تحلیل و بررسی تخصصی

پژوهشی جدید روی زبان لوکزامبورگی نشان می‌دهد که انتقال بین‌زبانی جایگزینی برای جمع‌آوری داده‌های محلی نیست. برای ایجاد خط‌لوله‌های پایدار در زبان‌های کم‌منبع، این دو رویکرد باید…

چارچوب جدیدی به نام NASH معرفی شده است که از شکست روش Data Shapley در انتخاب داده‌های آموزشی جلوگیری می‌کند. این متد با تجزیه توابع مطلوبیت و تجمیع غیرخطی آن‌ها، کیفیت داده‌های…

روش جدید SRFT با فیلتر کردن گام‌های اشتباه به جای حذف کل مسیرهای ناموفق، نرخ حل مسائل در بنچمارک SWE-bench Verified را به ۳۲.۲٪ رسانده است. این رویکرد به مدل‌ها می‌آموزد که چگونه…

معماری جدید bViT با جایگزینی لایه‌های منحصربه‌فرد با یک بلوک تکرارشونده، حجم پارامترها را تا ۹۰٪ کاهش داده است. این مدل در بنچمارک ImageNet-1K دقتی مشابه ViT-B ارائه می‌دهد و…

پژوهش‌های جدید نشان می‌دهد پرسوناهای مبتنی بر مدل‌های زبانی در بازسازی میانگین‌های گروهی موفق‌اند، اما در پیش‌بینی پاسخ‌های فردی و رفتارهای نادر ناتوان هستند. با وجود بهبود عملکرد…

پژوهشگران با معرفی تابع اکتساب AB-SID-iVAR در فرآیندهای گوسی، راهکاری برای دور زدن توابع پارتیشن غیرقابل‌محاسبه ارائه کردند. این دستاورد دقت مدل‌سازی سطوح انرژی پتانسیل در شیمی…

چارچوب LLaVA-CKD با معرفی ساختار آموزشی پله‌ای، مشکل افت کیفیت در انتقال دانش از مدل‌های غول‌پیکر به مدل‌های کوچک را حل کرده است. این روش با استفاده از معلمان میانی، امکان استقرار…

پژوهشگران کشف کردند که مدل‌های زبانی حتی پس از تنظیمات مخرب، یک «فضای شخصیتی» پایدار دارند. با تقویت بردارهای معنایی خاص، می‌توان نرخ عدم همراستاسازی را از ۴۰٪ به کمتر از ۳٪ کاهش…

یک چارچوب ارزیابی جدید با استفاده از برچسب‌گذاری معنایی، شکست‌های سیستماتیک در مدل‌های تشخیص مرجع را شناسایی می‌کند که معیارهای استاندارد نادیده می‌گیرند. این رویکرد به…

پژوهشی جدید نشان می‌دهد که اثر انگشت سبک‌شناختی نویسندگان در بردارهای معنایی مدل‌های زبانی، حتی پس از بازنویسی توسط AI، باقی می‌ماند. این یافته مسیر جدیدی برای شناسایی جعل‌های…

چارچوب MAGE با معرفی گراف‌های دانش تکاملی، به عامل‌های هوش مصنوعی اجازه می‌دهد بدون تغییر در وزن‌های مدل، از شکست‌ها و موفقیت‌های خود بیاموزند. این سیستم در ۹ بنچمارک مختلف، از…