پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

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

۶٬۸۷۰ مقاله منتشر شده

جایگزینی حافظه متنی با کد پایتون؛ رسیدن به دقت ۹۹ درصدی در حافظه عامل‌های AI

پژوهشگران چارچوب User as Code (UaC) را معرفی کردند که حافظه متنی هوش مصنوعی را با اشیاء و توابع قابل‌اجرای پایتون جایگزین می‌کند. این تغییر پارادایم، دقت پاسخ‌دهی عامل‌ها به…

۲ دقیقه خواندن

چرا تحلیل معنایی متن در پیش‌بینی تغییرات خلقی آینده شکست می‌خورد؟

پژوهش‌های جدید نشان می‌دهد که در حالی که تحلیل متن برای تشخیص وضعیت عاطفی فعلی کاربر دقیق است، اما در پیش‌بینی تغییرات آتی ناکارآمد است. در مقابل، تحلیل دینامیک‌های عددیِ…

۱ دقیقه خواندن۱

مدل خودمختاری کنترل‌شده: چارچوب جدید کریستوفر کُک برای کاهش ریسک عامل‌های AI

تحلیل جدیدی نشان می‌دهد شرکت‌های متوسط باید به جای تعقیب خودمختاری کامل، به سراغ «خودمختاری جزئی کنترل‌شده» بروند. این رویکرد با تمرکز بر یکپارچه‌سازی انسان‌محور، بار اداری را…

۱ دقیقه خواندن۱

پدیده Idle-drift در Claude Haiku 4.5؛ وقتی برنامه‌ریزی دقیق به بی‌عملی منجر

بنچمارک جدید CoffeeBench نشان می‌دهد که برخی مدل‌های زبانی با وجود توانایی برنامه‌ریزی دقیق، در محیط‌های اقتصادی بلندمدت دچار «بی‌عملی» می‌شوند. Claude Haiku 4.5 در این آزمون…

۱ دقیقه خواندن

چرا ادغام تک‌مرحله‌ای مدل‌های زبانی در وظایف تخصصی شکست می‌خورد؟

پژوهشگران متد METIS را برای حل مشکل «پاک‌شدن اطلاعات» در ادغام مدل‌ها معرفی کردند. این روش با جایگزینی تجمیع یک‌باره با یک پروتکل تکرارشونده، مانع از تداخل وظایف شده و عملکرد…

۱ دقیقه خواندن۳

چگونه MR-GVNO پیش‌بینی فیزیک سازه‌های پیچیده را به میلی‌ثانیه‌ها رساند

پژوهشگران مدل MR-GVNO را توسعه داده‌اند؛ یک عملگر عصبی که پاسخ فیزیکی سازه‌های صفحه‌ای پیچیده را بدون نیاز به داده‌های آموزشی برچسب‌دار پیش‌بینی می‌کند. این مدل با استفاده از…

۱ دقیقه خواندن۱

گذار از احتمالات به قطعیت: روش جدید برای جلوگیری از تداخل عامل‌های AI

پژوهشگران با معرفی چارچوب Tensor-Coord، برنامه‌ریزی در سیستم‌های چندعاملی را از مذاکرات شکننده بر پایه پرامپت به همراستاسازی ریاضی منتقل کردند. این روش با استفاده از تجزیه جبری…

۱ دقیقه خواندن

MGIL: جایگزینی الگوهای سراسری با همسایگی‌های محلی در تکمیل گراف‌های دانش

چارچوب MGIL با استفاده از خوشه‌بندی موجودیت‌ها، یک «گراف مدل» ایجاد می‌کند تا الگوهای ساختاری سراسری را شناسایی کند. این رویکرد در پیش‌بینی استقرایی پیوندها (Inductive Link…

۱ دقیقه خواندن

چگونه EC-Script با عامل‌های سلسله‌مراتبی، مسیر احساسی روایت‌های AI را کنترل

پژوهشگران چارچوبی به نام EC-Script توسعه داده‌اند که به مدل‌های زبانی اجازه می‌دهد روایت‌های داستانی را با مسیرهای احساسی دقیق، مخصوص هنردرمانی، تولید کنند. این سیستم از یک ساختار…

۱ دقیقه خواندن

کاهش خطای قیمت‌گذاری ریسک عامل‌های AI از ۱۷ هزار دلار به ۵۶۹ دلار

پژوهشگران چارچوب جدیدی برای quantifying و بیمه کردن ریسک‌های مالی عامل‌های خودمختار معرفی کرده‌اند. این سیستم با جایگزینی قضاوت مدل‌های زبانی با برچسب‌های اقتصادی قطعی، نرخ خطای…

۱ دقیقه خواندن

چرا شکست عامل‌های هوش مصنوعی ناشی از «گم‌شدن در متن» نیست؟

تحقیقات جدید نشان می‌دهد عامل‌های هوش مصنوعی اغلب ابزار درست را شناسایی می‌کنند اما در مرحله نهایی تصمیم‌گیری دچار خطا می‌شوند. این یافته، اثربخشی روش‌های رایج مهندسی پرامپت برای…

۲ دقیقه خواندن۱

چرا برای بازیابی خطوط تولید دیگر نیازی به بازآموزی مدل‌های RL نیست؟

یک چارچوب جدید به سیاست‌های RMAPPO اجازه می‌دهد در لحظه‌ی اجرا از قوانین خارجی یا راهنمایی‌های مدل‌های زبانی استفاده کنند تا سرعت بازیابی خطوط تولید پس از نقص فنی افزایش یابد. این…

۱ دقیقه خواندن۱