Искусство убеждения машин: как языковые модели манипулируют нами

Новое исследование оценивает способность современных языковых моделей к вредоносным манипуляциям и выявляет факторы, влияющие на их эффективность.

Новое исследование оценивает способность современных языковых моделей к вредоносным манипуляциям и выявляет факторы, влияющие на их эффективность.

Исследователи представили RealRestorer — модель, способную эффективно восстанавливать фотографии, поврежденные в реальных условиях, и новый эталон для оценки качества восстановления.

Исследователи разработали метод адаптивного квантования, позволяющий значительно уменьшить размер языковых моделей без существенной потери точности.

Исследователи представили WAFT-Stereo — инновационную систему, использующую высокоточное искажение пространства признаков для достижения превосходных результатов в стереосопоставлении.
![Представленная методика обеспечивает высокую степень соответствия между запросами на естественном языке и полученными результатами реконструкции данных, демонстрируя среднее соотношение качества, оцениваемое по PSNR, в 98.1±4.2% на шести модальностях реальных данных, при этом строгость теоретических ограничений варьируется в диапазоне [1.8, 5.2], что подтверждает надежность и математическую обоснованность подхода, особенно заметно при реконструкции данных КТ (24.8 дБ), МРТ (31.7 дБ) и CASSI (24.3 дБ).](https://arxiv.org/html/2603.25636v1/x1.png)
Новая разработка позволяет автоматически проектировать системы вычислительной визуализации, опираясь на описания на естественном языке и используя ограниченный набор базовых операций.
![Атомизация преобразует состояние [latex]c_n[/latex] в [latex]a_n[/latex] по траектории [latex]S(c_n)[/latex], а последующая декация возвращает его к [latex]a_k[/latex] по связанной траектории [latex]\Gamma(c_n)[/latex], где [latex]k[/latex] соответствует числу минимальных элементов в [latex]a_n[/latex], при этом, несмотря на не единственность [latex]S(c_n)[/latex], именно она однозначно определяет [latex]\Gamma(c_n)[/latex].](https://arxiv.org/html/2603.25503v1/x3.png)
Новое исследование раскрывает взаимосвязь между причинностью Белла и алгебраической структурой моделей квантового последовательного роста.

Новый подход позволяет языковым моделям генерировать разнообразные и надежные наборы вероятных ответов, повышая их эффективность и точность.

В статье представлен инновационный метод для определения причинно-следственных связей в данных, содержащих зависимости между образцами и различные типы данных, что открывает новые возможности для понимания регуляции генов.
Современные системы ИИ все чаще ограничиваются не скоростью вычислений или пропускной способностью памяти, а скоростью генерации и доступа к случайным числам.

В статье представлен подход, использующий причинно-следственный анализ для более точной и понятной идентификации ключевых параметров, определяющих производительность аналоговых схем.