Денис Аветисян

Время покажет: Новый тест для интеллектуального поиска

от

Исследователи представили TEMPO — сложный набор данных, позволяющий оценить, насколько хорошо системы поиска справляются с задачами, требующими понимания времени и логических рассуждений.

Мультимодальный разум: новый подход к обучению искусственного интеллекта

от

Модель Omni-R1-Zero демонстрирует способность к генеративному рассуждению, эффективно обрабатывая вопросы, требующие здравого смысла и мультимодального анализа.

Исследователи предлагают единую генеративную модель, способную объединить различные визуальные навыки и демонстрировать впечатляющие результаты в решении задач, даже без обширного обучения.

Спектральный Поиск: Интеллектуальный помощник для науки об аккумуляторах

от

SpectraQuery демонстрирует высокую релевантность извлекаемых документов, однако наблюдается некоторая избыточность результатов, при этом пропуски наиболее релевантных работ концентрируются на небольшом подмножестве сложных запросов.

Новая система объединяет данные спектроскопии Рамана и научную литературу, чтобы помочь исследователям быстрее и эффективнее анализировать информацию.

Умный поиск и генерация: как повысить надежность ответов ИИ

от

Архитектура OpenDecoder обеспечивает расширение возможностей больших языковых моделей за счет поиска релевантной внешней информации, строения индикаторов качества на основе извлеченных документов, обучения модели использовать эти индикаторы для модуляции вычислений внимания и применения надежной тренировки, что в конечном итоге приводит к формированию перераспределенного распределения вероятностей токенов при генерации контента.

Новая архитектура OpenDecoder позволяет учитывать качество извлеченных документов при генерации текста, делая ответы искусственного интеллекта более точными и устойчивыми к шуму.

Упрощая сложное: Объединение методов снижения размерности и доменного разложения

от

На рисунке представлена классификация интрузивных методов, включающая гибридный метод сниженного базиса (RBHM), метод сниженного базиса, декомпозицию области и метод конечных элементов (RDF), а также метод конечных элементов сниженного базиса типа «разрывный Галеркин» (DGRBEM).

В статье представлен обзор современных подходов к моделированию сложных систем, основанных на сочетании методов снижения размерности и доменного разложения для повышения эффективности вычислений.

Самообучающиеся агенты: новый подход к глубоким исследованиям

от

В рамках предложенной структуры EvoFSM, исследовательский процесс формализуется как динамический конечный автомат, инициализируемый предыдущим опытом, а затем прецизионно оптимизируется посредством атомарных операций, воздействующих как на операторы навыков [latex]\mathcal{O}\_{skill}[/latex], так и на операторы потока [latex]\mathcal{O}\_{flow}[/latex] на основе обратной связи от критика, при этом успешные и неудачные траектории дистиллируются в опыт, обеспечивая непрерывное обучение и ускорение при решении новых задач.

Представлена система, позволяющая агентам на основе больших языковых моделей самостоятельно развиваться и оптимизировать свои навыки для проведения более эффективных и глубоких исследований.

Квантовые спиновые цепи: новый взгляд на динамику при низких температурах

от

Алгоритм строит возбужденные состояния квантовой системы, используя матрицу переноса (MPS) с периодическими граничными условиями, где введение тензора возмущения позволяет получить состояния Блоха с заданным волновым числом, а последующее дифференцирование обобщенной матрицы переноса по параметру и его комплексно сопряженному позволяет определить тензор возмущения из обобщенного собственного уравнения, обеспечивая ортогональность и требуя вычислений только для кет-слоя, при этом вычисление матричных элементов требует трех производных по параметрам, количество которых сокращается до двух при нулевой температуре, а применение лоренцевского уширения дает окончательные результаты динамической структуры.

Исследователи разработали инновационный метод моделирования свойств квантовых спиновых цепей при низких температурах, позволяющий получить более точные результаты, чем ранее.

Оптимизация роботов в условиях шума: новый подход к скорости и надежности

от

В ходе анализа сходимости различных статических стратегий семплирования в алгоритмах CMA-ES и AS-CMA установлено, что стратегии, не достигшие точной сходимости в 90% и более случаев, демонстрируют худшие показатели по времени сходимости и вычислительным затратам, нормализованным относительно AS-CMA, что подтверждается стандартными отклонениями, отражающими стабильность результатов.

Исследователи предлагают усовершенствованный алгоритм CMA-ES, динамически адаптирующий время измерения для повышения эффективности оптимизации робототехнических систем в зашумленных средах.