Поиск с пониманием: Новая стратегия для интеллектуальных агентов

В ходе исследования для задачи BrowseComp-Plus, система AgentIR-4B, ориентированная на рассуждения, демонстрирует превосходство над традиционным поиском на основе вложений Qwen3-Embedding-4B при взаимодействии с агентом Tongyi-DR, что указывает на важность учета логических связей при извлечении информации.

Исследователи предлагают подход, позволяющий агентам глубже понимать контекст запроса и находить более релевантную информацию для сложных исследований.

Совместный разум: Соревнования ИИ в поисках научных открытий

В рамках предложенной архитектуры MACC каждый агент самостоятельно формирует модель и предоставляет свои результаты на централизованную доску объявлений, управляемую стимулами, где оценка и распределение вознаграждений осуществляются в соответствии с заданными институциональными параметрами.

Новая платформа MACC позволяет исследовать, как взаимодействие между искусственными агентами и правильно выстроенные стимулы могут ускорить научные исследования.

Нейросети на спинтронике: обучение прямо в железе

Новая архитектура нейронных сетей, основанная на спинтронных элементах, позволяет осуществлять обучение непосредственно в аппаратной части, повышая энергоэффективность и скорость работы.

Сжатие до предела: Экстремальное квантование польской языковой модели

Исследование показывает, как можно значительно уменьшить размер большой языковой модели, обученной на польском языке, сохранив при этом качество генерируемого текста.

Агенты нового поколения: Формализация интеллекта для надежных рабочих процессов

В ходе оценки производительности моделей [latex]gemini-3-flash-previuew[/latex] и [latex]gpt-4.1[/latex] в десяти различных областях решаемых задач, стратегии [latex]agentics-agg[/latex], [latex]agentics-both[/latex] и [latex]agentics-react[/latex] демонстрируют агрегированные результаты, сопоставимые или превосходящие показатели базовой стратегии [latex]baseline-react[/latex].

В статье представлена Agentics 2.0 — платформа, позволяющая создавать надежные, масштабируемые и прозрачные системы на основе искусственного интеллекта, способные к логическому выводу и адаптации.

Разумный подбор растворителей: новый подход на стыке нейросетей и физики

Система [latex]AI4S-SDS[/latex], объединяющая многоагентный подход и алгоритм Монте-Карло с поиском по дереву (MCTS), представляет собой интегрированный инструмент для рационального проектирования растворителей, позволяющий оптимизировать их свойства посредством совместного анализа и целенаправленного поиска в химическом пространстве.

Исследователи разработали систему, объединяющую возможности больших языковых моделей с точными физическими расчетами для эффективного поиска новых химических формул растворителей.

Самообучающийся код: проверка возможностей ИИ в долгосрочном поддержании проектов

Система SWE-CI моделирует непрерывный цикл интеграции профессиональных программных команд, используя рабочий процесс, основанный на взаимодействии двух агентов: архитектора и программиста.

Новое исследование оценивает способность больших языковых моделей поддерживать качество кодовой базы и избегать регрессий в процессе непрерывной интеграции.