Денис Аветисян ![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.](https://arxiv.org/html/2601.09465v1/x2.png)
Представлена система, позволяющая агентам на основе больших языковых моделей самостоятельно развиваться и оптимизировать свои навыки для проведения более эффективных и глубоких исследований.
Исследователи разработали инновационный метод моделирования свойств квантовых спиновых цепей при низких температурах, позволяющий получить более точные результаты, чем ранее.
Исследователи представляют AI-NativeBench — комплексную платформу для глубокого анализа работы систем, управляемых большими языковыми моделями.
Новый подход позволяет Kubernetes более эффективно управлять задачами, интерпретируя естественный язык в инструкциях по планированию.
Исследователи предлагают усовершенствованный алгоритм CMA-ES, динамически адаптирующий время измерения для повышения эффективности оптимизации робототехнических систем в зашумленных средах.
Новая система DeepResearchEval позволяет комплексно оценивать качество и достоверность отчетов, созданных интеллектуальными агентами, расширяя возможности автоматизированного анализа данных.
Исследователи представили комплексную методику оценки способности больших языковых моделей к научному мышлению, основанному на извлечении и применении знаний из памяти.
Обзор охватывает историю технологий обработки данных внутри памяти, от первых концепций до современных решений для искусственного интеллекта и нейроморфных вычислений.
Новая модель искусственного интеллекта позволяет автоматически генерировать патентные заявки, адаптируясь к различным правовым системам и приближаясь к качеству, оцениваемому экспертами.
Исследование представляет метрику Shesha, позволяющую оценить стабильность геометрической структуры представлений, и демонстрирует её превосходство в прогнозировании устойчивости моделей и выявлении изменений в процессе обучения.