پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

تحلیل‌های عمیق مدل‌ها، مقالات و بنچمارک‌ها — پیش‌چاپ‌ها، ارزیابی‌ها، مدل‌های زبانی پیشرو و پژوهش همراستاسازی.

۵٬۷۸۵ مقاله منتشر شده

AntAngelMed: دستیابی به عملکرد مدل‌های ۴۰ میلیاردی با ۶.۱ میلیارد پارامتر فعال

AntAngelMed: دستیابی به عملکرد مدل‌های ۴۰ میلیاردی با ۶.۱ میلیارد پارامتر فعال

مدل AntAngelMed با معماری MoE و نسبت فعال‌سازی ۱/۳۲، توانسته است عملکرد مدل‌های متراکم ۴۰ میلیاردی را با هزینه محاسباتی بسیار کمتر بازتولید کند. این مدل در حال حاضر رتبه نخست…

۳ دقیقه خواندن۱
راهکارهای NVIDIA برای حذف اصطکاک در مسیر تبدیل مدل‌های هوش مصنوعی به محصول
آموزش کاربردی

راهکارهای NVIDIA برای حذف اصطکاک در مسیر تبدیل مدل‌های هوش مصنوعی به محصول

ان‌ویدیا چارچوبی سیستماتیک برای حذف «اصطکاک خط لوله» ارائه کرده است تا انتقال مدل‌ها از مرحله آموزش به تولید سریع‌تر شود. با ادغام TensorRT و Dynamo-Triton، تیم‌ها می‌توانند…

۳ دقیقه خواندن
چرا مدل‌های محلی ۱۳ میلیاردی با Statewright در کدنویسی به دقت ۱۰۰ درصدی رسیدند؟
آموزش کاربردی

چرا مدل‌های محلی ۱۳ میلیاردی با Statewright در کدنویسی به دقت ۱۰۰ درصدی رسیدند؟

پلتفرم Statewright با معرفی «گاردریل‌های ماشین وضعیت»، دسترسی عامل‌های هوش مصنوعی به ابزارها را بر اساس مرحله‌ی جاریِ گردش کار محدود می‌کند. این رویکرد قطعی باعث شد مدل‌های محلی…

۲ دقیقه خواندن۲
برد انسانی در برابر XBOW: چرا «مایل آخر» نفوذ هنوز خارج از دسترس هوش مصنوعی است؟

برد انسانی در برابر XBOW: چرا «مایل آخر» نفوذ هنوز خارج از دسترس هوش مصنوعی است؟

یک آزمایش امنیتی، متخصص ۲۰ ساله را در برابر یک عامل هوش مصنوعی قرار داد تا یک باگ بحرانی در Exim را استخراج کنند. هوش مصنوعی در محیط‌های ساده پیروز شد، اما در نسخه واقعی، تنها…

۲ دقیقه خواندن۱
چگونه RTTAD از آلودگی مدل در تشخیص ناهنجاری‌های داده‌های جدولی جلوگیری می‌کند؟

چگونه RTTAD از آلودگی مدل در تشخیص ناهنجاری‌های داده‌های جدولی جلوگیری می‌کند؟

چارچوب RTTAD با معرفی یک مکانیسم آگاه از ریسک، مانع از یادگیری اشتباه ناهنجاری‌ها به عنوان داده‌های نرمال در زمان استقرار می‌شود. این مدل با ترکیب آموزش دو-وظیفه‌ای و پالایش…

۲ دقیقه خواندن۳
چگونه DP-LAC دقت مدل‌های زبانی در یادگیری فدرال خصوصی را ۶.۶٪ افزایش داد؟

چگونه DP-LAC دقت مدل‌های زبانی در یادگیری فدرال خصوصی را ۶.۶٪ افزایش داد؟

متد جدید DP-LAC با بهینه‌سازی خودکار آستانه‌های برش، دقت یادگیری فدرال خصوصی را بدون مصرف بودجه‌ی اضافی حریم خصوصی ارتقا می‌دهد. این رویکرد تضاد دیرینه میان دقت مدل و حفظ محرمانگی…

۲ دقیقه خواندن۳
چرا مکانیسم‌های خوداصلاحی مدل‌های زبانی در برابر حملات M³Att شکست می‌خورند؟

چرا مکانیسم‌های خوداصلاحی مدل‌های زبانی در برابر حملات M³Att شکست می‌خورند؟

پژوهشگران چارچوب M³Att را معرفی کردند که با استفاده از محرک‌های بصری و اطلاعات گمراه‌کننده، سیستم‌های RAG پزشکی را هدف قرار می‌دهد. این حمله مدل‌ها را فریب می‌دهد تا تشخیص‌های…

۲ دقیقه خواندن۱
چرا نمونه‌برداری یکنواخت در یادگیری تقویت‌شده با داده‌های محدود شکست می‌خورد؟

چرا نمونه‌برداری یکنواخت در یادگیری تقویت‌شده با داده‌های محدود شکست می‌خورد؟

پژوهشگران دریافتند که در محیط‌های با حجم بازپخش پایین، نمونه‌برداری غیریکنواخت به‌طور قابل‌توجهی از مدل‌های پایه یکنواخت پیشی می‌گیرد. استراتژی پیشنهادی «هندسی کوتاه شده»، تعادلی…

۲ دقیقه خواندن۱