Искусственный интеллект

3D-обнаружение объектов в помещениях: новый взгляд без привязки к сенсорам

от

Поток вычислений, управляемый вниманием, позволяет генерировать запросы, фокусируясь на релевантных частях входных данных, что обеспечивает более точное и контекстуально-обоснованное извлечение информации.

Исследователи представили метод, позволяющий эффективно обнаруживать трехмерные объекты в закрытых пространствах, отказавшись от традиционной зависимости от геометрических данных сенсоров.

Искусственный интеллект и экология: Цена прогресса

от

Растущее потребление энергии системами искусственного интеллекта ставит под вопрос устойчивость цифровой инфраструктуры и требует новых подходов к регулированию.

Искусственный разум: как немного данных может улучшить логику больших языковых моделей

от

Модель Qwen3-4B-Thinking-2507 демонстрирует почти предельную точность на существующих синтетических наборах данных, однако набор данных Chimera остается значительно более сложной задачей, выявляя ограничения в обобщающей способности даже для передовых языковых моделей.

Новое исследование демонстрирует, что компактный, специально созданный набор данных может значительно повысить способность больших языковых моделей к рассуждению, приближая их к результатам, достигнутым на гораздо более крупных датасетах.

Интеллектуальные сети: новый подход с использованием федеративного обучения и агентов

от

Архитектура федеративного обучения агентов для беспроводных сетей обеспечивает конфиденциальность при анализе децентрализованных радиочастотных измерений и журналов, конструирует кратковременную и долговременную память на основе распределенных графов знаний, совершенствует предметно-ориентированное рассуждение посредством тонкой настройки больших языковых моделей и оптимизации цепочки рассуждений, а также стимулирует выполнение действий с использованием совместно обученных политик, формируя единый цикл восприятия - памяти - рассуждения - действия для обнаружения радиочастотных аномалий и противодействия помехам в беспроводной среде.

В статье рассматривается интеграция федеративного обучения и агентного искусственного интеллекта для создания масштабируемых и эффективных беспроводных сетей, обеспечивающих конфиденциальность данных.

Защита от вредоносных данных в федеративном обучении: новый подход

от

Система [latex]𝖯𝗋𝗈𝗍𝖾𝗀𝗈𝖥𝖾𝖽\mathsf{ProtegoFed}[/latex] обеспечивает защиту от отравленных данных, поступающих с внешних платформ, посредством преобразования Фурье (DCT) для анализа частотных характеристик, последующего снижения размерности и кластеризации, после чего локальные центроиды отправляются на сервер для поиска по основному кластеру, минимизируя накладные расходы и гарантируя надежность обучения.

Исследователи предлагают метод выявления и нейтрализации отравленных данных в распределенных системах машинного обучения, обеспечивая надежность моделей без ущерба для их производительности.

Микромир в моделях: новый взгляд на симуляцию биологических процессов

от

В рамках MicroWorldBench эксперты формируют критерии оценки для микроскопических видео, сгенерированных искусственно, после чего система оценки на базе больших многомодальных моделей (MLLM) определяет соответствие ответов этим критериям.

Исследователи представляют MicroWorldBench — платформу для оценки и улучшения способностей искусственного интеллекта моделировать микроскопические явления, открывая новые горизонты для биомедицинских исследований.

Что умеет искусственный интеллект: Новый взгляд на оценку возможностей

от

Статья предлагает переосмыслить подходы к оценке искусственного интеллекта, фокусируясь на понимании скрытых причинно-следственных связей и контекста, в котором ИИ проявляет свои способности.

Глубокие сети: новый взгляд на масштабирование

от

Трансформерные языковые модели, обученные с использованием Muon-Kimi и AdamW, демонстрируют стабильность норм признаков и эффективную передачу гиперпараметров при масштабировании ширины и глубины благодаря применению [latex]\mu\mu P[/latex], что позволяет добиться снижения потерь по сравнению с SP при увеличении соответствующих параметров.

Исследование предлагает единое условие спектрального масштабирования для стабильной и эффективной тренировки глубоких нейронных сетей при одновременном увеличении ширины и глубины.