Сочетание логики и нейросетей: новый подход к искусственному интеллекту
Исследователи представили систему REASON, позволяющую ускорить логические выводы в нейро-символических системах и эффективно развертывать их на периферийных устройствах.
Денис Аветисян
Возвращая точность: дистилляция для сверхнизкоточных моделей
![Обучение с учётом квантования демонстрирует два подхода: прямое обучение с предсказанием следующего токена, использующее перекрёстную энтропию на целевых данных, и дистилляцию знаний, где полноточная модель-учитель предоставляет «мягкие» метки, оптимизируемые посредством расхождения Кульбака-Лейблера [latex]KL divergence[/latex].](https://arxiv.org/html/2601.20088v1/x1.png)
Новый метод позволяет эффективно восстановить производительность больших языковых моделей, оптимизированных для работы с 4-битными вычислениями.
Преодолевая плато: обучение языковых моделей рассуждению на сложных задачах
Новый подход позволяет значительно повысить эффективность обучения больших языковых моделей в ситуациях, когда они уже демонстрируют высокую точность, фокусируясь на анализе ошибок.
Искусственный интеллект и навыки программирования: плата за удобство?
Новое исследование показывает, как использование AI-помощников при написании кода может негативно влиять на развитие базовых навыков программирования.
Виртуальные сенсоры: новая эра интеллектуального мониторинга
Исследователи представляют единую модель для виртуальных сенсоров, обеспечивающую значительное повышение эффективности и масштабируемости за счет использования общих знаний и фокусировки на релевантных сигналах.
Обучение с подкреплением: новый взгляд на самообучение
![Модель самообучается, интегрируя историю взаимодействия непосредственно в свои параметры посредством самодистилляции: вместо расширения контекстного окна, она корректирует свои веса [latex]\theta_{t}\to\theta_{t+1}[/latex] на основе обратной связи при решении фиксированной задачи, эффективно](https://arxiv.org/html/2601.20802v1/x10.png)
Исследователи предлагают инновационный подход к обучению с подкреплением, использующий богатую, детальную обратную связь для повышения эффективности и улучшения результатов в сложных задачах.
Нейронные ОДУ и символьная регрессия: от данных к уравнениям
Новое исследование демонстрирует, как современные методы машинного обучения позволяют восстанавливать законы динамических систем из ограниченных и зашумленных данных.
Машинное обучение в производстве: Сравнительный анализ инструментов MLOps
В статье представлен детальный обзор и оценка четырех популярных фреймворков для организации и автоматизации жизненного цикла машинного обучения.
Агенты SERA: Код, Созданный с Подтверждением
![Процесс «мягкой верификации» (Soft Verified Generation) предполагает итеративное совершенствование функции посредством траекторий изменений, преобразованных в синтетические запросы на изменение, после чего учительская модель пытается воспроизвести исправление исключительно по описанию запроса, а сравнение полученных исправлений на уровне строк с использованием порога, например, [latex] r \geq 0.5 [/latex], служит основой для отбора данных обучения.](https://arxiv.org/html/2601.20789v1/x5.png)
Новый подход к обучению кодирующих агентов позволяет достичь выдающихся результатов с минимальными затратами благодаря использованию синтетических данных и техники ‘мягкой верификации’.
Математика в таблицах: новая архитектура для интерпретируемого машинного обучения
Исследователи представили StructuralCFN — нейронную сеть, способную выявлять и использовать математические зависимости в табличных данных, обеспечивая высокую точность и понятность результатов.