Исследование показывает, что использование «личностей» в медицинских языковых моделях может улучшить результаты в одних сценариях, но и привести к непредсказуемым последствиям в других.
![Традиционные агенты машинного обучения совершенствуются посредством дорогостоящих вычислений и внешней обратной связи, что приводит к значительным задержкам, в то время как данное исследование направлено на выявление превосходных, основанных на данных решений до их фактического выполнения, используя концепцию «скрытых приоритетов, вытекающих из данных» [latex] \implies [/latex] для повышения эффективности и скорости обучения.](https://arxiv.org/html/2601.05930v1/x1.png)
Исследование показывает, что модели, способные предсказывать результаты работы алгоритмов машинного обучения без их фактического выполнения, открывают путь к созданию более эффективных и быстрых систем искусственного интеллекта.
![Исследование траекторий диалогового процесса для задачи контроля формальности речи демонстрирует, что модели SmolLM3-3B, Qwen3-4B и Gemma3-4B, при использовании 5-шаговой подсказки, показывают различную степень управляемости, при этом Qwen3-4B и Gemma3-4B проявляют наибольшую способность к контролю формальности ([latex]\delta = 0.05[/latex]) и соответствие запросам пользователя ([latex]cvg = 1.0[/latex], медианное [latex]MAE = 0.09[/latex]), в то время как абсолютная управляемость не достигнута ни одной из моделей в условиях нулевой подсказки.](https://arxiv.org/html/2601.05637v1/x2.png)
Исследователи предлагают формальный инструментарий для оценки степени контроля над выходными данными генеративных моделей, подчеркивая, что управляемость не является само собой разумеющейся.
Исследователи представляют масштабный набор данных, призванный улучшить способность ИИ рассуждать и синтезировать знания из научных публикаций.
В статье представлен обзор перспективного направления — автономных агентов искусственного интеллекта — и его влияния на ландшафт кибербезопасности, рассматриваются возможности и возникающие угрозы.
Новое исследование выявляет систематические ошибки в работе крупных языковых моделей при выявлении финансоческой дезинформации на разных языках и в различных ситуациях.
Исследователи представили модель Orient Anything V2, способную к всестороннему анализу и интерпретации ориентации объектов в трехмерном пространстве.
![Алгоритм AMPPI, примененный к двумерной треугольной решетке Изинга (L=(32,64)), демонстрирует возможность точного определения критических параметров [latex]T_c = \frac{4}{\ln(3)}[/latex] и [latex]\beta = 0.125[/latex] посредством переноса обучения, при этом последующая донастройка в течение 20 итераций на основе данных физической среды позволяет достичь высокой точности, подтвержденной соответствием теоретическим значениям.](https://arxiv.org/html/2601.05577v1/figure/Main_Text/Tranfer_Learning/transfor_learning.png)
Новый подход, основанный на обучении с подкреплением, позволяет автоматически определять критические параметры Изинговской модели с высокой точностью и эффективностью.
Исследователи предлагают инновационный подход к геолокации изображений, объединяющий возможности больших языковых моделей и интерактивное взаимодействие с картами.
Новый обзор посвящен тому, как извлечь знания из моделей машинного обучения, чтобы продвинуть научные открытия и повысить надежность ИИ-систем.