Le filThèmes : RechercheÉvaluations
Where-OPD améliore des modèles multimodaux par auto-distillation guidée par des scènes synthétiques
1 sourcemis à jour il y a 5 jpertinence 3,0 sur5
L’essentiel
Where-OPD entraîne le modèle élève à partir de scènes générées par procédure. Les gains atteignent 3,23 points en moyenne sur CVBench, V*, ZoomBench, BLINK, HR-Bench et MME-RealWorld, des benchmarks de perception réelle.
Propagation1 article, publié par HF Daily Papers le 2 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceSophia Sirko-Galouchenko, Monika Wysoczanska, Andrei Bursuc et al.huggingface.co
Where-OPD: Spatially Guided On-Policy Self-Distillation of MLLMs with Synthetic Scenes (site externe)
On-policy self-distillation has recently emerged as an effective approach for improving language-model reasoning by supervising students with a frozen or EMA version of themselves that receives privileged information.
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5