Искусственный интеллект

Искусственный интеллект в университетах: труд преподавателей меняется, а обучение – нет?

от

Представленная таксономия демонстрирует систематизацию ключевых результатов исследования, выявляя иерархическую структуру взаимосвязей между обнаруженными явлениями и обеспечивая чёткое понимание их классификации.

Новое исследование показывает, что внедрение генеративных AI-инструментов в STEM-образование смещает фокус работы преподавателей с создания контента на его отбор, что может скрывать пробелы в знаниях студентов.

Память на века: Как научить ИИ долгосрочному планированию

от

Система, представленная на рисунке, оптимизирует работу с длинными последовательностями действий, заменяя обширные траектории использования инструментов сжатыми, индексированными сводками, при этом сохраняя детали в отдельном хранилище, что позволяет повторно извлекать и внедрять точный контент по индексу для эффективного выполнения задач в условиях ограниченного контекстного окна.

Новая система Memex(RL) позволяет агентам искусственного интеллекта эффективно хранить и использовать прошлый опыт для выполнения сложных задач, требующих долгосрочного планирования.

Искусственный интеллект на службе лекарства: новый подход к поиску препаратов

от

Разработана интегрированная среда MMAI Gym, объединяющая данные, обучение и эталонные тесты, что позволяет комплексно оценивать и совершенствовать алгоритмы машинного обучения в различных сценариях.

Исследователи продемонстрировали, что относительно небольшая модель искусственного интеллекта, обученная по специальной методике, может эффективно решать задачи поиска и разработки лекарств.

Интеллектуальная защита: от разведданных об угрозах к автоматической настройке брандмауэра

от

Архитектура предложенного агента демонстрирует принципиально новый подход к организации взаимодействия, позволяющий достигать гибкости и эффективности благодаря внутренней структуре, ориентированной на автономное принятие решений.

Новая система объединяет возможности больших языковых моделей и семантического анализа для повышения эффективности предотвращения вторжений.

Инженерная логика в компактных нейросетях: обучение с подкреплением для решения задач механики балок

от

Процесс PE-RLVR-FT адаптирует дистиллированную языковую модель к решению задач из области механики балок: модель, дополненная обучаемыми LoRA-адаптерами, генерирует варианты ответов на вопросы из синтетического набора данных, после чего детерминированная функция вознаграждения, оценивающая соответствие формату и корректность статических расчетов балок, преобразует их в сигналы относительного преимущества, используемые алгоритмом GRPO для обновления исключительно параметров LoRA, оставляя веса предобученной основы неизменными.

Новый подход позволяет эффективно обучать небольшие нейросети решать сложные инженерные задачи, используя обучение с подкреплением и верифицируемые награды.

Поиск с пониманием: Новая стратегия для интеллектуальных агентов

от

В ходе исследования для задачи BrowseComp-Plus, система AgentIR-4B, ориентированная на рассуждения, демонстрирует превосходство над традиционным поиском на основе вложений Qwen3-Embedding-4B при взаимодействии с агентом Tongyi-DR, что указывает на важность учета логических связей при извлечении информации.

Исследователи предлагают подход, позволяющий агентам глубже понимать контекст запроса и находить более релевантную информацию для сложных исследований.

Совместный разум: Соревнования ИИ в поисках научных открытий

от

В рамках предложенной архитектуры MACC каждый агент самостоятельно формирует модель и предоставляет свои результаты на централизованную доску объявлений, управляемую стимулами, где оценка и распределение вознаграждений осуществляются в соответствии с заданными институциональными параметрами.

Новая платформа MACC позволяет исследовать, как взаимодействие между искусственными агентами и правильно выстроенные стимулы могут ускорить научные исследования.