Новое исследование показывает, что системы поддержки принятия решений на основе ИИ могут приводить к когнитивным искажениям, таким как автоматическое следование рекомендациям и эффект якоря, особенно при нехватке времени.
Новый подход позволяет создавать более качественные изображения и точнее редактировать существующие, используя возможности обучения с подкреплением и надежные модели вознаграждения.
Новое исследование показывает, как генеративные ИИ-системы, используемые в рекрутинге, могут неосознанно усиливать традиционные представления о гендерных ролях.
Новое исследование показывает, что использование больших языковых моделей в качестве судей для оценки ответов других моделей значительно повышает их согласованность с человеческими ценностями, но открывает новые возможности для обмана.
Новый подход позволяет строго воспроизводить эксперименты с участием людей, используя искусственный интеллект, и изучать принципы справедливости и этики в системах ИИ.
Новый подход позволяет динамически распределять вычислительные ресурсы при генерации изображений, повышая эффективность и качество результатов.
В статье рассматривается структурированный подход к воплощению социальных, правовых, этических и культурных норм в технические требования к агентам искусственного интеллекта.
![В контексте обучения больших языковых моделей наблюдается закономерность, при которой малые модели функционируют в режиме поиска иголки в стоге сена, требуя сложных алгоритмов оптимизации, таких как градиентный спуск, в то время как большие модели располагают плотным множеством решений для конкретных задач, позволяя эффективно использовать случайную выборку весов и ансамблирование для достижения высокой точности, что реализовано в подходе RandOpt, демонстрирующем сложность [latex]\mathcal{O}(1)[/latex] по числу шагов обучения, эффективность использования вычислительных ресурсов и сопоставимую с другими методами точность, подтвержденное на задаче Countdown с использованием Olmo-3-7B-Instruct.](https://arxiv.org/html/2603.12228v1/x1.png)
Новое исследование показывает, что после предварительного обучения большие языковые модели формируют пространство решений, где случайный поиск и ансамблевое обучение могут быть удивительно эффективными.
Новый подход позволяет автоматически находить и использовать готовые навыки из репозиториев вроде GitHub, расширяя возможности ИИ-агентов.
Исследователи предлагают метод IndexCache, позволяющий значительно повысить скорость работы языковых моделей при обработке больших объемов информации.