3D-Сцены без обучения: новый взгляд на понимание пространства
![Разработанная система OpenVoxel строит воксельное групповое поле [latex]\mathcal{F}_{1:N}[/latex] на основе сегментационных масок [latex]M_{1:K}[/latex], полученных из предварительно обученной разреженной воксельной модели [latex]V_{1:N}[/latex] и соответствующих камерных позиций [latex]\xi_{1:K}[/latex], что позволяет рендерить изображения и маски для всех групп, конструировать карту сцены [latex]SS[/latex], кодирующую их положение и подписи, и, в конечном итоге, выполнять сложные задачи сегментации, такие как сегментация по текстовому запросу, посредством уточнения запроса и поиска по тексту в карте [latex]SS[/latex].](https://arxiv.org/html/2601.09575v1/x2.png)
Исследователи представили OpenVoxel — систему, способную группировать и описывать трехмерные сцены, используя только воксельную геометрию и возможности больших языковых моделей.
Искусственный интеллект
Цена объяснений: сложность поиска альтернативных сценариев в машинном обучении
![Нейронная сеть с одним скрытым слоем, функционирующая как регрессор [latex]h(\cdot)[/latex], используется для сведения задачи 3-SAT к задаче WACHTER-CFE (определение 2), при этом дизъюнкция [latex]\neg x\_{1}\vee x\_{2}\vee\neg x\_{3}[/latex] представляет собой клаузу в КНФ-формуле, определяющей экземпляр 3-SAT, а связи без указанного веса в схеме имеют вес 1.](https://arxiv.org/html/2601.09455v1/x1.png)
Новое исследование показывает, что генерация понятных объяснений для моделей машинного обучения, основанных на изменении входных данных, может быть вычислительно непосильной задачей.
Мультимодальный разум: новый подход к обучению искусственного интеллекта
Исследователи предлагают единую генеративную модель, способную объединить различные визуальные навыки и демонстрировать впечатляющие результаты в решении задач, даже без обширного обучения.
Спектральный Поиск: Интеллектуальный помощник для науки об аккумуляторах
Новая система объединяет данные спектроскопии Рамана и научную литературу, чтобы помочь исследователям быстрее и эффективнее анализировать информацию.
Умный поиск и генерация: как повысить надежность ответов ИИ
Новая архитектура OpenDecoder позволяет учитывать качество извлеченных документов при генерации текста, делая ответы искусственного интеллекта более точными и устойчивыми к шуму.
Самообучающиеся агенты: новый подход к глубоким исследованиям
![В рамках предложенной структуры EvoFSM, исследовательский процесс формализуется как динамический конечный автомат, инициализируемый предыдущим опытом, а затем прецизионно оптимизируется посредством атомарных операций, воздействующих как на операторы навыков [latex]\mathcal{O}\_{skill}[/latex], так и на операторы потока [latex]\mathcal{O}\_{flow}[/latex] на основе обратной связи от критика, при этом успешные и неудачные траектории дистиллируются в опыт, обеспечивая непрерывное обучение и ускорение при решении новых задач.](https://arxiv.org/html/2601.09465v1/x2.png)
Представлена система, позволяющая агентам на основе больших языковых моделей самостоятельно развиваться и оптимизировать свои навыки для проведения более эффективных и глубоких исследований.
Агенты ИИ: Новый взгляд на оценку производительности
Исследователи представляют AI-NativeBench — комплексную платформу для глубокого анализа работы систем, управляемых большими языковыми моделями.
Умное распределение нагрузки: как нейросети понимают ваши намерения
Новый подход позволяет Kubernetes более эффективно управлять задачами, интерпретируя естественный язык в инструкциях по планированию.
Научный ум машин: новый тест на сообразительность
Исследователи представили комплексную методику оценки способности больших языковых моделей к научному мышлению, основанному на извлечении и применении знаний из памяти.
Глубокий анализ: Автоматизированная оценка исследовательских отчетов
Новая система DeepResearchEval позволяет комплексно оценивать качество и достоверность отчетов, созданных интеллектуальными агентами, расширяя возможности автоматизированного анализа данных.