Исследование показывает, что модели генерации видео способны эффективно решать задачи пространственного планирования, превосходя текстовые подходы, и демонстрируют улучшение результатов с увеличением продолжительности генерируемого видео.
Новая система Weaver позволяет искусственному интеллекту не просто видеть видео, но и рассуждать над ним, используя инструменты и выстраивая логические цепочки.
Новый подход к обучению мультимодальных моделей позволяет им более эффективно фокусироваться на визуальной информации, улучшая ответы на вопросы по изображениям.
Исследователи представили систему, которая позволяет агентам эффективно извлекать информацию из сложных документов, используя их структуру для более точного и быстрого ответа на вопросы.
![Процесс дистилляции данных, реализованный в InfoUtil, максимизирует их ценность посредством двух последовательных этапов: сначала отбираются наиболее информативные фрагменты с использованием значений Шейпли [latex] \text{Shapley Value} [/latex] - метода атрибуции из теории игр, а затем, из этих кандидатов, выбираются образцы с наивысшей полезностью, оцениваемой с помощью градиентной нормы [latex] \text{Gradient Norm} [/latex], выступающей в качестве верхней границы полезности, в результате чего формируется дистиллированный набор данных, содержащий лишь наиболее ценные и информативные элементы.](https://arxiv.org/html/2601.21296v1/x2.png)
Новый подход к дистилляции датасетов позволяет создавать компактные, но информативные наборы данных, не теряя при этом качества обучения моделей машинного обучения.
Новое исследование показывает, как инструменты искусственного интеллекта могут помочь медицинским работникам анализировать данные о здоровье пациентов, собираемые самостоятельно, и повысить эффективность их работы.
![Предлагаемое древо решений определяет процедуру вмешательства во время выполнения, опираясь на предварительные оценки вероятности отказа ([latex]pp[/latex]), восстановления ([latex]rr[/latex]) и нарушения ([latex]dd[/latex]), в результате чего формируется пороговое значение ([latex]p^{\star} = d/(r+d)[/latex]), продемонстрированное на примере ALFWorld с использованием Qwen-3-8B.](https://arxiv.org/html/2602.03338v1/x1.png)
Новое исследование показывает, что точное прогнозирование ошибок ИИ-агентов не гарантирует повышения их эффективности, а зачастую даже может привести к ухудшению результатов.
Новое исследование объединяет методы причинного вывода и стохастического моделирования для анализа непрерывных временных рядов.
Новый подход позволяет агентам искусственного интеллекта не просто хранить информацию, но и развивать навыки работы с ней, становясь более адаптивными и эффективными.
![Обучающая схема STProtein использует многоуровневое представление белковых последовательностей, включающее в себя как глобальные контекстные эмбеддинги, полученные с помощью трансформеров, так и локальные признаки, извлекаемые сверточными слоями, для точного предсказания структуры белка, опираясь на оптимизацию с помощью алгоритма [latex] AdamW [/latex] и стратегию планирования обучения, направленную на улучшение обобщающей способности модели.](https://arxiv.org/html/2602.05811v1/images/structure/framework4.jpg)
Исследователи разработали метод предсказания распределения белков в тканях, используя данные о пространственной транскриптомике и другие омиксные данные.