Денис Аветисян 
В статье представлена теоретическая основа для анализа и улучшения способности больших языковых моделей к логическому мышлению, основанная на изучении влияния контекста и эффективного использования вычислительных ресурсов.
Новые исследования поднимают вопрос о том, как обеспечить, чтобы развитие ИИ служило интересам человечества, а не наоборот.
Исследователи представляют GraphBench — комплексную платформу, призванную унифицировать и улучшить процесс оценки алгоритмов машинного обучения для графовых данных.
Исследователи предлагают инновационный метод, ставящий семантическое понимание в основу процесса диффузии для повышения скорости и качества генерации изображений.
Новая методика обучения позволяет освоить основы ИИ без программирования, делая знания доступными для широкой аудитории.
Новое исследование показывает, что модели, обученные на коде, превосходят универсальные языковые модели не только в программировании, но и в задачах, требующих логического мышления и надежности.
Новый метод позволяет адаптировать мощные языковые модели к новым языкам, не жертвуя при этом их исходными знаниями и способностями.
В статье представлена методика, позволяющая глубже анализировать поведение агентных моделей, разделяя динамику во времени и геометрические свойства распределений.
Новый подход, основанный на моделировании и эффективном использовании данных, позволил добиться значительных успехов в решении сложной математической проблемы упаковки сфер в многомерном пространстве.
Новый обзор посвящен исследованию причин возникновения нежелательного поведения в системах, состоящих из нескольких больших языковых моделей, и предлагает методы для целенаправленной коррекции этих проблем.