Код без уязвимостей: Новый датасет для обучения безопасной генерации кода

Набор данных SecureCode v2.0 демонстрирует превосходство по сравнению с существующими аналогами, обеспечивая 100%-ное сопоставление инцидентов и являясь единственным набором данных, поддерживающим формат диалога, что подтверждает его уникальность по размеру, языковому охвату и структуре.

Представлен SecureCode v2.0 — комплексный набор данных, призванный помочь AI-ассистентам создавать более безопасный код, основанный на реальных инцидентах и практиках безопасности.

Разумные агенты: оптимизация скорости и надёжности

Агентский фреймворк AgentInfer структурирован как набор модулей, обеспечивающих комплексный подход к выводу и применению знаний, позволяя эффективно решать задачи, требующие интеллектуального анализа и адаптации.

Новый подход к проектированию автономных агентов позволяет значительно сократить задержки и повысить стабильность работы, объединяя методы оптимизации на уровне логики и системной архитектуры.

Визуальный и текстовый интеллект: Новый подход к эффективному слиянию данных

Архитектура CASA, используя каузальную кросс-внимательность через само-внимание, внедряет визуальную информацию, позволяя текстовым токенам взаимодействовать с объединением самих себя и токенов изображения, что обеспечивает естественный механизм управления и превосходит стандартные архитектуры VLM, при этом, благодаря недавним улучшениям в блочной внимательности, сохраняется эффективность обучения, а на этапе вывода достигается возможность обработки длинных последовательностей изображения и текста без увеличения нагрузки на KV-кэш и память базовой LLM.

Исследователи представили CASA — механизм, позволяющий более эффективно объединять визуальную и текстовую информацию, особенно в задачах обработки потокового видео.

Код, созданный ИИ: риски и перемены в разработке

Масштабное исследование показывает, как искусственный интеллект меняет ландшафт современной разработки программного обеспечения и какие угрозы безопасности возникают с распространением AI-generated кода.

Мобильные Агенты: Новые Горизонты Тестирования

Мобильная среда включает в себя задачи, выходящие за рамки традиционного взаимодействия с графическим интерфейсом, такие как проактивное уточнение информации у симулированного пользователя посредством GPT-4.1-агента и использование инструментов из репозитория GitHub для получения данных, необходимых для выполнения задач через GUI, причём оценка завершенности происходит посредством кэша обратных вызовов приложения и инспекции базы данных соответственно.

Исследователи представляют MobileWorld — комплексную платформу для оценки автономных мобильных агентов, способных взаимодействовать с пользователем и использовать внешние инструменты.

Семантический поиск патентов: новые горизонты оценки интеллекта AI

Исследование представляет комплексный подход к созданию датасетов и оценке эффективности систем автоматизированного поиска патентной документации на основе семантических кластеров.

Роботы учатся на глазах: Новый подход к обучению движений

Исследователи разработали систему, позволяющую создавать разнообразные демонстрации роботов, используя 3D-редактирование и 2D-видеоданные, что значительно повышает эффективность обучения.

Искусственный интеллект пишет код: чем рискуют ученые?

Новое исследование показывает, что все больше ученых используют инструменты искусственного интеллекта для написания кода, но это может приводить к снижению контроля над качеством и надежностью программного обеспечения.

Нейронные векторы: Управление языковыми моделями силой мысли

Управление по оси «мозг» демонстрирует значительный сдвиг в частотной области и улучшение перплексии, в то время как метод ActAdd обеспечивает еще более выраженный сдвиг, однако не оказывает существенного влияния на значение перплексии, что указывает на различные механизмы воздействия на языковую модель TinyLlama L11.

Новое исследование показывает, что активность мозга может быть использована для направления работы больших языковых моделей, обходясь без трудоемкой перенастройки.

Искусственный разум, который учится сам: Система 3 и эволюция агентов

В отличие от агентов, обучающихся последовательно и обновляющих свою модель только по внешнему расписанию, самодостаточный агент функционирует по принципу внутреннего цикла обратной связи: он самостоятельно определяет цели, действует в среде, оценивает результаты и совершенствует дальнейшие действия, обеспечивая неограниченную, самонаправленную адаптацию.

Новая архитектура ‘Система 3’ позволяет создавать ИИ-агентов, способных к непрерывному самосовершенствованию и адаптации на протяжении всего жизненного цикла.