Искусственный интеллект

Ожившие Симуляции: Учим Искусственный Интеллект Реалистичной Физике Движения

от

В отличие от существующих подходов к генерации видео, основанных на восстановлении зашумленных данных в латентном пространстве с помощью Flow Matching, которые игнорируют важные пространственно-временные физические закономерности и полагаются на субъективные оценки при обучении с подкреплением, PhysRVG использует цикл [latex]MD[/latex] для полного использования данных визуальной информации и обеспечивает внедрение физических знаний посредством метрики, основанной на физике, что позволяет стабильно сохранять и активно обнаруживать физические принципы для действительно физически осознанного обучения и генерации.

Новый подход объединяет обучение с подкреплением и генерацию видео, чтобы создавать более правдоподобные и физически корректные анимации и симуляции.

Когда персонализация вводит в заблуждение: о галлюцинациях в языковых моделях

от

Персонализированные языковые модели, стремясь учитывать историю пользователя, зачастую допускают фактические ошибки, известные как персонализированные галлюцинации, однако предложенный подход FPPS позволяет в реальном времени корректировать эти неточности, восстанавливая достоверность ответов без ущерба для релевантности персонализированного взаимодействия.

Новое исследование выявляет проблему искажения фактов в больших языковых моделях, обученных на личных данных, и предлагает способы её решения.

Искусственный интеллект заимствует мудрость у природы: новые горизонты эффективности

от

Исследование выявило новые функции активации, демонстрирующие немонотонное поведение, в отличие от ReLU, при этом функция HIGGS характеризуется осцилляторным узором, отражающим кинематическую периодичность, Forest Cover - гладкой волнообразной структурой, а Spambase - линейным ростом с периодической модуляцией.

Исследование показывает, как вдохновение из физики и экологии позволяет создавать более компактные и производительные нейронные сети.

Танцы по частям: Создание реалистичной анимации движений человека

от

Модель, основанная на трансформере и диффузионном подходе, способна генерировать сложные движения, обусловленные текстовыми подсказками различного уровня детализации - от последовательности действий до отдельных частей тела, что позволяет ей усваивать ключевые элементы движения и комбинировать их на основе парных данных.

Новая модель позволяет создавать правдоподобные движения человека, управляя каждой частью тела и последовательностью действий на основе текстовых инструкций.

Разум из диалога: как языковые модели создают ‘общество мысли’

от

В ходе анализа цепочки рассуждений модели DeepSeek-R1 выявлено, что наличие детализированных социоэмоциональных ролей по классификации Бейлса коррелирует с воспринимаемой сложностью решаемых задач - по семибалльной шкале, где 1 означает «крайне просто», а 7 - «крайне сложно» - и, как следствие, с более низкой вероятностью ошибок в нерассуждающих моделях.

Новое исследование показывает, что продвинутые навыки рассуждения в больших языковых моделях могут возникать не только за счет увеличения их размера, но и благодаря симуляции социального взаимодействия и обмена мнениями.

Доказательства просят: Как искусственный интеллект помогает отличать правду от вымысла

от

Интерфейс задачи, представленный на рисунке, демонстрирует подход к объяснению неопределенности, позволяя пользователю взаимодействовать с системой и понимать причины, лежащие в основе принимаемых ею решений.

Новое исследование показывает, что предоставление пользователям фактических доказательств вместе с объяснениями от систем искусственного интеллекта значительно повышает доверие к проверке фактов и точность оценок.