1 сентября 2026
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Multiagent Gumbel MuZero: Efficient Planning in Combinatorial Action Spaces
https://ojs.aaai.org/index.php/AAAI/article/view/29121
жаль код так и не выложили
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Normalized Low-Rank Adaptation
https://arxiv.org/abs/2608.31036
https://www.alphaxiv.org/ru/abs/2608.31036
https://github.com/Joluck/NoRA
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Gaussian Processes and Reproducing Kernel Hilbert Spaces: Connections and Equivalences
https://arxiv.org/abs/2506.17366
2 сентября 2026
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
The Emergent Symbolic Structure of Artificial Neural Networks
https://arxiv.org/abs/2608.29530
https://www.alphaxiv.org/ru/abs/2608.29530
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
Приготовил ревью-обзор AGGG 4.0 😳
Ссылка на пост
🔗 Ссылка на халявную прошивку AGGG 2.7 а потом 3.0 👩💻
Ваш, @aidvizhenie
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Сделаем короче проще - список *Zero алгоритмов одним постом
Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm
https://arxiv.org/abs/1712.01815
https://www.alphaxiv.org/ru/abs/1712.01815
Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model
https://arxiv.org/abs/1911.08265
https://www.alphaxiv.org/ru/abs/1911.08265
Online and Offline Reinforcement Learning by Planning with a Learned Model
https://arxiv.org/abs/2104.06294
https://www.alphaxiv.org/ru/abs/2104.06294
Learning and Planning in Complex Action Spaces
https://arxiv.org/abs/2104.06303
https://www.alphaxiv.org/ru/abs/2104.06303
Mastering Atari Games with Limited Data
https://arxiv.org/abs/2111.00210
https://www.alphaxiv.org/ru/abs/2111.00210
EfficientZero V2: Mastering Discrete and Continuous Control with Limited Data
https://arxiv.org/abs/2403.00564
https://www.alphaxiv.org/ru/abs/2403.00564
ReZero: Boosting MCTS-based Algorithms by Backward-view and Entire-buffer Reanalyze
https://arxiv.org/abs/2404.16364
https://www.alphaxiv.org/ru/abs/2404.16364
UniZero: Generalized and Efficient Planning with Scalable Latent World Models
https://arxiv.org/abs/2406.10667
https://www.alphaxiv.org/ru/abs/2406.10667
One Model for All Tasks: Leveraging Efficient World Models in Multi-Task Planning
https://arxiv.org/abs/2509.07945
https://www.alphaxiv.org/ru/abs/2509.07945
Object-Centric World Models Meet Monte Carlo Tree Search
https://arxiv.org/abs/2601.06604
https://www.alphaxiv.org/ru/abs/2601.06604
PriorZero: Bridging Language Priors and World Models for Decision Making
https://arxiv.org/abs/2605.12289
https://www.alphaxiv.org/ru/abs/2605.12289
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Does On-Policy Distillation Really Distill? From Noisy Teacher to Self-Improvement
https://arxiv.org/abs/2608.31046
https://www.alphaxiv.org/abs/2608.31046
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
unizero вроде добавлен щас тестить
+ на странице мониторинга теперь подписаны все параметры с объяснением если навести на них
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Qwen-Drive-1.0: An Initial Step towards a Vision-Language Foundation Model for Autonomous Driving
https://arxiv.org/abs/2609.00111
https://www.alphaxiv.org/ru/abs/2609.00111
https://github.com/QwenLM/Qwen-Drive-1.0
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
unizero за 9 минут выбил ревард который efficientzero v2 выбивал в самом быстром варианте часа 1.5
интересно
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Tail-Likelihood Reinforcement Learning https://zanette-labs.github.io/TailRL-website/
842 · 3 сентября 2026
Ответсообщение недоступно
Фотография
нажмите — покажем
нажмите — покажем
Пост о моделях OpencodeGO . Шпаргалка по халяве или выгоде 🎉
😂 Конечно дешевые акки пофиксили за 2$-5$ нигде вроде не взять
Но объективно выжать максимум за 10$ мы можем, потому я подготовил топ не кринж моделей (под вопросом MiMo-V2.5 (древняя но +-) и Qwen3.7 Plus (слабая в агентских сценариях) и так же Muse Spark Contributor (чисто из за большого спроса и низкой скорости ответа)
😉
Запросов за 5 часов, 7 дней, 31 день
Qwen3.8 Flash 5,400 13,500 27,000
Qwen3.7 Plus 4,300 10,800 21,600
GPT 5.6 Luna 2,050 5,100 10,250
DeepSeek V4 Flash 7,600 18,900 37,800
DeepSeek V4 Flash V 3,800 9,450 18,900
MiMo-V2.5 30,100 75,200 150,400
MiMo-V2.5-Pro 3,250 8,150 16,300
Muse Spark 1.3 Cont. 45,300 113,300 226,600
Muse Spark 1.2 Cont. 45,300 113,300 226,600
И так же халявный модели (полностью с суточным лимитом на машинку):
Muse Spark 1.3 Free
Muse Spark 1.2 Free
Думаю Muse имба, но нужно брать не самые выгодные модели по запросам (чтобы ощутить всю силу) и скорость.
Так же даже мне DeepSeek V4 Flash Vision Exp 3,800 9,450 18,900 — хватает прилично (так что от этих лимит запросов и будем отходить и строить свой план экономии)
Ваш, @aidvizhenie
Создано для: AGGG Info
4 сентября 2026
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Training Agents to Evolve with Their Harness: TaoLive Digital Avatar Agent Technical Report
https://arxiv.org/abs/2608.15763
https://www.alphaxiv.org/ru/abs/2608.15763
Ответсообщение недоступно
Ссылка
нажмите — покажем
нажмите — покажем
Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments
https://arxiv.org/abs/2609.04148
https://www.alphaxiv.org/ru/abs/2609.04148