Optimisation
Optimization
Optimierung
Ottimizzazione
Ottimizzazion
FOAM (NAVER AI Lab) : les gains de SOAP sans son coût mémoire, de 124M à 760M de paramètresFOAM (NAVER AI Lab): SOAP's gains without its memory cost, from 124M to 760M parametersFOAM (NAVER AI Lab): die Gewinne von SOAP ohne seine Speicherkosten, von 124M bis 760M ParameternFOAM (NAVER AI Lab): i guadagni di SOAP senza il suo costo di memoria, da 124M a 760M di parametriFOAM (NAVER AI Lab): i vantagg de SOAP senza el sò cost de memoria, de 124M a 760M de parameter
From the Wires — Hugging Face Daily Papers — 13 novembre 2026
From the Wires — Hugging Face Daily Papers — 13 November 2026
From the Wires — Hugging Face Daily Papers — 13. November 2026
Dagli studi — Hugging Face Daily Papers — 13 novembre 2026
From the Wires — Hugging Face Daily Papers — 13 de november 2026
Les optimiseurs du second ordre comme SOAP promettent une convergence plus rapide qu'AdamW, mais au prix d'un état mémoire et de décompositions propres coûteux. Dans un paper soumis au daily papers de Hugging Face le 13 novembre 2026 et récoltant 7 upvotes, le labo IA de NAVER propose
FOAM, une variante légère qui préconditionne uniquement l'entrée et remplace le second moment dense par un estimateur d'Adam factorisé. Résultat : FOAM égale SOAP et Muon en perte de validation, avec la moitié de l'état de l'optimiseur et un temps mur de classe Muon, sur des pré-entraînements de 124M à 760M de paramètres. Code disponible sur
GitHub.
Second-order optimizers like SOAP promise faster convergence than AdamW, but at the cost of a heavy optimizer state and expensive decompositions. In a paper submitted to Hugging Face's daily papers on 13 November 2026, earning 7 upvotes, NAVER's AI lab proposes
FOAM, a lightweight variant that preconditions only the input and replaces the dense second moment with a factored Adam-like estimator. The result: FOAM matches SOAP and Muon in validation loss, with half the optimizer state and Muon-class wall-clock time, on pre-training runs from 124M to 760M parameters. Code available on
GitHub.
Optimierer zweiter Ordnung wie SOAP versprechen eine schnellere Konvergenz als AdamW, allerdings um den Preis eines teuren Speicherzustands und eigendekompositionen. In einem Paper, das am 13. November 2026 bei den Hugging Face Daily Papers eingereicht wurde und 7 Upvotes erhielt, schlägt das KI-Labor von NAVER
FOAM vor, eine leichtgewichtige Variante, die ausschliesslich den Input vorkonditioniert und das dichte zweite Moment durch einen faktorisierten Adam-Schätzer ersetzt. Resultat: FOAM erreicht SOAP und Muon in Validierungsverlust, mit der Hälfte des Optimiererzustands und einer Muon-Klassen-Laufzeit, bei Pretrainings von 124M bis 760M Parametern. Code verfügbar auf
GitHub.
Gli ottimizzatori del secondo ordine come SOAP promettono una convergenza più rapida di AdamW, ma al prezzo di uno stato di memoria e di decomposizioni proprie costose. In un paper sottoposto ai daily papers di Hugging Face il 13 novembre 2026 e premiato con 7 upvote, il laboratorio IA di NAVER propone
FOAM, una variante leggera che precondiziona solo l'input e sostituisce il secondo momento denso con uno stimatore di Adam fattorizzato. Risultato: FOAM eguaglia SOAP e Muon in perdita di validazione, con metà dello stato dell'ottimizzatore e un tempo di calcolo di classe Muon, su pre-addestramenti da 124M a 760M di parametri. Codice disponibile su
GitHub.
I optimizador del segond òrden comè SOAP prometten ona convergenza pussee svelta de AdamW, ma al prezzi de on stat de memoria e de descomposizion propi car. In d'on paper sottomess ai daily papers de Hugging Face el 13 de november 2026 e regolt 7 upvotes, el labo IA de NAVER el propon
FOAM, ona variant leggera che la precondizziona domà l'intrada e la sostituiss el segond moment dens con on stimador de Adam fattorizzaa. Risultaa: FOAM 'l paraggia SOAP e Muon in perdida de validazion, con la metà del stat de l'optimizador e on temp mur de class Muon, sora di pre-addestrament de 124M a 760M de parameter. Codes disponibel sora
GitHub.
Benchmarks
Benchmarks
Benchmarks
Benchmark
Benchmark
SO-Arena : le meilleur modèle « System One » n'est que 7e en fiabilité de décisionSO-Arena: the best 'System One' model ranks only 7th in decision reliabilitySO-Arena: das beste «System One»-Modell belegt in Entscheidungszuverlässigkeit nur Rang 7SO-Arena: il miglior modello «System One» è solo settimo in affidabilità decisionaleSO-Arena: el melhor modell «System One» l'è domà setim in affidabilitaa de decision
From the Wires — NUS & Hugging Face Daily Papers — 13 novembre 2026
From the Wires — NUS & Hugging Face Daily Papers — 13 November 2026
From the Wires — NUS & Hugging Face Daily Papers — 13. November 2026
Dagli studi — NUS & Hugging Face Daily Papers — 13 novembre 2026
From the Wires — NUS & Hugging Face Daily Papers — 13 de november 2026
Une équipe de la National University of Singapore publie
SO-Arena, un benchmark qui évalue 21 modèles de décision rapide sur 11 domaines et 5 familles de capacités. Deux enseignements du 12 novembre 2026 : les bénéfices du scaling varient fortement selon les domaines, et la meilleure performance globale n'implique pas la fiabilité — le modèle le plus performant ne se classe que septième en stabilité de décision et reconnaissance des questions sans réponse valide. Projet open source sur
GitHub.
A team from the National University of Singapore publishes
SO-Arena, a benchmark evaluating 21 rapid-decision models across 11 domains and 5 capability families. Two takeaways from 12 November 2026: the benefits of scaling vary widely across domains, and top overall performance does not imply reliability — the best-performing model ranks only seventh in decision stability and in recognizing questions without a valid answer. Open-source project on
GitHub.
Ein Team der National University of Singapore veröffentlicht
SO-Arena, ein Benchmark, das 21 schnelle Entscheidungsmodelle über 11 Domänen und 5 Fähigkeitsfamilien evaluiert. Zwei Erkenntnisse vom 12. November 2026: Der Nutzen von Scaling variiert je nach Domäne stark, und die beste Gesamtleistung impliziert keine Zuverlässigkeit — das leistungsstärkste Modell belegt in der Entscheidungsstabilität und der Erkennung von Fragen ohne gültige Antwort nur den siebten Platz. Open-Source-Projekt auf
GitHub.
Un team della National University of Singapore pubblica
SO-Arena, un benchmark che valuta 21 modelli di decisione rapida su 11 domini e 5 famiglie di capacità. Due insegnamenti del 12 novembre 2026: i benefici dello scaling variano fortemente a seconda dei domini, e la migliore prestazione globale non implica l'affidabilità — il modello più performante si classifica solo settimo in stabilità decisionale e riconoscimento delle domande senza risposta valida. Progetto open source su
GitHub.
Ona squadra de la National University of Singapore la publega
SO-Arena, on benchmark che 'l valuta 21 modèj de decision rapida sora 11 domini e 5 famij de capacitaa. Dò insegnament del 12 de november 2026: i vantagg del scaling cambien fòrt segond i domini, e la melhor performanza global la implica minga la affidabilitaa — el modell pussee fort el se classifica domà setim in stabilitaa de decision e reconossiment di domand senza resposta valida. Proget open source sora
GitHub.
Multimodal
Multimodal
Multimodal
Multimodale
Multimodal
WorldDraft : si le code construit le monde, les modèles vidéo peuvent-ils simplement le rendre ?WorldDraft: if code builds the world, can video models just render it?WorldDraft: Wenn Code die Welt baut — können Videomodelle sie einfach rendern?WorldDraft: se il codice costruisce il mondo, i modelli video possono semplicemente renderizzarlo?WorldDraft: se 'l codes el costruiss el mond, i modèj video poden domà fànn el rendering?
From the Wires — Hugging Face Daily Papers — 13 novembre 2026
From the Wires — Hugging Face Daily Papers — 13 November 2026
From the Wires — Hugging Face Daily Papers — 13. November 2026
Dagli studi — Hugging Face Daily Papers — 13 novembre 2026
From the Wires — Hugging Face Daily Papers — 13 de november 2026
Le benchmark
WorldDraft (432 cas de test appariés, 48 familles de mondes 4D exécutables) évalue les modèles vidéo comme moteurs de rendu génératif pilotés par des agents de code. Sur 12 modèles représentatifs, l'étude relève une tension structurelle entre préservation du monde et réalisation visuelle, et des fuites de source allant jusqu'à 64 % quand les signaux contradictoires s'accumulent. Une stratégie de visual prompting, WorldDraft-Primer, améliore les deux objectifs sur des moteurs vidéo gelés.
The
WorldDraft benchmark (432 paired test cases, 48 families of executable 4D worlds) evaluates video models as generative rendering engines driven by coding agents. Across 12 representative models, the study finds a structural tension between world preservation and visual realization, and source leakage of up to 64% when contradictory signals accumulate. A visual prompting strategy, WorldDraft-Primer, improves both objectives on frozen video engines.
Der Benchmark
WorldDraft (432 gepaarte Testfälle, 48 Familien ausführbarer 4D-Welten) evaluiert Videomodelle als generative Rendering-Engines, gesteuert durch Code-Agenten. Bei 12 repräsentativen Modellen stellt die Studie eine strukturelle Spannung zwischen Welterhaltung und visueller Umsetzung fest sowie Quellenlecks von bis zu 64 %, wenn sich widersprüchliche Signale anhäufen. Eine Visual-Prompting-Strategie, WorldDraft-Primer, verbessert beide Ziele bei eingefrorenen Video-Engines.
Il benchmark
WorldDraft (432 casi di test appaiati, 48 famiglie di mondi 4D eseguibili) valuta i modelli video come motori di rendering generativi pilotati da agenti di codice. Su 12 modelli rappresentativi, lo studio rileva una tensione strutturale tra preservazione del mondo e resa visiva, e fughe di sorgente fino al 64 % quando i segnali contraddittori si accumulano. Una strategia di visual prompting, WorldDraft-Primer, migliora entrambi gli obiettivi su motori video congelati.
El benchmark
WorldDraft (432 cas de test abinaa, 48 famij de mond 4D eseguibij) el valuta i modèj video comè motor de rendering generativ pilotaai di agent de codes. Sora 12 modèj rappresentativ, el studi el nota ona tension struttural tra conservazion del mond e realizzazion visual, e di sciamp de sorgent fin al 64 % quand che i segnaj contraditori se accumulen. Ona strategia de visual prompting, WorldDraft-Primer, la migliora tucc e dò i obietiv sora di motor video congellaa.
Modèles de monde
World Models
Weltmodelle
Modelli di mondo
Modèj de mond
Duo v1 : inclusionAI présente un modèle de monde réciproque pour l'interaction full-duplexDuo v1: inclusionAI presents a reciprocal world model for full-duplex interactionDuo v1: inclusionAI präsentiert ein reziprokes Weltmodell für Full-Duplex-InteraktionDuo v1: inclusionAI presenta un modello di mondo reciproco per l'interazione full-duplexDuo v1: inclusionAI el presenta on modell de mond reciproch per l'interazion full-duplex
From the Wires — Hugging Face Daily Papers — 12 novembre 2026
From the Wires — Hugging Face Daily Papers — 12 November 2026
From the Wires — Hugging Face Daily Papers — 12. November 2026
Dagli studi — Hugging Face Daily Papers — 12 novembre 2026
From the Wires — Hugging Face Daily Papers — 12 de november 2026
Avec 16 upvotes sur Hugging Face, le paper
Duo du labo inclusionAI décrit un « Reciprocal World Model » qui perçoit en continu audio, vidéo et texte tout en répondant en temps réel : conversations spontanées, interruptions, partage d'objets réels. Trois briques techniques : raisonnement d'interaction autorégressif, synchronisation de tokens Intent/Realization sur une timeline unifiée, et distillation de double rollout pour mitiger le décalage de distribution.
With 16 upvotes on Hugging Face, the
Duo paper from the inclusionAI lab describes a "Reciprocal World Model" that continuously perceives audio, video and text while responding in real time: spontaneous conversations, interruptions, sharing of real-world objects. Three technical building blocks: autoregressive interaction reasoning, Intent/Realization token synchronization on a unified timeline, and double-rollout distillation to mitigate distribution shift.
Mit 16 Upvotes auf Hugging Face beschreibt das Paper
Duo vom Labor inclusionAI ein «Reciprocal World Model», das kontinuierlich Audio, Video und Text wahrnimmt, während es in Echtzeit antwortet: spontane Gespräche, Unterbrechungen, Austausch realer Objekte. Drei technische Bausteine: autoregressives Interaktionsreasoning, Synchronisation von Intent/Realization-Tokens auf einer vereinheitlichten Timeline und Double-Rollout-Destillation zur Milderung der Diskrepanz.
Con 16 upvote su Hugging Face, il paper
Duo del laboratorio inclusionAI descrive un «Reciprocal World Model» che percepisce in continuo audio, video e testo rispondendo in tempo reale: conversazioni spontanee, interruzioni, condivisione di oggetti reali. Tre mattone tecnici: ragionamento d'interazione autoregressivo, sincronizzazione di token Intent/Realization su una timeline unificata, e distillazione di doppio rollout per mitigare lo scarto di distribuzione.
Con 16 upvotes sora Hugging Face, el paper
Duo del labo inclusionAI el descriv on «Reciprocal World Model» che 'l percepv in manera continua audio, video e test intant che 'l respogn in temp real: conversazion spontani, interuzion, condivision de ogget reaj. Trii matton tecnegh: resoneament de interazion autorilevativ, sincronizzazion di token Intent/Realization sora ona timeline unificada, e distillazion de doppi rollout per mitigà el desviazion de distribuzion.