Убеждение без понимания: как нейросети учатся уговаривать
Новое исследование показывает, что большие языковые модели способны убеждать, но делают это, не опираясь на понимание чужих намерений и убеждений.
Новое исследование показывает, что большие языковые модели способны убеждать, но делают это, не опираясь на понимание чужих намерений и убеждений.

Исследователи представили XrayVisual — модель, способную эффективно обрабатывать изображения и видео в огромных объемах данных из социальных сетей.
![В ходе исследования продемонстрирована способность предсказанных фазовых голограмм [latex] [-\pi, \pi] [/latex] формировать интенсивность дальнего поля, соответствующую целевым изображениям размером [latex] 28 \times 28 [/latex], что подтверждает эффективность предложенного подхода к генерации пользовательских оптических целей.](https://arxiv.org/html/2602.17624v1/images/target_15.png)
Новый подход к генерации фазовых голограмм с использованием трансформеров и точных расчетов дифракции позволяет создавать высококачественные изображения быстрее и эффективнее традиционных методов.
Новый подход к оценке способностей ИИ использует человеческие игры для выявления и преодоления разрыва между машинным и человеческим интеллектом.

Новая архитектура, вдохновленная когнитивными моделями, позволяет более точно предсказывать поведение агентов, основываясь на анализе их траекторий.

Новая фотонная интегральная схема позволяет полностью контролировать поляризацию света, объединяя в себе функции генерации и анализа.

В новой работе представлена методика совместной разработки аппаратного и программного обеспечения для достижения оптимальной производительности больших языковых моделей непосредственно на пользовательских устройствах.
В статье представлен всесторонний обзор современных полулокальных и гибридных функционалов, используемых в теории функционала плотности, и их влияние на точность расчетов.
Исследователи разработали систему на основе искусственного интеллекта, ускоряющую анализ данных нейтронной дифракции при сохранении надежности и отслеживаемости результатов.

Новое исследование показывает, что алгоритмы машинного обучения при классификации узлов часто полагаются на легко обнаруживаемые геометрические признаки, а не на фундаментальные топологические свойства.