Исследователи представили DINO-SAE — инновационную архитектуру, значительно улучшающую качество реконструкции и генерации изображений за счет выравнивания кодировщиков фундаментальных моделей зрения со сферическим латентным пространством.
Исследователи продемонстрировали возможности больших языковых моделей в решении открытых математических проблем, открывая перспективы для автоматизированного поиска и проверки гипотез.
Новый подход к токенизации визуальной информации позволяет создавать более качественные изображения, тесно связывая этапы анализа и синтеза.
Новое исследование сопоставляет различные модели гамма-всплесков, выявляя влияние человеческого фактора на выбор предпочтительных объяснений сложных астрофизических явлений.
Новая модель R2M позволяет добиться более эффективного обучения с подкреплением на основе обратной связи от человека, преодолевая проблему переоптимизации наград.
Новое исследование показывает, что современные языковые модели склонны к воспроизведению устаревших и неверных представлений об аутизме даже чаще, чем люди.
![Формальная верификация выявляет логические ошибки в рассуждениях на естественном языке и предлагает исправленные пути логического вывода, демонстрируя, что строгость формальных методов способна дополнить и скорректировать интуитивные, но потенциально несовершенные, цепочки рассуждений, представленных в виде [latex]NL[/latex].](https://arxiv.org/html/2601.22642v1/x1.png)
Исследователи предлагают инновационный подход к усилению способности больших языковых моделей к логическому мышлению и повышению надежности генерируемых цепочек рассуждений.
В новой работе представлена практическая структура для создания надежных и безопасных систем искусственного интеллекта, адаптированная к специфике этой быстроразвивающейся области.
![В рамках разработанной системы оценки рисков SABER, для каждой триады «атакующий - жертва - судья» ([latex]\mathcal{A}, \mathcal{V}, \mathcal{J}[/latex]), производится сбор [latex]nn[/latex] попыток атаки на запрос, после чего строится распределение и экстраполируется оценка [latex]\mathrm{ASR}@N[/latex] для больших [latex]N[/latex] с использованием SABER-оценщика, что позволяет оценить уязвимость системы.](https://arxiv.org/html/2601.22636v1/x1.png)
Новый статистический подход позволяет оценить риск успешных атак на большие языковые модели, используя ограниченные ресурсы для тестирования.
Исследование показывает, что разработка более современных моделей BERT требует больших ресурсов, но не гарантирует долгосрочного признания в научном сообществе.