dibattit tra modei vision-lenguagg-azion e world-action el ven sorpassaa del paper «Just Action Models» publicaa el 27 de otover 2026 (
arXiv). JAM el des-acoppia l'inizializazion del backbone, la funzion de perdita sora i osservazion futur e la macinaria d'inferenzia: ona testa de prevision la adestra i carateristegh present a predì el futur, poeu la ven butada via. Denanz a FastWAM, JAM el passa del 97,0/55,3/91,2 % al 98,2/64,5/91,4 % de success in su LIBERO e 'l sbassa del 73 % i FLOPs de addestrament in linia per campion.