Искусственный интеллект

Под контролем, но не под надзором: как доверять сложным системам

от

В ходе трех пользовательских исследований было установлено, что представление действий автономного агента влияет на эффективность проверки результатов человеком: существующий подробный вывод, содержащий шаги агента и промежуточные сводки, приводит к упущению важных ошибок, в то время как акцент на шагах обеспечивает полезный контекст, но может способствовать излишней уверенности, и лишь интерфейс, явно определяющий требования задачи и предположения агента, позволяет быстрее обнаруживать ошибки, не влияя при этом на общую точность.

Новое исследование рассматривает, как проектировать системы отслеживания действий, чтобы пользователи могли эффективно проверять результаты работы интеллектуальных агентов, не тратя время на микроменеджмент.

Разреженное внимание нового поколения: ускорение генерации видео

от

Исследование демонстрирует, что применение SpargeAttention2 при генерации видео по текстовому запросу позволяет добиться сопоставимого с полномасштабным вниманием качества изображения, временной согласованности и соответствия текста и видео, при этом значительно снижая вычислительную нагрузку, связанную с операциями внимания - подробности используемых запросов представлены в Приложении B.

Исследователи представили SpargeAttention2, метод разреженного внимания, позволяющий существенно повысить эффективность генерации видео без потери качества.

Наука в коде: Обучение языковой модели на данных arXiv

от

Оптимизированный прогон (прогон 20, 200 ГБ) демонстрирует плавную монотонную сходимость функции потерь с последующей стабилизацией в долгосрочной перспективе, указывая на эффективную настройку параметров обучения.

Исследование описывает практический процесс обучения научной языковой модели на основе огромного массива препринтов с платформы arXiv, подчеркивая ключевые аспекты подготовки данных и воспроизводимости результатов.

Искусственный интеллект в школе: от пользователя к творцу

от

Новый анализ опыта воркшопа NSF показывает, как необходимо изменить подход к обучению искусственному интеллекту, чтобы школьники могли не только использовать, но и создавать собственные AI-системы.

Скрытые возможности: Новый подход к обучению латентных представлений

от

Исследователи предлагают принципиально новый фреймворк, позволяющий создавать более эффективные и качественные генеративные модели за счет совместной регуляризации латентного пространства.

Самообучающиеся модели мира: логика и постоянное совершенствование

от

Изучение иерархической модели причинно-следственных связей на примере задачи MiniHack ‘Lava Crossing’ демонстрирует, как агент, воспринимая окружающую среду в пределах локальной области (p​4p4, фиолетовый), оперирует абстрактными понятиями, такими как «движение» (p​2p2, оранжевый), которое используется в правилах, определяющих как перемещение, так и гибель (p​1p1 и p​5p5 соответственно), при этом физические ограничения, такие как взаимное исключение ([latex]\otimes[/latex]), гарантируют согласованность состояний агента, исключая одновременное существование живого и мертвого состояния или нахождение в нескольких координатах.

Новый подход позволяет агентам создавать интерпретируемые представления об окружающей среде, непрерывно адаптируясь и повышая эффективность обучения.