Как думает машина: Визуализация работы языковых моделей
Новый инструмент позволяет наглядно понять, как большие языковые модели обрабатывают текст и генерируют ответы.
Денис Аветисян
Восстановление рейтингов: Машинное обучение для неполных данных
![Наблюдения за синтетическими вероятностными картами памяти показали, что алгоритм LLS значительно превосходит ML по скорости, при этом масштабируемость обоих алгоритмов приблизительно линейна, что указывает на фундаментальные различия в их эффективности при увеличении количества наблюдаемых ребер [latex]|\Omega|[/latex].](https://arxiv.org/html/2601.04366v1/x3.png)
Новая модель машинного обучения позволяет эффективно восстанавливать неполные матрицы попарных сравнений, обеспечивая высокую точность и масштабируемость.
Медицинские знания: как ИИ помогает врачам сотрудничать
Новая система, основанная на искусственном интеллекте, позволяет находить экспертов и рекомендовать совместные исследования внутри медицинских учреждений.
Моделирование Возбужденных Состояний Молекул в Растворе: Новый Подход
Разработан инновационный вычислительный метод, сочетающий в себе алгоритм DMRG и поляризуемый силовое поле FQ для точного описания электронных свойств молекул в жидкой среде.
Искусственный интеллект на службе звезд: ускорение астрофизических симуляций
Новые методы машинного обучения позволяют значительно сократить время расчетов сложных процессов, происходящих в звездах и галактиках.
Визуальная навигация по множеству изображений: новый подход с использованием больших языковых моделей
Исследователи представили инновационную систему, способную понимать и связывать информацию из нескольких изображений, используя возможности больших языковых моделей и методы обучения с подкреплением.
Точность симуляций: Как правильно оценить истинные значения в причинно-следственных исследованиях
В новой работе исследователи предлагают методы повышения точности расчетов при проверке причинно-следственных связей в смоделированных данных.
Рассуждения и Знания: Новое поколение систем генерации ответов
![Обучение системы на графах знаний с использованием потерь ранжирования позволяет выявлять надёжные связи между сущностями и отфильтровывать шумные, формируя обоснованные пути рассуждений для ответа на запросы, при этом совместная оптимизация обхода графа знаний и поиска релевантных документов с использованием FAISS и ранжирования [latex]q(x)[/latex] обеспечивает прозрачность происхождения ответа и семантическую привязку, подобно подходу, реализованному в MentalLLAMA для обработки запросов в области психического здоровья.](https://arxiv.org/html/2601.04568v1/kg-path-rag.png)
Исследователи представляют нейросимволические системы поиска и генерации, объединяющие преимущества нейронных сетей и символьных знаний для повышения точности и интерпретируемости.
Рассуждения на несколько шагов: как языковые модели учатся думать?
Новое исследование показывает, что способность к сложным логическим выводам зависит не столько от размера модели, сколько от эффективности использования её ресурсов.
Различия в воздействии: два подхода к изучению неравенства
Новое исследование сравнивает дедуктивные и индуктивные методы оценки неоднородности эффектов, предлагая комбинированный подход для более точного анализа.