Искусственный интеллект

Видеогенерация: новый подход к оценке качества

от

Предлагается двухэтапный процесс обучения, в котором модель оценки вознаграждения, ориентированная на процесс ($PAVRM$), сначала обучается предсказывать вознаграждение из зашумленных латентных представлений, а затем, посредством обучения с подкреплением в латентном пространстве в случайно выбранные моменты времени, оптимизируется модель генерации видео ($VGM$), что позволяет достичь согласованной генерации видео с учетом заданного процесса.

Исследователи предлагают инновационный метод оценки качества сгенерированных видео, использующий возможности моделей генерации как основу для формирования вознаграждения.

Интеллектуальный анализ данных о 2D-материалах: возможности языковых моделей

от

Новый подход позволяет автоматически извлекать и структурировать информацию о 2D-материалах из научных публикаций, значительно ускоряя процесс открытия новых материалов.

Многоликий Судья: Проверка Искусственного Интеллекта на Способность к Комплексным Оценкам

от

Набор разнообразных мультимодальных запросов, представленный в Multi-Crit, охватывает широкий спектр областей оценки, используемых для работы с большими мультимодальными моделями, и демонстрирует возможности их проверки на соответствие заданным критериям.

Новый бенчмарк Multi-Crit позволяет оценить, насколько хорошо мультимодальные модели искусственного интеллекта справляются с одновременным учетом множества критериев при оценке контента.

Wi-Fi будущего: Искусственный интеллект берет управление в свои руки

от

Агентный рабочий процесс и протокол координации позволяют нескольким агентам взаимодействовать, предсказуемо распределяя задачи и координируя действия для достижения общей цели.

Новый подход к координации точек доступа Wi-Fi использует возможности искусственного интеллекта и больших языковых моделей для значительного повышения производительности сети.

Редактирование изображений по запросу: новый подход к интеллектуальной обработке

от

Агент MIRA осуществляет итеративный цикл восприятия, рассуждения и действия, анализируя текущее визуальное состояние и текстовый контекст для генерации атомарных инструкций по редактированию, которые последовательно применяются к изображению до полного выполнения сложного запроса, демонстрируя возможность точного и управляемого визуального редактирования на основе естественного языка.

Исследователи представили MIRA — систему, способную последовательно улучшать качество редактирования изображений, понимая сложные инструкции и адаптируясь к полученным результатам.

Интеллектуальный дизайн: как данные меняют инженерную разработку

от

Систематический обзор показывает, как методы, основанные на данных, применяются на протяжении всего жизненного цикла продукта, и выявляет ключевые препятствия и перспективы развития.

Раскрывая секреты языковых моделей: новый подход к интерпретации

от

В рамках предложенной структуры SAGE, итеративный процесс начинается с генерации первоначального объяснения ($HiH_{i}$) на основе высокоактивированного текста, после чего дизайнерская языковая модель создает тестовый текст ($TiT_{i}$) для валидации этого объяснения; анализатор оценивает активации, возникающие при подаче $TiT_{i}$ в целевую модель, а затем ревьюер, на основании этого анализа, принимает, отклоняет, опровергает или уточняет текущее объяснение, до тех пор, пока не будет достигнут приемлемый результат и синтезирован финальный вариант объяснения ($H^{\*}$).

Исследователи предлагают инновационный фреймворк для активного анализа и проверки объяснений работы внутренних механизмов больших языковых моделей.

Понимание нейросетей: Новый подход к объяснению визуальных решений

от

Постепенное уточнение концептуального набора позволяет улучшить качество объяснений в задачах открытой лексики, демонстрируя возможность повышения точности и релевантности при работе с незнакомыми терминами и понятиями.

Исследователи разработали метод генерации понятных объяснений работы нейронных сетей, основанный на семантической сегментации изображений без использования предварительно размеченных данных.

Потоки, ведущие к совершенству: новый подход к генеративным моделям

от

Сопоставление конечной скорости позволяет модели напрямую переходить между точками истинной траектории, при этом одношаговая генерация $𝐱_0$ из $𝐱_t$ совпадает с истинным $𝐱_0$ при условии, что конечная скорость модели $\frac{\mathrm{d}}{\mathrm{d}s}{\mathbf{f}}({\mathbf{x}}\_{t},t,s)$ совпадает с истинной скоростью ${\mathbf{u}}({\mathbf{x}}\_{s},s)$ для всех $s\in[0,t]$ вдоль истинного пути потока, а совместное удовлетворение этого условия с граничным случаем нулевого смещения модели сводится к методу сопоставления потоков.

Исследователи предлагают инновационный метод обучения генеративных моделей, основанный на сопоставлении конечных скоростей траекторий потока, что позволяет добиться высокой скорости и масштабируемости.