Денис Аветисян 
Исследователи разработали гибридный квантово-классический алгоритм для повышения точности расчётов электрослабых взаимодействий, открывая возможности для более глубокого изучения Стандартной модели.
Исследователи предлагают принципиально новый метод организации памяти для интеллектуальных агентов, вдохновленный физикой поля и основанный на непрерывной динамике.
![Уровни потерь для коэффициентов тримодальной смеси показывают, что при использовании точки [1/3, 1/3, 1/3] в качестве ориентира для нулевого уровня, синергии между модальностями не наблюдается - каждая из них конкурирует за ёмкость и токены.](https://arxiv.org/html/2602.21472v1/x17.png)
Исследователи представили универсальную модель диффузии, способную создавать текст, изображения и аудио одновременно, демонстрируя результаты, сравнимые с авторегрессионными аналогами.
![Два различных гомоморфизма, определяемые сине-жёлто-кодируемым отображением [latex]Y_0 \rightarrow Y[/latex], подтверждают включение запроса.](https://arxiv.org/html/2602.21803v1/x16.png)
Исследователи предложили инновационный способ решения задачи проверки включения запросов для сопряженных запросов, используя возможности квантовых вычислений.
![В рамках представленной системы, адаптация существующих наборов данных к запросам и генерация синтетических задач на основе таксономии навыков объединяются для создания целевых сценариев, после чего агенты взаимодействуют с контейнеризированными средами, формируя траектории решений, которые затем подвергаются очистке и фильтрации для получения итогового набора данных для обучения с подкреплением [latex]SFT[/latex].](https://arxiv.org/html/2602.21193v1/figs/data_pipeline.png)
В статье представлен фреймворк Terminal-Task-Gen, позволяющий создавать высококачественные данные для обучения больших языковых моделей, ориентированных на эффективное выполнение задач в командной строке.
Исследователи представили систему, позволяющую роботам более эффективно планировать и выполнять сложные задачи, такие как сборка конструктора, благодаря использованию больших языковых моделей и многоагентных систем.
![Уязвимость традиционных аппаратных ускорителей глубоких нейронных сетей, полагающихся на небезопасную внешнюю память и шины связи, контрастирует с архитектурой защищенных ускорителей, обеспечивающих конфиденциальность и целостность данных посредством схем защиты памяти с использованием аутентифицированного шифрования [latex]AEAD[/latex].](https://arxiv.org/html/2602.20521v1/x1.png)
В статье представлен инновационный фреймворк для создания аппаратных ускорителей глубоких нейронных сетей, обеспечивающий повышенную безопасность и энергоэффективность.
![В исследовании выявлена зависимость между уровнем эмпатии взаимодействующих агентов и вероятностью взаимного сотрудничества: средняя доля раундов, завершившихся взаимным сотрудничеством, варьируется в зависимости от параметров эмпатии [latex] \lambda_i [/latex] и [latex] \lambda_j [/latex] агентов, что указывает на формирование ландшафта взаимного сотрудничества, определяемого их эмпатическими характеристиками.](https://arxiv.org/html/2602.20936v1/images/Fig1_agent_empathy.png)
Новое исследование показывает, как агенты искусственного интеллекта могут моделировать предпочтения других, чтобы эффективно взаимодействовать и сотрудничать.
![Алгоритм Duo++, расширяющий подход Duo, обеспечивает эффективное обучение моделей USDM за счет замены дискретных поисков линейными комбинациями эмбеддингов, используя диффузию Гаусса, взвешенную сумму и температурный softmax, при этом, за счет использования разреженности последнего, достигается снижение потребления памяти на 33% и ускорение обучения на 25% по сравнению с базовым алгоритмом Duo, а приближенная нормализация [latex]\tilde{Z}[/latex] может быть вычислена в замкнутой форме согласно уравнению (14).](https://arxiv.org/html/2602.21185v1/x4.png)
Исследователи предлагают Duo++, инновационную методику, объединяющую принципы диффузионных моделей и эффективное обучение по учебному плану для улучшения качества и скорости генерации дискретных данных.
В статье представлен воспроизводимый метод анализа влияния векторизации, многопоточности и двойной буферизации на производительность ИИ-ядер, основанный на использовании MLIR.