Зрение машин: Анализ фармацевтических видео с помощью искусственного интеллекта
![Платформа для поиска по естественному языку, объединяющая большие языковые ([latex]LLM[/latex]), акустические ([latex]ALM[/latex]) и визуальные ([latex]VLM[/latex]) модели, обработала более 25 тысяч видео- и 888 аудиофайлов, охватывающих свыше двадцати языков, демонстрируя свою масштабируемость и многоязыковую функциональность.](https://arxiv.org/html/2601.04891v1/x1.png)
Новая платформа позволяет масштабировать модели, объединяющие зрение и язык, для глубокого понимания длинных видеороликов в фармацевтической отрасли.
Искусственный интеллект
Различия в воздействии: два подхода к изучению неравенства
Новое исследование сравнивает дедуктивные и индуктивные методы оценки неоднородности эффектов, предлагая комбинированный подход для более точного анализа.
Большие языковые модели: узкие места и пути ускорения
Статья посвящена анализу проблем производительности при развертывании больших языковых моделей и предлагает перспективные направления для аппаратной оптимизации.
Обманчивая уверенность: Сравниваем способности человека и машин в обнаружении фишинга
Новое исследование показывает, как люди и алгоритмы по-разному оценивают достоверность электронных писем, выявляя сильные и слабые стороны каждой из сторон.
Один пример – и безопасность восстановлена: как спасти «обученную» нейросеть
Новое исследование показывает, что для восстановления безопасности больших языковых моделей после «обучения» достаточно всего одного специально подобранного примера.
Металлические жидкости: новый подход к машинному обучению потенциалов
Исследователи разработали инновационную стратегию конструирования данных для создания стабильных и точных моделей машинного обучения, предсказывающих поведение жидких металлов.
Объемные формы и память машин: как генеративные модели учатся на 3D-данных
Новое исследование посвящено анализу способности генеративных моделей запоминать обучающие данные и предлагает методы улучшения обобщающей способности без потери качества генерации 3D-форм.
Искусственный интеллект в управлении воздушным движением: проверка на практике
Новый подход к тестированию систем искусственного интеллекта для авиадиспетчеров позволяет оценить их эффективность в условиях, максимально приближенных к реальным.
Один пример – ключ к интеллекту: как обучить ИИ рассуждать?
![Оценка производительности комплексного обучения (MATH и LIMR) и различных выборок полиматематического обучения (Синтетические простые, естественные примеры пред-алгебры, [latex]\pi_{1}[/latex]) на базе Qwen2.5-7b-base демонстрирует, что применение жадного декодирования и скользящего усреднения с окном в 5 точек для AIME2024, AIME2025 и других эталонов позволяет выявить различия в эффективности различных подходов к обучению.](https://arxiv.org/html/2601.03111v1/x10.png)
Новое исследование показывает, что для существенного улучшения способности больших языковых моделей к логическому мышлению достаточно всего одного, тщательно подобранного или сгенерированного примера.
Код под контролем: новые горизонты языковых моделей
Исследование демонстрирует значительный прогресс в использовании искусственного интеллекта для автоматизации и улучшения задач разработки программного обеспечения.