Танцы по тексту: как научить ИИ понимать движения человека

В отличие от предыдущих подходов, требующих сложного обучения энкодера движения и многоэтапной подгонки к конкретной языковой модели, представленный метод преобразует движение в структурированные описания посредством детерминированных правил, что позволяет любой языковой модели обрабатывать его напрямую с использованием лишь тонкой настройки LoRA в качестве единственного этапа обучения.

Новый подход позволяет моделям искусственного интеллекта анализировать и воспроизводить человеческие движения, используя только текстовые описания, без необходимости обучения на огромных базах данных видео.

Искусственный интеллект: игра слов и власть

Статья исследует, как намеренное использование многозначности в дискурсе об искусственном интеллекте формирует завышенные ожидания и препятствует критическому осмыслению технологий.

Автоматизация рабочего стола: когда остановиться и как не зациклиться

Интерфейс VLAA-GUI, использующий кодек Opus 4.6, демонстрирует превосходство, достигая 77.5% точности на наборе данных OSWorld-Verified и превосходя человеческую производительность при однократном прохождении, благодаря механизмам верификации полноты, предотвращающим преждевременную остановку, и инновационному

Новая разработка позволяет создавать более надежных агентов для автоматизации задач на компьютере, эффективно обходя проблемы с завершением задач и бесконечными циклами.

Умный город: Искусственный интеллект для комфорта и энергоэффективности

Новая система на основе искусственного интеллекта позволяет быстро оценивать тепловой комфорт и энергопотребление зданий в условиях тропического климата.

ИИ-помощник в кодировании: гарантия научной достоверности

Новый подход к разработке программного обеспечения для протеомики позволяет внедрять принципы научной обоснованности непосредственно в процесс кодирования с помощью ИИ.

Проверяй, но доверяй: Новый подход к обоснованию ответов языковых моделей

Система атрибуции утверждений функционирует посредством сопоставления текстового утверждения с релевантными фрагментами доказательств, используя как поиск целых отрывков, так и извлечение конкретных ответов, после чего, с помощью классификатора логической связи, оценивается поддержка или опровержение утверждения, а для повышения надежности итоговый результат калибруется по порогу уверенности, позволяя получить взвешенный вывод - Подтверждено, Опровергнуто или Недостаточно Информации.

Исследователи предлагают систему, позволяющую не только выдавать ответы, но и объяснять, на каких данных они основаны, повышая надежность и прозрачность работы искусственного интеллекта.

Раскрывая логику мышления: анализ дискуссий студентов с помощью машинного обучения

Основываясь на анализе речевых данных учащихся при решении задачи о создании снега, разработанная модель машинного обучения демонстрирует способность резко повышать скрытую вероятность наличия механического рассуждения у конкретного учащегося при обнаружении соответствующих признаков в его высказываниях, в то время как при их отсутствии вероятность для обоих учащихся остается низкой, что указывает на её чувствительность к признакам логического мышления и способность дифференцировать учащихся по этому признаку.

Новый подход позволяет автоматически выявлять моменты, когда студенты демонстрируют причинно-следственное мышление в групповых обсуждениях.

Искусственный интеллект учится действовать: эволюция стратегий и навыков

Новый подход позволяет агентам искусственного интеллекта самостоятельно развивать как стратегию принятия решений, так и набор используемых навыков, значительно повышая их эффективность в сложных задачах.

Глубокое обучение: в поисках фундаментальных законов

Линеаризация глубоких нейронных сетей позволяет получить точные аналитические решения, соответствующие экспериментальным данным, поскольку динамика обучения в этом случае распадается на независимые решаемые обыкновенные дифференциальные уравнения Бернулли, при этом моды с большими сингулярными числами проявляются первыми; подобный подход, основанный на усечении нелинейных членов в разложении Тейлора вокруг начальной инициализации, сводит обучение к гребневой регрессии с использованием ядра нейронных касательных, что устанавливает связь между архитектурой сети и её индуктивным смещением, позволяя точно прогнозировать производительность на тестовых данных.

Статья призывает к переходу от эмпирических исследований в области глубокого обучения к разработке единой, механистической теории, объясняющей принципы его работы.