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

تیمی از پژوهشگران چارچوب «راهنمای پیمایش متوالی» را معرفی کردند. این روش به خودروهای خودران کمک میکند اطلاعات مسیریابی جهانی را بهتر پردازش کنند. مدل SNG-VLA بدون نیاز به قابلیتهای کمکی، به عملکرد پیشرفته دست یافت.

پژوهشگران چارچوب **PR-MaGIC** را معرفی کردند که بدون نیاز به آموزش، پرامپتها را از طریق جریان گرادیان دیکودر ماسک **سام** (SAM) اصلاح میکند. این روش بدون تغییر معماری یا داده اضافی، کیفیت بخشبندی درونمتنی تصویر را ارتقا میدهد.

پژوهشگران چارچوبی ارائه دادند که الگوهای زاید در سیستمهای خوشهبندی تفسیرپذیر را حذف میکند. این روش با حفظ تنها یک الگوی نماینده برای هر پوشش k، فضای جستجو را بهطور چشمگیری کاهش میدهد. آزمایشها نشان دادهاند کیفیت خوشهها نهتنها افت نکرده، بلکه در برخی موارد بهبود یافته است.

پژوهشگران چارچوب دفاعی Safe-FedLLM را معرفی کردند که با تحلیل بهروزرسانیهای LoRA بهعنوان نشانگرهای رفتاری، کلاینتهای مخرب را شناسایی و سرکوب میکند. این روش بدون کاهش محسوس سرعت آموزش، امنیت سیستمهای یادگیری فدرال را ارتقا میدهد. رویکرد جدید به مسئلهای حیاتی در یادگیری ماشین حفظ حریم خصوصی میپردازد.

پژوهشگران «الامام-سرچر» را توسعه دادهاند؛ چارچوبی که با انتقال داراییهای بصری به حافظه خارجی و استفاده از شناسههای متنی سبک، سربار پردازش را کاهش میدهد. این سیستم قادر است ۱۰۰ گام جستجو را بدون از دست دادن اطلاعات بصری پشت سر بگذارد.

پژوهشگران دریافتند بنچمارکهای فعلی به جای تسلط واقعی بر زبان، توانایی ریاضی و یادآوری اطلاعات را میسنجند. روش ترجمه رفتوبرگشتی با رتبهبندی کاربران همبستگی ۰.۹۴ نشان داده است. این رویکرد میتواند جایگزین سادهتر و دقیقتری برای سنجش تواناییهای چندزبانه باشد.

پژوهشگران روشی معرفی کردهاند که از دستهبندهای چندبرچسبی برای هدایت الگوریتمهای تکاملی در فرآیند تولید تصویر استفاده میکند. این رویکرد بهجای بهبود توصیهها از پیش یا تقویت مدلها، فشار انتخاب تکاملی را در لحظه تولید اعمال میکند.

پژوهشگران روشی مبتنی بر یادگیری تقویتی ارائه کردهاند که به مدلهای زبانی کمک میکند با درخواستهای مبهم کاربران بهتر کنار بیایند. این رویکرد به جای تکیه بر یک تفسیر واحد، طیفی از برداشتهای معتبر را به همراه پاسخهای متناظرشان فهرست میکند. آزمایشها نشان دادهاند که این روش هم پوشش بالاتری از پاسخهای معتبر دارد و هم شفافیت بیشتری ارائه میدهد.

سیستم جدید **QuarkMedSearch** با ادغام گرافهای دانش پزشکی و جستجوی آنلاین بلادرنگ، توانایی هوش مصنوعی در حوزههای تخصصی را به سطح بالاتری ارتقا داده است. این سیستم در سه محور کلیدی شامل سنتز داده، آموزش مدل و ارزیابی عملکرد طراحی شده و به نتایج چشمگیری دست یافته است.

پژوهشگران «لتنتریفیوژال» را معرفی کردند؛ روشی که با تحلیل فعالسازیهای لایه پنهان مدلهای زبانی بزرگ، پرسشهای مبهم یا بیپاسخ را شناسایی میکند. این رویکرد امتیاز افوان ۸۸.۵ درصدی دارد و تنها ۲ میلیثانیه اضافهبار محاسباتی ایجاد میکند.

پژوهشی تازه نشان داده که کدهای تولیدشده توسط مدلهای زبانی بزرگ در کاربردهای ایمنی ساختمان، اغلب از نظر دستوری درست به نظر میرسند اما درک عمیقی از خطرات محیط ساختوساز ندارند. این مطالعه تجربی بر ضعفهای جدی در حفاظت از کارگران و ساکنان تأکید دارد.

متا از Muse Spark رونمایی کرد — اولین مدل جدید این شرکت پس از یک سال و اولین محصول آزمایشگاه ابرصنعتی متا. این مدل کاملاً اختصاصی است و برخلاف مدلهای قبلی، دسترسی آزاد به وزنها یا کد آن وجود ندارد. در معیار سلامت HealthBench Hard با امتیاز ۴۲.۸ پیشتاز است.

محققان **دانشگاه استنفورد** سیستمی مبتنی بر **هوش مصنوعی زاینده** (Generative AI) برای تولید خودکار خلاصه پرونده بیماران در کمیسیونهای تومور قفسه سینه توسعه دادند. این تیم با مقایسه روشهای مختلف و اعتبارسنجی ارزیابی مبتنی بر مدلهای زبانی بزرگ، چارچوبی عملیاتی برای کاهش بار کاری پزشکان ارائه کرده است.

پژوهشگران روشی تازه برای هماهنگی مدلهای زبانی بزرگ معرفی کردهاند. این سامانه با فعالسازی هوش مصنوعی زاینده (Generative AI) در مرزهای تصمیمگیری، دقت را تا ۲۶.۷۵ درصد افزایش میدهد. بهینهساز پویای آستانه، هزینههای عملیاتی را کاهش میدهد.

تیمی از پژوهشگران روش **توربو-دیدیسیام** را معرفی کردهاند که فشردهسازی تصویر مبتنی بر انتشار را بدون نیاز به دادهی آموزشی، سریعتر و کمهزینهتر میکند. نوآوری اصلی این روش در ترکیب کارآمد بردارهای نویز متعدد در هر مرحلهی حذف نویز است. همچنین دو نسخهی انعطافپذیر برای سناریوهای اولویتمحور و کنترل کیفیت ارائه شده است.

محققان **TRUST Agents** را معرفی کردهاند؛ چارچوبی چندعامله برای تأیید واقعیت و تشخیص اخبار جعلی. این سیستم با شکستن ادعاها، بازیابی شواهد و تولید گزارشهای قابل فهم، شفافیت فرآیند استدلال را در اولویت قرار میدهد. اگرچه مدلهای نظارتشده سنتی در دقت خام همچنان پیشتازند، این رویکرد تفسیرپذیری را به سطح بالاتری ارتقا داده است.

استارتاپ هندی ایمرجنت وینگمن را معرفی کرد — یک عامل هوش مصنوعی خودمختار که مستقیماً در پیامرسانهایی مانند واتساپ و تلگرام کار میکند. این محصول با ۸ میلیون کاربر موجود و ۷۰ میلیون دلار سرمایه، مرز تازهای در تعامل انسان و هوش مصنوعی ترسیم میکند.

تیمی از پژوهشگران مدل **مانتس** (Mantis) را توسعه دادهاند که صرفاً از شبیهسازیهای مکانیکی آموزش دیده و با وجود عدم مواجهه با دادههای واقعی، از تمام مدلهای مرکز کنترل بیماری آمریکا بهتر عمل کرد. این مدل در پیشبینی ۱۶ بیماری با مکانیزمهای انتقال متفاوت رتبه دوم یا بهتر را کسب کرد.

پژوهشگران چارچوب موبی را معرفی کردند که اولین راهکار دودوییسازی مخصوص مدلهای زبانی بزرگ مبتنی بر مخلوط کارشناسان است. این چارچوب سه چالش کلیدی را حل میکند و سرعت استنتاج را بیش از دو برابر افزایش میدهد. نتایج روی کوان۳-30B-A3B نشاندهنده کاهش 52.2 درصدی سردرگمی است.

پژوهشگران مجموعه داده DecompSR را با بیش از ۵ میلیون نمونه منتشر کردند تا توانایی استدلال فضایی ترکیبی مدلهای زبانی بزرگ را بسنجند. یافتهها نشان میدهد این مدلها در تعمیمدهی مولد و منظم ضعفهای جدی دارند، اما در برابر تغییرات زبانی مقاومتر عمل میکنند.

**LLM-HYPER** از مدلهای زبانی بزرگ بهعنوان ابرشبکه (هایپرنتورک) برای تولید پارامترهای تخمینگر نرخ کلیک استفاده میکند. این روش بدون نیاز به آموزش سنتی، دوره شروع سرد تبلیغات جدید را بهشدت کاهش میدهد. آزمایشهای عملی در یک پلتفرم تجارت الکترونیک پیشرو در آمریکا، کاهش چشمگیر این دوره و بهبود ۵۵.۹ درصدی در معیار NDCG@10 را تأیید کرده است.

پژوهشگران تشخیص اسناد را بهعنوان وظیفه رونویسی بازتعریف کردند. آنها **سوگیریهای استقرایی رابطهای** (relational inductive biases) را برای مدلهای ترانسفورمر طراحی کردند که اسناد مهندسی و نتنویسی را هدف میگیرند. این رویکرد بر درک ساختاری تمرکز دارد، نه پردازش صرفاً بصری.

**پاراسیل** با ۳۲ میلیون دلار سرمایه دور الف از تورینگ کپیتال و کیندرد ونچرز خارج شد. این استارتاپ روزانه ۵۰۰ میلیارد توکن را در ۴۰ مرکز داده پردازش میکند. سرمایهگذاران پیشبینی میکنند استنتاج حداقل ۲۰ درصد هزینههای توسعه نرمافزار آینده را تشکیل دهد.

گوگل قابلیت جستجوی زنده مبتنی بر هوش مصنوعی زاینده خود را به بیش از ۲۰۰ کشور و منطقه گسترش داد. این قابلیت از مدل جدید **Gemini 3.1 Flash** برای مکالمات طبیعی چندزبانه بهره میبرد. کاربران میتوانند از طریق صدا یا دوربین با جستجوی گوگل تعامل کنند.

سیستم EMBER با ترکیب یک شبکه عصبی اسپایکینگ ۲۲۰ هزار نورونی با مدلهای زبانی بزرگ، رفتار خودمختار را بدون نیاز به محرک خارجی ممکن ساخته است. این معماری از صفر وزن یادگرفته و پس از تنها ۷ تبادل مکالمهای، نخستین اقدام مستقل را آغاز کرد.

روش جدید **RALP** نشان داده است که یادگیری پرامپت میتواند روشهای سنتی بازنمایی گراف دانش را با اختلاف بیش از ۵ درصد شکست دهد. این رویکرد با تبدیل عناصر گراف به سازههای زبانی and استفاده از **هوش مصنوعی زاینده** (Generative AI)، تنها با کمتر از ۳۰ نمونه آموزشی به این نتایج دست یافته است.

اقتصاددانان اذعان میکنند ابزارهای پیشبینی تأثیر هوش مصنوعی بر نیروی کار ناکافی است. یک پژوهشگر خواستار جمعآوری دادههای بهتر برای درک چگونگی بازتعریف مشاغل توسط اتوماسیون شده است.

گوگل مدل جدید **Veo 3.1 Lite** را به خانواده محصولات ویدیویی خود اضافه کرد. این مدل با قیمتی کمتر از نیمی از Veo 3.1 Fast عرضه میشود اما سرعت پردازش یکسانی ارائه میدهد. توسعهدهندگان از امروز میتوانند از طریق **Gemini API** (رابط برنامهنویسی کاربردی جمینی) و **Google AI Studio** (محیط توسعه هوش مصنوعی گوگل) به این مدل دسترسی داشته باشند.

گوگل جدیدترین مدل صوتی خود، **جمینای ۳.۱ فلش لایو** (Gemini 3.1 Flash Live) را عرضه کرد. این مدل در معیار ComplexFuncBench به امتیاز ۹۰.۸٪ دست یافته و گفتگوی بلادرنگ را در بیش از ۲۰۰ کشور از طریق Search Live و Gemini Live پشتیبانی میکند. شرکای اولیهای مانند **ورایزن** (Verizon) و **لایوکیت** (LiveKit) این فناوری را در جریانهای کاری خود ادغام کردهاند.

پژوهشگران KG-Reasoner را معرفی کردند؛ چارچوبی که با یادگیری تقویتی، مدلهای زبانی را برای استدلال چندمرحلهای روی گرافهای دانش آموزش میدهد. این رویکرد در هشت معیار سنجش به عملکرد برتر دست یافته است.