Искусственный интеллект

Многомодальные большие языковые модели, несмотря на впечатляющие возможности, подвержены проблеме межмодальных галлюцинаций, приводящих к неверной генерации информации. В работе ‘MAD: Modality-Adaptive Decoding for Mitigating Cross-Modal Hallucinations in Multimodal Large Language Models’ предложен метод Modality-Adaptive Decoding (MAD) — обучение без учителя, динамически взвешивающее вклад различных модальностей при декодировании. Данный подход позволяет модели фокусироваться на релевантной информации и подавлять межмодальные помехи, значительно снижая количество галлюцинаций в аудиовизуальных задачах. Не является ли адаптивное взвешивание модальностей ключевым шагом к созданию более надежных и эффективных многомодальных систем искусственного интеллекта?

В статье представлена инновационная концепция, объединяющая активное умозаключение и обучение с подкреплением, позволяющая агентам эффективно действовать в сложных средах.

Исследователи представили комплексный тест DeepSearchQA, позволяющий оценить способность веб-агентов к всестороннему поиску информации, выходящему за рамки поиска единственного правильного ответа.

Исследователи предлагают инновационный метод обнаружения причинно-следственных связей, позволяющий повысить стабильность и интерпретируемость моделей искусственного интеллекта при работе с разнородными данными.

Представлена Foundation-Sec-8B-Reasoning — языковая модель с 8 миллиардами параметров, разработанная специально для решения задач в области кибербезопасности и демонстрирующая улучшенные возможности рассуждения.

Новое исследование оценивает способность современных систем искусственного интеллекта решать сложные научные задачи, приближенные к уровню экспертов.

Представлен RIR-Mega-Speech — масштабный корпус речевых данных, записанных в различных реверберирующих помещениях, призванный улучшить устойчивость систем распознавания речи.

В статье представлена инновационная теория, объединяющая принципы континуальной механики и оптимального транспорта для создания генеративных моделей, эффективно работающих при ограниченном объеме данных.

Новое исследование показывает, что использование «персон» в запросах к большим языковым моделям может улучшить их способность к классификации социальных задач, но при этом снижает качество объяснений и не решает проблему предвзятости.

Новое исследование показывает, что опыт разработчиков по-прежнему определяет способы взаимодействия с инструментами автоматизации кода, даже с появлением «умных» помощников.