Искусственный интеллект

Разговор меняет смысл: как языковые модели переосмысливают информацию в процессе общения

от

Представления о фактичности в языковых моделях претерпевают существенные изменения в ходе диалога: при воспроизведении заранее заданных бесед, представления о фактичности для общих вопросов остаются относительно стабильными, однако для вопросов, специфичных для беседы, наблюдается инверсия, когда размерность, идентифицирующая фактические ответы, начинает сильнее отражать нефактическую информацию, и наоборот, что подтверждается в диалогах на различные темы, включая как обсуждение сознания, так и эзотерические темы вроде чакр, где модель демонстрирует необычные утверждения.

Новое исследование показывает, что внутренние представления языковых моделей о понятиях, таких как достоверность, могут резко меняться по мере развития диалога.

Логика и Искусственный Интеллект: Новый Шаг к Надежности

от

Исследование демонстрирует возможность коррекции галлюцинаций больших языковых моделей посредством формальной верификации, где решатель выявляет неподтвержденные утверждения и направляет модель к логически согласованному ответу с использованием обратной связи на основе метода Монте-Карло [latex]MCS[/latex].

Исследователи предлагают систему, объединяющую мощь больших языковых моделей с принципами формальной верификации для обеспечения логической непротиворечивости и доказанной корректности рассуждений.

Сочетание логики и нейросетей: новый подход к искусственному интеллекту

от

Интегрированная платформа ускорения REASON решает задачи нерегулярных вычислений и памяти, а также задержек, свойственных символьным и вероятностным системам, посредством унифицированного представления в виде направленного ациклического графа (DAG), реконфигурируемых вычислительных элементов и эффективного потока данных, демонстрируя повышение производительности и масштабируемости в задачах когнитивного искусственного интеллекта.

Исследователи представили систему REASON, позволяющую ускорить логические выводы в нейро-символических системах и эффективно развертывать их на периферийных устройствах.

Преодолевая плато: обучение языковых моделей рассуждению на сложных задачах

от

Обучение с использованием стандартного GRPO преимущественно генерирует корректные траектории, однако добавление в процесс обучения префиксов, указывающих на неудачные состояния, позволяет модели исследовать критические сценарии и делает информативные неудачи более доступными для анализа.

Новый подход позволяет значительно повысить эффективность обучения больших языковых моделей в ситуациях, когда они уже демонстрируют высокую точность, фокусируясь на анализе ошибок.

Искусственный интеллект и навыки программирования: плата за удобство?

от

В условиях растущего распространения искусственного интеллекта на рабочих местах, исследование посвящено изучению влияния помощи ИИ на формирование навыков программирования у начинающих специалистов, выявляя, что выполнение задач с использованием ИИ может происходить без достижения тех же результатов обучения, что и при самостоятельном освоении новых навыков.

Новое исследование показывает, как использование AI-помощников при написании кода может негативно влиять на развитие базовых навыков программирования.

Обучение с подкреплением: новый взгляд на самообучение

от

Модель самообучается, интегрируя историю взаимодействия непосредственно в свои параметры посредством самодистилляции: вместо расширения контекстного окна, она корректирует свои веса [latex]\theta_{t}\to\theta_{t+1}[/latex] на основе обратной связи при решении фиксированной задачи, эффективно

Исследователи предлагают инновационный подход к обучению с подкреплением, использующий богатую, детальную обратную связь для повышения эффективности и улучшения результатов в сложных задачах.

Нейронные ОДУ и символьная регрессия: от данных к уравнениям

от

Модель, обученная исключительно на данных за первую секунду, демонстрирует способность к экстраполяции динамики системы

Новое исследование демонстрирует, как современные методы машинного обучения позволяют восстанавливать законы динамических систем из ограниченных и зашумленных данных.

Агенты SERA: Код, Созданный с Подтверждением

от

Процесс «мягкой верификации» (Soft Verified Generation) предполагает итеративное совершенствование функции посредством траекторий изменений, преобразованных в синтетические запросы на изменение, после чего учительская модель пытается воспроизвести исправление исключительно по описанию запроса, а сравнение полученных исправлений на уровне строк с использованием порога, например, [latex] r \geq 0.5 [/latex], служит основой для отбора данных обучения.

Новый подход к обучению кодирующих агентов позволяет достичь выдающихся результатов с минимальными затратами благодаря использованию синтетических данных и техники ‘мягкой верификации’.

Математика в таблицах: новая архитектура для интерпретируемого машинного обучения

от

Архитектура StructuralCFN изучает взаимосвязи в данных посредством адаптивных управляемых вентилей, а итоговый прогноз формируется гибридным функциональным комитетом с обходным линейным каналом, обеспечивающим устойчивость и точность вычислений.

Исследователи представили StructuralCFN — нейронную сеть, способную выявлять и использовать математические зависимости в табличных данных, обеспечивая высокую точность и понятность результатов.