Comments
Google Research heeft Retrieve-for-Train (R4T) geïntroduceerd, een framework voor zoeken dat coherente, diverse resultatensets retourneert. Het traint een fan-out language model eenmaal met RL, waarbij groundedness, diversity en alignment rewards worden gebruikt. Dit model synthetiseert vervolgens trainingsgegevens voor een diffusion retriever met 53,9M parameters. De retriever genereert alle retrieval-richtingen in één pass en werkt 12× tot 20× sneller dan autoregressive fan-out. Code of modelgewichten zijn nog niet vrijgegeven.
Opmerkingen
Comments
Comments
Comments
Nunchux AI heeft VC-Attention uitgebracht, een trainingsvrije low-bit attention kernel speciaal ontwikkeld voor video Diffusion Transformers (DiTs). Het pakt twee problemen tegelijk aan: value quantization error en een traag softmax-stadium. Waarom Attention het videoknelpunt is Video DiTs zetten een clip om in één reeks spatiotemporele tokens en voeren op elke laag full self-attention uit. A […]
Comments
Reacties
Comments
Paper2Agent, gepubliceerd in Nature, zet papers om in gevalideerde MCP-tools en scoort 91,2% op 300 vragen over 74 papers. Het bericht Stanford Researchers Release Paper2Agent: Turning Research Papers Into AI Agents That Reproduce Results and Run on New Data verscheen eerst op MarkTechPost.
GLiFormer Large behaalt 91.10 F1 bij nested JSON, dicht bij GPT-5.6-luna's 91.96, terwijl elke waarde wordt gegrond in bronspannen. Het bericht Knowledgator Releases GLiFormer: A 575M-Parameter Encoder That Hits 91.10 F1 on Nested JSON Extraction Without Generating Tokens verscheen eerst op MarkTechPost.