Искусственный интеллект

Саморедактирование научных статей: новый взгляд на качество и влияние

от

Система APRES, представляющая собой двухэтапную структуру, использует единую основу агентного поиска для определения рубрик, предсказывающих будущую цитируемость научных работ, и последующей итеративной доработки этих работ на основе выявленных критериев оценки.

Представлена система, использующая возможности больших языковых моделей для автоматического улучшения ясности и потенциального влияния научных работ.

Математический интеллект: самообучающиеся задачи для новых моделей

от

Агент осуществляет эволюцию задачи, анализируя исходные условия и проводя вычислительное исследование для перебора допустимых конфигураций при структурных ограничениях, после чего полученные эмпирические данные абстрагируются в задачу повышенной комбинаторной и структурной сложности.

Исследователи разработали систему, в которой программные агенты самостоятельно генерируют и усложняют математические задачи, чтобы проверить и улучшить способности моделей к рассуждениям.

Искусственный интеллект предсказывает ответ на лечение рака толстой кишки

от

Новая нейро-символическая система объединяет машинное обучение и логический вывод для более точного прогнозирования эффективности лекарств при раке толстой кишки.

Предвидение будущего: Новая модель учится, предсказывая скрытые состояния

от

В рамках исследования усовершенствована архитектура NE-Dreamer, сохранившая динамику RSSM и подход обучения с подкреплением на основе воображения, однако замена реконструкции пикселей на одном шаге предсказанием следующего эмбеддинга с использованием причинного временного трансформера позволила добиться улучшения результатов в долгосрочной перспективе при частичной наблюдаемости.

Исследователи разработали агент, способный к обучению с подкреплением, предсказывая не пиксели, а латентные представления окружающей среды, что значительно улучшает его производительность в сложных условиях.

Искусственный интеллект на служде науки: новая платформа для генерации кода

от

В исследовании сравниваются три подхода к генерации кода: использование одиночной большой языковой модели, многоагентное ролевое взаимодействие и предложенная байесовская многоагентная структура, демонстрирующая новый способ организации процесса генерации.

Представлена платформа, использующая многоагентные системы и байесовскую оптимизацию для повышения надежности и эффективности автоматической генерации научного кода.