پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

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

۶٬۸۲۳ مقاله منتشر شده

«رفع گلوگاه‌های پردازش داده»؛ دستاورد جدید Claude Science در اخترفیزیک

پروژه Claude Science با استفاده از عامل‌های هوش مصنوعی، داده‌های چندین مأموریت فضایی را ادغام و کالیبره کرد تا اولین نقشه جامع فرابنفش آسمان را بسازد. این دستاورد نشان می‌دهد که…

۱ دقیقه خواندن
آموزش کاربردی

گوگل با چارچوب RRSI جلوی حفظ طوطی‌وار داده‌ها در عامل‌های هوش مصنوعی را گرفت

گوگل پژوهشی با معرفی RRSI سیستمی را طراحی کرده که عامل‌های هوش مصنوعی را مجبور می‌کند پیش از هر تغییر در ابزارها، تحلیل هزینه-فایده انجام دهند. این روش مانع از Overfitting یا همان…

۲۷ دقیقه خواندن
آموزش کاربردی

لایه‌های معنایی؛ راهکار جلوگیری از توهم داده‌ای در عامل‌های هوش مصنوعی

شکست مدل‌های زبانی در تحلیل داده‌ها معمولاً ناشی از ضعف در مدل‌سازی داده است، نه نقص مدل. پیاده‌سازی لایه‌های معنایی و طرح‌واره‌های خوانا، قراردادی ایجاد می‌کند که مانع از ابداع…

۳ دقیقه خواندن۱
آموزش کاربردی

مدل‌های پیش‌نویس مبتنی بر انتشار چگونه نرخ تولید توکن را ارتقا می‌دهند؟

تکنیک جدید DFlash-2 با استفاده از یک مدل پیش‌نویس مبتنی بر انتشار، سرعت تولید توکن در مدل‌های زبانی را به‌ویژه در کارهای کدنویسی به‌شدت بالا می‌برد. آزمایش‌ها روی مدل Muse Glimmer…

۱۴ دقیقه خواندن۱

بنچمارک Kaggle: مدل‌های زبانی در ۴ مورد کلیدی استدلال داده‌کاوی شکست خوردند

یک محک جدید نشان می‌دهد مدل‌های پیشرو در حالی که آزمون‌های چهارگزینه‌ای داده‌کاوی را پاس می‌کنند، در استدلال‌های باز و توصیفی ناتوان‌اند. این مدل‌ها اغلب به پاسخ درست می‌رسند اما…

۸ دقیقه خواندن
آموزش کاربردی

پایداری عامل‌های هوش مصنوعی به مهندسیِ «هارنس» وابسته است، نه مدل

بیشتر شکست‌های عامل‌های هوش مصنوعی ناشی از ضعف در زیرساخت‌های محیطی یا همان «هارنس» است، نه محدودیت‌های مدل زبانی. تبدیل یک مدل هوشمند اما غیرقابل‌پیش‌بینی به ابزاری آماده برای…

۴ دقیقه خواندن

فقط ۲۰ مورد از ۱۶۲ شکافِ بنچمارک مدل‌های هوش مصنوعی قابل تأیید هستند

یک حسابرسی فنی روی ۱۶۲ مقایسه بین مدل‌های هوش مصنوعی نشان می‌دهد که اکثر برتری‌های اعلام‌شده در جدول‌های رده‌بندی، از نظر آماری بی‌معنی هستند. این مطالعه فقدان سیستماتیک داده‌های…

۵ دقیقه خواندن۱

حفظ پیچیدگی‌های گفتاری AudioShake در برابر پاک‌سازی سنتی صدا

سامانه جدید AudioShake با جداسازی صداهای هم‌پوشان و نویز پس‌زمینه، آرشیوهای صوتی قدیمی را به مجموعه‌داده‌های آموزشی برای هوش مصنوعی تبدیل می‌کند. این ابزار برخلاف سیستم‌های…

۶ دقیقه خواندن
آموزش کاربردی

ادغام عامل‌های هوش مصنوعی با MCP زمان بازیابی خطاهای کوبرنتیز را کاهش داد

ترکیب عامل‌های هوش مصنوعی زمینه‌آگاه با سرورهای MCP، تحلیل ریشه‌ای خطاها در کوبرنتیز را از حالت حدسی به تحلیل داده‌محور تبدیل می‌کند. این رویکرد با همبسته‌سازی وضعیت‌های گذرا،…

۱۱ دقیقه خواندن