Des chercheurs proposent d’apprendre une géométrie discriminante pour les Drifting Models
1 sourcemis à jour il y a 12 hpertinence 2,3 sur5
L’essentiel
La méthode apprend des représentations directement depuis les pixels, sans encodeurs préentraînés, et réduit le FID d’environ 82 à 95 % par rapport aux Drifting Models d’origine qui travaillent dans l’espace des pixels.
Propagation1 article, publié par HF Daily Papers le 7 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceDoudou Zhang, Wenwen Hou, Yilin Chen et al.huggingface.co
Learning Discriminative Geometry for Drifting Models (site externe)
Recently proposed Drifting Models shift iterative distribution refinement from inference to training, enabling effective one-step generation.
Sur les mêmes thèmes
Recherche
Xiaomi publie MiMo-V2.6-Pro, un modèle open-weights omnimodal de 1 000 milliards de paramètres
Recherche
Xiaomi MiMo publie MiMo-V2.6-Distill-Qwen-9B, un modèle agentique de 9 milliards de paramètres
Recherche
Reflection dévoile Beam, un modèle d’IA de 501 milliards de paramètres
Recherche
OpenAI publie 722 manuscrits de mathématiques issus d’un modèle interne non diffusé
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