Искусственный интеллект

Искусственный интеллект в огне: новый подход к моделированию горения

от

Предложенная база знаний позволила сформировать целостную картину области науки о горении, выявляя взаимосвязи и структуру ключевых концепций, что позволяет рассматривать эту область как взаимосвязанную систему, а не набор разрозненных фактов и исследований.

Исследователи предлагают комплексную систему для внедрения и оценки знаний в больших языковых моделях, применяемых к сложным задачам в науке о горении.

В поисках истины: как оценить способность ИИ собирать информацию из разных источников

от

Для создания iAgentBench используется конвейер, который начинается с отбора высокочастотных запросов из общедоступных источников данных (GDELT), затем извлекает тематически связанные истории из веб-корпуса, классифицирует их на основные, связующие и вспомогательные сообщества, и, наконец, генерирует пары вопросов и ответов, отфильтрованные с помощью судей на основе больших языковых моделей.

Новый бенчмарк iAgentBench призван проверить, насколько эффективно искусственный интеллект может анализировать большие объемы данных и отвечать на сложные вопросы, требующие интеграции информации из множества документов.

Предсказание теорем: новый подход к решению геометрических задач

от

Применяемый рабочий процесс Pri-TPG последовательно уточняет структурный априорный параметр, обеспечивая точное управление и направленность.

Исследователи разработали метод, позволяющий искусственным интеллектам эффективно решать многошаговые математические задачи, используя структуру предшествующих теорем.

Голос будущего: Оптимизация речевых моделей в условиях децентрализации

от

Оптимизация гетерогенных пар языковых моделей в системах автоматического распознавания речи включает в себя локальную тренировку пар моделей экспертами с использованием частных данных, а также объединение множества моделей для создания превосходящей целевой пары, при этом значения параметров <i>m</i> и <i>k</i> могут различаться в зависимости от распределения данных у разных экспертов.

Новый подход к обучению языковых моделей для систем распознавания речи позволяет добиться качества, сравнимого с централизованным обучением, используя возможности федеративного обучения и алгоритмов оптимизации.

Искусственный интеллект упрощает сложные научные расчеты

от

Система MOOSEnger обеспечивает поэтапную обработку разнородных источников данных - от автономного импорта в векторное хранилище до динамической сборки, в процессе выполнения, специализированного агента, способного извлекать контекст, формировать и проверять входные файлы, а также, при необходимости, выполнять их для получения обоснованных результатов и готовых к использованию артефактов.

Новый агент, разработанный для экосистемы MOOSE, позволяет преобразовывать запросы на естественном языке в готовые к запуску файлы для многофизических симуляций.

Рассуждения на графах: как большие языковые модели учатся видеть мир

от

Предложенный фреймворк Mario, используя графо-обусловленную модель

Новая архитектура объединяет возможности графовых нейронных сетей и больших языковых моделей для более эффективной обработки и анализа мультимодальных данных.

Оптимизация работы больших языковых моделей: динамическая маршрутизация и каскадирование

от

Кластеризация на основе алгоритма K-средних позволяет эффективно маршрутизировать запросы к различным большим языковым моделям (LLM): после определения K центроидов на обучающем наборе данных, валидационный набор разделяется на K кластеров, и каждая LLM представляется в виде K-мерного вектора, отражающего ошибку на соответствующих кластерах, что позволяет направлять каждый новый запрос к той LLM, у которой наблюдается минимальная скорректированная средняя ошибка на кластере, к которому принадлежит данный запрос, при этом встраивание запросов может быть как неконтролируемым, так и обученным на размеченных данных, отличных от тех, что используются при тестировании.

В статье представлен обзор современных методов интеллектуального распределения запросов между различными большими языковыми моделями для повышения эффективности и снижения затрат.