Языковой компас: адаптация моделей к новым языкам и данным
Новый метод позволяет эффективно обучать многоязычные модели, используя ограниченные ресурсы и адаптируясь к меняющимся данным.
Искусственный интеллект
Эволюция памяти: как агенты учатся открывать новое
В новой работе представлена система Prism, использующая принципы эволюционной динамики и информационную теорию для повышения эффективности многоагентных систем в задачах открытий.
Вторая жизнь экспертов: как повысить эффективность моделей, не обучая с нуля
![Процедура экспертного перепрофилирования включает предварительное обучение разреженной модели экспертов в течение τ шагов, последующее реплицирование экспертов с учетом их полезности ([latex]r\_E > r\_i \geq \cdot s \geq r\_1[/latex], при суммарном количестве реплик, равном [latex]m \cdot E[/latex]), расширение маршрутизатора и завершение переобучения расширенной модели в течение [latex]T - \tau[/latex] шагов, что позволяет добиться специализации экспертов благодаря стохастическому градиентному разнообразию при фиксированном маршрутизаторе Top-K.](https://arxiv.org/html/2604.19835v1/plots/figure_optE_hires.png)
Новый подход позволяет масштабировать Mixture-of-Experts модели, повторно используя существующие компоненты и существенно сокращая вычислительные затраты.
Разумные данные: новый подход к поиску информации
В статье представлен инновационный метод автоматического обнаружения и выбора релевантных источников данных в сложных информационных хранилищах.
Онтологии, оживлённые интеллектом: новая эра знания
Исследование предлагает архитектуру, объединяющую мощь больших языковых моделей с внешними онтологическими знаниями для повышения надёжности и эффективности интеллектуальных систем.
Понимание «Мыслей» Искусственного Интеллекта в Прогнозах Погоды
Новый инструмент визуализации помогает заглянуть внутрь сложных моделей искусственного интеллекта, используемых для предсказания погоды, и понять, как они формируют свои прогнозы.
Обучение с предвидением: новый подход к усилению интеллекта
![Система, представленная в работе, использует механизм Near-Policy Optimization (NPO), в котором политика будущего [latex]\pi_F[/latex] предоставляет проверенную траекторию [latex]o_x^{\prime}[/latex] для корректировки текущей политики [latex]\pi_\theta[/latex] при возникновении трудностей, а AutoNPO, основываясь на онлайн-сигналах, таких как стагнация вознаграждения, падение энтропии, пул ошибок и оценка возможностей, определяет момент и степень отката для оптимизации процесса обучения.](https://arxiv.org/html/2604.20733v1/x3.png)
Исследователи предлагают метод, позволяющий моделям обучения с подкреплением быстрее находить оптимальные решения, используя информацию о ближайшем будущем.
Изображения как ключ к универсальному зрению машин
Новое исследование показывает, что генеративные модели изображений, обученные понимать инструкции, демонстрируют впечатляющие результаты в широком спектре задач компьютерного зрения.
Эволюция ИИ-систем: когда целое больше суммы частей
![В экосистемах программного обеспечения, созданного искусственным интеллектом, выявление эмерджентного поведения происходит посредством агрегации микроскопических переменных состояния - коммитов, ревью и тестов - в макроскопические наблюдаемые показатели, такие как качество кода, связность и энтропия, причём эмерджентность подтверждается, когда эффективная информация на макроуровне превосходит её значение на микроуровне [latex] [/latex].](https://arxiv.org/html/2604.19827v1/Fig1.png)
Новое поколение программных экосистем, управляемых искусственным интеллектом, демонстрирует непредсказуемое поведение, требующее пересмотра традиционных подходов к разработке и тестированию.
Пространственное мышление: новый взгляд генеративных моделей
Исследование демонстрирует, как обучение искусственного интеллекта на задачах пространственного редактирования позволяет значительно улучшить его понимание и манипулирование окружающим миром.