Искусственный интеллект

Машина доказательств: Искусственный интеллект осваивает математические теоремы

от

Seed-Prover 1.5 демонстрирует превосходство над существующими передовыми системами доказательства теорем, подтверждая свою эффективность в автоматизированном решении сложных задач.

Новая система Seed-Prover 1.5 демонстрирует значительный прогресс в автоматическом доказательстве теорем, приближая компьютерное мышление к человеческому.

Искусственный интеллект: Диалектика развития

от

Новый подход к построению ИИ основан на принципах конкурентного кодирования и оптимизации структур с минимальной избыточностью, позволяя формировать устойчивые и понятные концепции.

Обучение диалоговых агентов: новый подход к многоходовым взаимодействиям

от

В сравнительном анализе алгоритмов обучения с подкреплением для решения головоломки Сокобан, Turn-PPO демонстрирует превосходство над token-PPO в большинстве конфигураций, что указывает на эффективность оценки преимущества на уровне хода для повышения производительности.

Исследователи предлагают инновационную методику обучения языковых моделей, способных эффективно взаимодействовать в продолжительных диалогах.

Искусственный разум в науке: насколько близки большие языковые модели к настоящему мышлению?

от

Четырехстадийная схема, включающая этапы обдумывания, концептуализации, действия и восприятия, определяет процесс научных открытий, сопоставляя задачи с возможностями и согласовывая оценку с практикой исследователей.

Новое исследование оценивает способность современных ИИ-систем выполнять полные научные исследования, выявляя существенные ограничения в их способности к комплексному научному мышлению.

Обучение терпению: Как агенты синхронизируются с реальным миром

от

Несинхронность между физическим временем и когнитивным восприятием агента создаёт проблему временной согласованности, которую традиционные подходы решают либо за счёт чрезмерных запросов, либо маскируют за счёт длительности задач, таких как программирование или математические вычисления, в то время как предлагаемый подход активно предсказывает оптимальную задержку $T_{sleep}$, обеспечивая синхронизацию без избыточных запросов и минимизируя расхождение во времени.

Новое исследование показывает, что интеллектуальные агенты могут научиться адаптироваться к задержкам и непредсказуемости реальных сред, предсказывая время выполнения задач.

Искусственный мир, реальные решения: как проверить автономные системы

от

Наблюдения показывают, что точность выявления решающих признаков (DFF) существенно различается между различными системами отслеживания (SUT), что подтверждается распределением расстояний DFF и эмпирическими функциями кумулятивного распределения $P(D \leq \varepsilon)$, демонстрирующими значительные расхождения даже при незначительных потерях перекрытия (OV), что указывает на различия в механизмах обработки информации, не улавливаемые стандартными метриками IV/OV.

Новый подход позволяет оценить, насколько адекватно виртуальные тесты отражают поведение систем в реальных условиях, фокусируясь на принципах принятия решений.