هر چیزی که در داتهوش منتشر شده، به ترتیب زمان. تازههای کمتر از یک ساعت با نشانک زنده مشخص شدهاند.

پژوهشگران ۷ «پاتولوژی» یا نقص دادهای را شناسایی کردند که مزایای روشهای علیتی در نقشهبرداری ژنی را خنثی میکند. این مطالعه با ۶,۱۲۰ آزمایش ثابت کرد که مدلهای علیتی در محیطهای پاک برنده هستند، اما در مواجهه با نویزهای واقعی شکست میخورند.

پژوهشگران چارچوب **گرافهای ایدهی تکاملی** (Evolving Idea Graphs) را معرفی کردند که با جایگزینی متون خطی با گرافهای پویا، کیفیت ایدههای علمی را متحول میکند. این سیستم در بنچمارکهای ۲۰۲۵، رقبای متنی خود را در معیارهای نوآوری و امکانسنجی شکست داد.

پژوهشگران روشی را ابداع کردهاند که در آن مدلهای زبانی بهجای بازنویسی کامل معماریهای عصبی، تنها تغییرات ضروری (Diffs) را اعمال میکنند. این رویکرد طول خروجی را تا ۸۵٪ کاهش داده و دقت مدلهای تولیدشده را بهطور چشمگیری افزایش میدهد.

معماری True Memory با جایگزینی خلاصهسازیهای زودهنگام با بازیابی دقیق (Verbatim)، استانداردهای حافظهی عاملهای هوش مصنوعی را جابهجا کرده است. این سیستم که تنها بر بستر SQLite اجرا میشود، در بازخوانی بلندمدت بهطور چشمگیری از رقبایی چون Mem0 و Zep پیشی گرفته است.

پژوهشگران با معرفی مدل FairEnc توانستند سوگیریهای نژادی و جنسیتی را از سیستمهای تشخیص بیماری گلوکوم حذف کنند. این مدل چندوجهی با استفاده از دادههای مصنوعی و یادگیری تقابلی، دقت تشخیص را برای تمامی گروههای جمعیتی یکسان میکند.

یک مقاله پژوهشی جدید با معرفی اپراتور میانگین هارمونیک اصلاحشده، مشکل عدم دقت نرخ پاداش در SMDPها را حل کرده است. این رویکرد باعث میشود الگوریتمهای RL حتی در محیطهای غیرایستا نیز پایداری خود را حفظ کنند.

پژوهشگران با معرفی مدل TechToken، سیگنالهای نوآوری را در زبان پتنتها کشف کردهاند. این مدل ترنسفورمر-محور میتواند ترکیبهای تکنولوژیک جدید را دههها پیش از ظهور واقعیشان پیشبینی کند.

یک مجموعه داده جدید از ردیابی چشم نشان میدهد که یادگیرندگان زبان دوم ابتدا اصطلاحات را بهصورت تحتاللفظی پردازش میکنند. این منبع، معیاری حیاتی برای سنجش میزان شباهت درک مدلهای زبانی بزرگ به پردازشهای ذهنی انسان فراهم میکند.

پژوهشگران با معرفی StoryAlign، شکاف میان منطق ماشین و جذابیت روایتهای انسانی را هدف قرار دادهاند. این مدل با آموزش روی ۱۰۰ هزار جفت ترجیح، استانداردهای جدیدی را برای تولید داستانهای گیرا تعریف میکند.

محققان چارچوب QpiGNN را معرفی کردند که تخمین عدم قطعیت در شبکههای عصبی گراف را بدون نیاز به محاسبات سنگین ممکن میکند. این مدل در ۱۹ بنچمارک مختلف، پوشش بسیار دقیقتر و بازههای پیشبینی باریکتری را ارائه داده است.

پژوهشگران با معرفی چارچوب FLO-EMD، دقت تشخیص ترافیک شهری را به ۹۷.۵ درصد رساندند. این سیستم با ترکیب تحلیلهای مکانی و دینامیکهای زمانی، مشکل خطاهای بصری در مدلهای سنتی را حل کرده است.

انسانها در شناسایی جعلهای عمیق پیشرفته، بهویژه مدلهای ترکیبی صوتی-تصویری، بهشدت ناتوان هستند. این مطالعه نشان میدهد که تکیه بر شهود انسانی برای تشخیص محتوای دستکاریشده دیگر کاربردی ندارد.

محققان با استفاده از Gemini 2.5 Pro سیستمی برای خلق «همزادهای شناختی» ساختهاند که میتواند الگوهای تفکر انسان را با دقت ۷۵ درصد بازسازی کند. این دستاورد، مسیر آموزش شخصیسازیشده را از تقلید ساده به درک عمیق ساختار ذهن تغییر میدهد.

مدل جدیدی به نام Gyan با جایگزینی معماری ترنسفورمر، توهمات را حذف و هزینههای محاسباتی را به شدت کاهش داده است. این مدل با جداسازی نمایش دانش از پردازش زبان، استانداردهای جدیدی در عملکرد SOTA تعریف میکند.

سیستم AICoFe با ترکیب سه مدل زبانی پیشرو، بازخوردهای پراکنده دانشجویان را به نقدهای ساختاریافته و کاربردی تبدیل میکند. این رویکرد چندمدلی، ناهماهنگیهای مزمن در ارزیابیهای دانشگاهی را هدف قرار داده است.

ابزار جدید AISSA با بهرهگیری از ChatGPT 5.2، بازخورد خودکار و مبتنی بر سنجه را برای اسلایدهای دانشجویان ممکن کرده است. نتایج یک مطالعه آزمایشی نشان میدهد که این سیستم نهتنها قابل اعتماد است، بلکه به دانشجویان کمک میکند تا کیفیت کارهای خود را بهصورت تکرارشونده ارتقا دهند.

پژوهشگران ابزاری به نام musicPIIrate ساختهاند که میتواند ویژگیهای حساس شخصی را تنها از طریق پلیلیستهای عمومی استخراج کند. برای مقابله با این تهدید، چارچوب JamShield معرفی شده تا با تزریق دادههای جعلی، اثر این حملات را کاهش دهد.

مدلهای SOC-ICNN اکنون امکان بازیابی دقیق مؤلفههای هندسی مانند هسینها را فراهم کردهاند. این تحول، استنتاج را از یک فرآیند جعبهسیاه به یک سیستم شفاف و ریاضی تبدیل میکند.

پژوهشگران با معرفی FaithfulFaces، مشکل تغییر ناگهانی چهره در ویدیوهای تولید شده توسط هوش مصنوعی را حل کردند. این سیستم با استفاده از بردار معنایی زوایای اویلر، ثبات چهره را حتی در حرکات شدید و انسدادها تضمین میکند.

پژوهشی جدید ثابت میکند رمزگذارهای ترنسفورمر میتوانند مدارهای محاسباتی پیچیده را شبیهسازی کنند. این کشف تئوریک، شکاف میان معماریهای عصبی و منطق سختافزاری را میپرهیزد.

پژوهشگران چارچوب MB2L را برای همراستاسازی سیگنالهای EEG با تصاویر دیجیتال توسعه دادهاند. این سیستم با تقلید از پردازشهای قشر مغز، دقت خیرهکنندهای در بازیابی تصاویر بدون آموزش قبلی (Zero-shot) به دست آورده است.

**CodeEvolve** چارچوبی تکاملی است که با ترکیب **مدلهای زبانی بزرگ** و تحلیل زمان اجرا، کدهای سازمانی را بهطور خودکار بهینه میکند. این سیستم با دستیابی به افزایش سرعت ۱۵.۲۲ برابری در جاوا، استانداردهای بهرهوری نرمافزاری را جابهجا کرده است.

پژوهشگران پلتفرم DTap را برای شناسایی نقاط ضعف امنیتی عاملهای هوش مصنوعی معرفی کردند. این سیستم با شبیهسازی بیش از ۵۰ محیط واقعی، از نشت دادهها و تراکنشهای غیرمجاز جلوگیری میکند.

پژوهشگران با معرفی SemGrad، روشی برای شناسایی توهمات مدلهای زبانی بدون نیاز به نمونهبرداریهای تکراری و هزینهبر ابداع کردند. این متد با تحلیل گرادینتها در فضای معنایی، هزینه محاسباتی تشخیص خطاها را بهشدت کاهش میدهد.

یک مدل محاسباتی جدید با ترکیب یادگیری کتابخانهای و گرافهای ای، در تلاش است تا منطق درونی و شهود موسیقی جاز را رمزگشایی کند. این سیستم به جای پیشبینی سادهی نتها، به دنبال یافتن کوتاهترین و دقیقترین توضیحات ساختاری برای الگوهای هارمونیک است.

پژوهشگران با معرفی ۱۹ دستورالعمل طراحی جدید، شکاف عمیق میان ابزارهای آموزشی کودکان و نیازهای متخصصان بزرگسال را پر کردند. این چارچوب، نقشهی راهی برای ساخت سیستمهای هوش مصنوعی است که با اهداف شغلی و محدودیتهای زمانی بزرگسالان همراستا باشد.

پژوهشگران با معرفی VocalParse، تبدیل صدای خواننده به نتهای موسیقی را خودکار کردند. این مدل با بهرهگیری از مدلهای زبانی صوتی بزرگ، مشکل همراستاسازی متن و نت را در سبکهای متنوع موسیقی حل کرده است.

پژوهشگران با معرفی RefCD، عصر جدیدی از تشخیص اشیاء بدون نیاز به برچسبهای انسانی را آغاز کردند. این مدل با تکیه بر شباهت ویژگیها، شکاف میان روشهای گرانقیمت تک-نمونه و مدلهای بدون نظارت را پر میکند.

یک چارچوب ریاضی جدید به اپراتورهای هوش مصنوعی اجازه میدهد اندازه دقیق خوشههای GPU را محاسبه کنند. این روش با مدلسازی محدودیتهای حافظه، از رشد بیرویه صفها و هزینههای اضافی جلوگیری میکند.

مدل HeterSEED با جداسازی کانالهای معنایی و ساختاری، سوگیری پیشبینی در گرافهای ناهمگن را از بین میبرد. این چارچوب در شبکههای عظیم با میلیونها گره، دقتی بسیار فراتر از GNNهای استاندارد ارائه میدهد.