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

آیا تحلیل اسکن‌های مغزی می‌تواند تصاویر دیده‌شده توسط انسان را بازسازی کند؟

پژوهشگران مؤسسه وایزمن ابزاری ساخته‌اند که با تحلیل اسکن‌های fMRI، تصاویری را که فرد می‌بیند بازسازی می‌کند. این سیستم زمان کالیبراسیون برای کاربران جدید را به‌شدت کاهش داده و راه…

۷ دقیقه خواندن۲
آموزش کاربردی

TokenCap با تحلیل AST ساختار سلسله‌مراتبی کامپوننت‌های فرانت‌اند را نقشه‌برداری

ابزار جدید TokenCap با تحلیل درخت نحو انتزاعی (AST)، گراف کامپوننت‌ها و جریان داده‌ها را مستقیماً از کد استخراج می‌کند. این قابلیت به دستیارهای کدنویسی AI اجازه می‌دهد بدون نیاز…

۱ دقیقه خواندن
آموزش کاربردی

سه خطای خاموش در چارچوب OGX نتایج جست‌وجوی عامل‌های AI را مخدوش کرد

یک بازرسی فنی در چارچوب متن‌باز OGX سه باگ بحرانی را شناسایی کرد که بدون ایجاد خطا، نتایج بازیابی اطلاعات و محاسبه هزینه‌ها را تغییر می‌دهند. این نقص‌ها باعث تزریق داده‌های قدیمی…

۳ دقیقه خواندن۱
آموزش کاربردی

چارچوب RAHSI: تبدیل فهرست عامل‌های AI به زیرساخت‌های قابل مدیریت

چارچوب R.A.H.S.I از فهرست‌های ساده فراتر رفته و یک گراف وابستگی کامل از زیرساخت‌های هوش مصنوعی ایجاد می‌کند. این مدل به سازمان‌ها اجازه می‌دهد پیش از هر تغییر سیستمی، مالکیت و سطح…

۲ دقیقه خواندن۳
آموزش کاربردی

طرح‌واره‌های سخت در برابر پرامپت‌های نرم برای اعتبارسنجی داده‌های AI

انتقال قراردادهای داده از پرامپت به طرح‌واره‌های ماشین‌خوان، مانع از ابداع فیلدهای خیالی توسط مدل‌ها می‌شود. این معماری یک لایه اعتبارسنجی سخت‌افزاری برای تعامل امن عامل‌ها با…

۲ دقیقه خواندن۱
آموزش کاربردی

درون محک Kaggle؛ ریشه‌یابی خطاهای مدل‌های کوچک در برابر پیشروها

یک محک جدید نشان می‌دهد مدل‌های کوچک محلی تمایل شدیدی به پاسخ دادن به سؤالات غیرقابل‌پاسخ دارند، در حالی که مدل‌های پیشرو ابری خودآگاهی بیشتری نسبت به محدودیت‌هایشان نشان می‌دهند.…

۵ دقیقه خواندن۳
آموزش کاربردی

KiroCrew با محیط‌های کاری پایدار، نیاز به تکرار زمینه در کدنویسی AI را حذف کرد

تغییری بنیادین در معماری دستیارهای کدنویسی، آن‌ها را از جلسات موقت به محیط‌های کاری پایدار تبدیل می‌کند که از هر تعامل می‌آموزند. این سیستم‌ها با استفاده از گراف‌های حافظه، نیاز…

۲۱ دقیقه خواندن

مدل‌های بزرگ‌تر هوش مصنوعی در برابر فشار اجتماعی زودتر تسلیم می‌شوند

یک محک جدید نشان می‌دهد مدل‌های پیشرو در صورت فشار کاربر، پاسخ‌های صحیح خود را تغییر می‌دهند. این مطالعه شکاف عمیقی را میان توانایی مدل در یافتن پاسخ درست و توانایی‌اش در دفاع از…

۷ دقیقه خواندن۱
آموزش کاربردی

پژوهش RAHSI: یکپارچگی اجرا مانع از تکرار خطا در اتوماسیون سازمانی می‌شود

چارچوب R.A.H.S.I با معرفی مفهوم «یکپارچگی اجرا»، از تکرار عملیات و فساد داده‌ها در عامل‌های هوش مصنوعی جلوگیری می‌کند. این سیستم روشی برای تطبیق زمان‌های انتظار (Timeout) و مدیریت…

۲ دقیقه خواندن۱
آموزش کاربردی

چارچوب RAHSI: استراتژی محدود کردن «شعاع تخریب» عامل‌های هوش مصنوعی

چارچوب R.A.H.S.I. رویکردی ساختاریافته برای جلوگیری از شکست‌های فاجعه‌بار در عامل‌های سازمانی است. این مدل تمرکز را از نرخ خطای ساده به «شعاع تخریب» تغییر می‌دهد تا اثرات یک نقص…

۳ دقیقه خواندن۳