Искусственный интеллект как зеркало человечества
Новое поколение языковых моделей открывает уникальные возможности для изучения поведения, культуры и моральных ценностей человека.
Искусственный интеллект
Персонализация генерации изображений: новый подход PureCC
![В рамках предложенного подхода, PureCC, предварительно обученная модель потока используется для извлечения признаков, после чего, в фазе чистого обучения, её параметры фиксируются, а выходные данные, представляющие целевое понятие, управляются адаптивным масштабом [latex]\lambda^{\star}[/latex], направляя обучение другой, инициализированной модели потока, предсказывающей условный результат на основе базового текста, при этом весь конвейер оптимизируется с использованием функций потерь [latex]\mathcal{L}\_{PureCC}[/latex] и [latex]\mathcal{L}\_{CC}[/latex], что позволяет чистому обучению в пространстве потока скоростей эффективно усваивать целевые концепции.](https://arxiv.org/html/2603.07561v1/x2.png)
Исследователи предлагают метод PureCC, позволяющий тонко настраивать модели генерации изображений по текстовому описанию, сохраняя при этом их исходные возможности и качество.
Искусственный интеллект на службе науки: как повысить грамотность в STEM
Новые возможности генеративных нейросетей открывают перспективы для создания целостной системы обучения и оценки научных знаний.
Прыжок к сути: как языковые модели пропускают лишнее
Новое исследование показывает, что модели, основанные на диффузии, умеют эффективно отсеивать избыточные вычисления при генерации текста, в отличие от традиционных авторегрессионных моделей.
Искусственный интеллект открывает новые горизонты в математике
Новый подход, сочетающий возможности нейросетевых моделей и символьных вычислений, позволил добиться значительного прогресса в решении сложной задачи комбинаторного дизайна.
Самообучающиеся агенты для поиска оптимальных нейросетей
Новая система AutoResearch-RL использует возможности машинного обучения с подкреплением и больших языковых моделей для автоматического улучшения конфигураций нейронных сетей и достижения передовых результатов.
Искусственный интеллект на службе науки: самообучающиеся агенты для новых открытий
![Система EvoScientist, представляющая собой саморазвивающуюся многоагентную структуру для комплексного научного поиска, включает в себя агента-исследователя, агента-инженера и менеджера эволюции, при этом менеджер эволюции аккумулирует историю взаимодействия в две постоянные памяти - память идей [latex]M_{I} [/latex] и память экспериментов [latex]M_{E}[/latex], используемые агентами для непрерывного улучшения качества идей и повышения эффективности выполнения задач.](https://arxiv.org/html/2603.08127v1/x1.png)
В новой работе представлена система EvoScientist, способная самостоятельно проводить научные исследования, учиться на опыте и генерировать публикации, приближая эру автоматизированной науки.
Обучение агентов: как масштабировать возможности, а не объём данных
Новый подход позволяет создавать эффективных агентов, способных к сложному взаимодействию с инструментами, даже при использовании небольших языковых моделей.
Искусственный интеллект на службе науки: новый этап
В статье рассматривается, как автономные агенты и современные языковые модели способны кардинально изменить научные исследования, автоматизируя рутинные процессы и расширяя возможности анализа данных.
Перенос знаний от больших моделей: новый подход к сегментации изображений
![Традиционные методы дистилляции знаний, хоть и сохраняют точность в пределах одной области, упускают возможность обобщения на новые, ранее не встречавшиеся данные, в то время как предложенный подход к обобщенной дистилляции знаний ([latex]GKD[/latex]) направлен на преодоление этого ограничения.](https://arxiv.org/html/2603.02554v1/x1.png)
В статье представлен метод, позволяющий эффективно использовать возможности мощных моделей компьютерного зрения для повышения точности сегментации изображений в различных условиях.