Молекулярный конструктор: ИИ создает лекарства по шаблонам реакций

Новая система ReACT-Drug использует обучение с подкреплением и химические шаблоны для генерации перспективных молекул-кандидатов с заданными свойствами.

Новая система ReACT-Drug использует обучение с подкреплением и химические шаблоны для генерации перспективных молекул-кандидатов с заданными свойствами.

Новое исследование предлагает принципиально новый взгляд на процессы рассуждения больших языковых моделей при решении математических задач.

Новая модель Spatia использует 3D-карту окружения для создания длинных и связных видео, избегая типичных артефактов и нестыковок.

Новое исследование показывает, что современные языковые модели испытывают трудности даже с простыми арифметическими задачами при наличии семантических отвлекающих факторов.

Новый подход позволяет большим мультимодальным моделям развивать сложные навыки визуального мышления без необходимости в явных инструкциях или промежуточных визуальных ориентирах.

Исследование посвящено разработке и оценке системы, использующей возможности искусственного интеллекта для автоматизации и повышения эффективности первичного отбора резюме.

Новая архитектура HiStream позволяет создавать высококачественные видеоролики в высоком разрешении значительно быстрее, не жертвуя визуальной достоверностью.

Исследование демонстрирует, как целенаправленное обучение на научных данных позволяет улучшить способность искусственного интеллекта решать сложные химические задачи.
![Архитектура YearCLIP извлекает признаки фасада изображения размером 224×224 с помощью энкодера [latex] f_{v}(CLIP) [/latex], объединяя их с GPS-вложением, полученным из энкодера местоположения [latex] f_{l}(RFF + MLP) [/latex] посредством обучаемой нулевой свертки, в то время как параллельные текстовые ветви кодируют семь классов грубого стиля и набор рассуждений, описывающих крыши, стены и высоту, все эти замороженные энкодеры питают обучаемый регрессор [latex] g(⋅) [/latex], выполняющий грубую к тонкой ординальную регрессию для определения года постройки (в данном случае 1687) и выбора наиболее подходящих стилей и токенов рассуждений, генерируя понятное обоснование.](https://arxiv.org/html/2512.21337v1/x4.png)
Новое исследование выявляет, что современные модели, связывающие изображения и текст, часто полагаются на запоминание популярных достопримечательностей, а не на понимание архитектурных стилей и особенностей.

Исследование показывает, как современные алгоритмы машинного обучения позволяют точнее прогнозировать движение множества взаимодействующих гравитационных объектов.