Новое исследование платформы Moltbook показывает, что высокая активность ИИ-агентов не всегда приводит к возникновению сложных социальных взаимодействий, свойственных человеческим сообществам.
Исследователи предлагают метод COMPOT, позволяющий значительно уменьшить размер моделей-трансформеров без существенной потери точности.
![В отличие от хрупкой семантической разметки, подверженной искажениям при изменении условий и масштабировании, стабильная структурная оценка [latex]S = S_{C}(X)[/latex] обеспечивает сопоставимость объектов и границ даже при глобальных изменениях контраста и смещении ковариат, поскольку интерпретация рассматривается как пересматриваемое отображение [latex]M_{i}:S\rightarrow\mathcal{O}_{i}[/latex], позволяющее адаптировать онтологию без потери структурной валидности.](https://arxiv.org/html/2602.15712v1/x2.png)
Новый подход к анализу изображений ставит во главу угла выявление стабильных структурных элементов, независимых от изменчивости семантических интерпретаций.
Новое исследование показывает, что случайная маскировка градиентов в процессе обучения может значительно повысить эффективность адаптивных оптимизаторов, особенно при работе с большими языковыми моделями.
Новая модель рассматривает ИИ не просто как инструмент, а как динамического когнитивного партнера в обучении, определяя, расширяет ли он возможности ученика или заменяет его собственные мыслительные процессы.
Новое исследование показывает, что модели, обрабатывающие изображения и текст, уязвимы к визуальным манипуляциям, что открывает возможности для управления их поведением.
![Архитектура EAA обеспечивает динамическое управление взаимодействием между пользователем и агентом посредством централизованного менеджера задач, который поддерживает контекст диалога, обрабатывает сообщения, инициирует вызовы инструментов, а также использует векторное хранилище для долгосрочной памяти, позволяя агенту адаптироваться к текущей задаче и обеспечивать последовательное взаимодействие, основанное на [latex]LLM[/latex] и [latex]VLM[/latex].](https://arxiv.org/html/2602.15294v1/x1.png)
Исследователи представили систему EAA, способную самостоятельно проводить эксперименты на синхротронных установках, используя возможности компьютерного зрения и языковых моделей.
![Исследование, основанное на платформе ResearchGym, демонстрирует, что агент [latex]rg-agent[/latex] с использованием модели GPT-5 достигает наилучших результатов по совокупности основных подзадач, что подтверждается нормализованной производительностью, усредненной по всем подзадачам и представленной с 95% доверительным интервалом, а также количеством успешно выполненных подзадач и средними значениями нормализованной производительности, где разброс значений отражает минимальный и максимальный результат из трех повторных запусков, при этом метрики подробно описаны в разделе 2.4.](https://arxiv.org/html/2602.15112v1/x1.png)
Ученые представляют ResearchGym — платформу, позволяющую проверить, насколько хорошо ИИ способен самостоятельно проводить научные исследования и делать открытия.
Новая система GRACE позволяет искусственному интеллекту самостоятельно проектировать и моделировать физические эксперименты, открывая новые возможности для научных открытий.
Исследователи предлагают принципиально новый метод, позволяющий создавать более контролируемые, разнообразные и понятные текстовые ответы, заменяя случайный отбор на структурированные действия.