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

پژوهشگران ابزار متنباز HalluCiteChecker را برای شناسایی ارجاعات جعلی در مقالات علمی معرفی کردند. این ابزار سبک، بدون نیاز به GPU و بهصورت آفلاین روی CPUهای معمولی اجرا میشود تا بار دستی داوران مقالات را کاهش دهد.

یک چارچوب سلسلهمراتبی جدید با ترکیب قوانین قطعی و یادگیری تقویتشده، ایمنی پهپادها را در عملیات امداد و نجات متحول کرده است. این سیستم حتی بدون پیشآموزش، نرخ برخوردها را کاهش داده و سرعت یادگیری عامل را بهطور چشمگیری افزایش میدهد.

ViCrop-Det یک چارچوب استنتاج بدون نیاز به آموزش است که با استفاده از آنتروپی توجه، دقت تشخیص اشیاء کوچک را بهطور چشمگیری افزایش میدهد. این متد بدون تغییر در وزنهای مدل، mAP را در مدلهایی مثل RT-DETR بهبود میبخشد.

یک مدل تخصصی Qwen2.5-7B در تریاژ پزشکی از GPT-4o پیشی گرفت. این نتیجه ثابت میکند تنظیم دقیق روی دادههای بالینی بسیار موثرتر از تکیه بر مدلهای عمومی عظیم است.

پژوهشگران یک عامل خودکار به نام XDFT طراحی کردهاند که دلیل شکست محاسبات نظریه تابعی چگالی در تطبیق با دادههای تجربی را تشخیص میدهد. این سیستم با نرخ موفقیت ۷۸ درصد، بهطور چشمگیری از مدلهای زبانی ایستا پیشی گرفته است.

پژوهشگران اثر «مهارت غالب» را کشف کردند؛ پدیدهای که در آن یک مهارت تکنفره میتواند نرخ موفقیت کل یک تسک رباتیک را به شدت تغییر دهد. راهکار جدید برای بهروزرسانی مهارتها بدون نیاز به بازبینی کامل و هزینهبر سیستم ارائه شده است.

یک چارچوب پژوهشی جدید پیشنهاد میکند که اعتماد در AI پزشکی نباید نتیجهی جانبی دقت مدل باشد، بلکه باید به عنوان یک ویژگی مهندسیشده و قابل اندازهگیری طراحی شود. این معماری لایهبندی شده، منطق قطعی را با نظارت انسانی ترکیب میکند تا ایمنی و ردیابیپذیری را تضمین کند.

پژوهشگران با طراحی یک خط لوله تطبیقی، ثابت کردند که استفاده از انگلیسی ساده در زمان بحرانها، سرعت و دقت ترجمه را بهشدت افزایش میدهد. این سیستم با تمرکز بر مدلهای زبانی کوچک، خوانایی پیامها را بدون کاهش دقت بهبود میبخشد.

پژوهش جدید SynSur ثابت کرد که دادههای مصنوعی به تنهایی نمیتوانند جایگزین نمونههای واقعی صنعتی شوند. با این حال، ترکیب این دو منبع، دقت تشخیص عیوب را در محیطهای کمداده بهطور چشمگیری افزایش میدهد.

پژوهشگران محیط FutureWorld را برای آموزش عاملهای هوش مصنوعی زاینده به پیشبینی رویدادهای واقعی طراحی کردهاند. این سیستم با بستن حلقهی یادگیری بین پیشبینی و نتیجه، امکان تکامل لحظهای مدلها را فراهم میکند.

مدل جدید Star-Fusion با تغییر رویکرد از رگرسیون به طبقهبندی گسسته، مشکل «گمشدن در فضا» را حل کرده است. این معماری چندوجهی با دقت ۹۳.۴ درصد و تأخیر بسیار کم، استقرار ماهوارههای نسل جدید را متحول میکند.

یک خط لولهی پژوهشی جدید با تبدیل برنامهها به گرافهای صفتدار، امکان بازیافت مصنوعات تأیید کد را فراهم کرده است. این سیستم با ترکیب تحلیل ساختاری و بردارهای معنایی، شباهتهای منطقی را در زبانهای C، Java و C# شناسایی میکند.

پژوهشگران چارچوب جدیدی به نام AI Council را برای مقابله با «توافق مصنوعی» در شبیهسازیهای چند-عاملی معرفی کردند. این روش با جایگزینی مدلهای متنوع ۷ تا ۹ میلیارد پارامتری، مانع از همسویی اجباری مدلها شده و تنوع دیدگاهها را در تصمیمگیریهای سیاستی بهشدت افزایش میدهد.

پژوهشگران با معرفی چارچوب DUAL-BLADE، گلوگاه حافظه در رایانش لبه را با حذف حافظهی صفحهی هسته (Kernel Page Cache) شکستند. این سیستم تأخیر استنتاج را بهطور چشمگیری کاهش داده و بهرهوری SSD را برای مدلهای زبانی بزرگ در دستگاههای محدود به حافظه بهینه میکند.

پژوهشگران با معرفی TLPO، راهکاری برای پایان دادن به تغییر زبان ناگهانی در مدلهای چندزبانه ابداع کردند. این روش برخلاف متدهای سنتی، بدون تخریب هوش کلی مدل، خطاهای زبانی را در سطح توکن اصلاح میکند.

یک چارچوب جدید و بدون نیاز به آموزش، دقت مدلهای استدلالی بزرگ در مسائل ریاضی را ۳ تا ۷ درصد افزایش داده است. این روش با جایگزینی نمونهبرداری انبوه با یک سیستم مسیریابی هوشمند، هزینههای محاسباتی استنتاج را بهشدت کاهش میدهد.

پژوهشگران راهکاری برای استفاده از دادههای متنی خالص جهت ارتقای مدلهای تشخیص گفتار یافتهاند. این مطالعه نشان میدهد پیکربندیهای ساده، مانند مدلهای مدتزمان تصادفی، اغلب از خط لولههای آموزشی پیچیده بهتر عمل میکنند.

پژوهشگران راهکاری برای کاهش تأخیر در مدلهای چندوجهی (VLM) ابداع کردهاند که ارتباط بین دستگاههای لبه و ابر را بهینه میکند. این سیستم با استفاده از Meta AutoEncoder، دادههای بصری را بدون نیاز به تنظیم دقیق، فشرده و ارسال میکند.

پژوهشگران با معرفی Quantum Gatekeeper، استگانوگرافی را به سطح جدیدی از امنیت بردند. این سیستم با استفاده از محاسبات کوانتومی، هرگونه تلاش برای استخراج ناقص دادهها را به شکست کامل تبدیل میکند.

پژوهشگران چارچوب جدیدی به نام Tree-of-Text معرفی کردهاند که تبدیل جداول پیچیده به گزارشهای متنی را متحول میکند. این روش با کاهش شدید توهمات، هزینههای عملیاتی را تا ۶۰ درصد نسبت به متدهای پیشین کاهش داده است.

مدل STLGT با استفاده از یک ترنسفورمر گراف خطی، پیشبینی تأخیر در میکروسرویسها را ۱۲ برابر سریعتر کرد. این معماری جدید دقت پیشبینی p95 را افزایش داده و هزینه استنتاج را به شدت کاهش میدهد.

یک مطالعه جدید نشان میدهد استانداردهای ایمنی هوش مصنوعی غربی در محیطهای غیرغربی مانند عربستان سعودی شکست میخورند. تضاد بین ارزشهای فرهنگی و مدلهای امنیتی فعلی، کاربران جوان را در معرض خطرات حریم خصوصی قرار داده است.

SecMate یک دستیار هوش مصنوعی عاملمحور است که با تحلیل دادههای دستگاه و کاربر، دقت حل مشکلات امنیتی را به بیش از ۹۰ درصد رسانده است. این سیستم ثابت کرد که در اکثر سناریوهای عیبیابی، میتواند جایگزین متخصصان انسانی IT شود.

محققان با معرفی چارچوب Visual-Idk، مدلهای بینایی-زبانی را قادر ساختند تا مرزهای دانش خود را بشناسند و از توهمات پرهیز کنند. این متدولوژی نرخ صداقت مدلها را از ۵۷.۹٪ به ۶۷.۳٪ رسانده است.

پژوهشی جدید نشان میدهد مدلهای ترجمه سنتی در حفظ چیدمان بصری متون، از مدلهای زبانی بزرگ پیشی میگیرند. این نتیجهی غیرمنتظره، نیاز صنعت طراحی به معماریهای ترکیبی را بیش از پیش نمایان میکند.

پژوهشگران چارچوب جدیدی برای یادگیری تقویتشده ابداع کردهاند که با مدلسازی عدم قطعیت، مانع از «تقلب» عاملها برای کسب امتیاز میشود. این روش رفتارهای مخرب هک پاداش را تا ۹۳.۷ درصد کاهش داده و مسیر را برای سیستمهای هوش مصنوعی ایمنتر هموار میکند.

پژوهشگران چارچوب TimeMM را معرفی کردند که با استفاده از فیلترینگ طیفی شرطیشده با زمان، تغییرات سریع سلیقه کاربران را مدل میکند. این سیستم با تعادل پویا میان دادههای بصری و متنی، عملکرد مدلهای توصیهگر چندوجهی را متحول میکند.

پژوهشگران با معرفی چارچوب ACPO، مشکل «انحراف ادراکی» در مدلهای انتشار را حل کردند. این سیستم با استفاده از تنظیمات مبتنی بر لنگر، کیفیت بصری تصاویر را بدون ایجاد ناپایداری در آموزش افزایش میدهد.

پژوهشگران چارچوب جدیدی به نام DSIPA را معرفی کردند که با شناسایی «صلبیت عاطفی» مدلهای زبانی، متون ماشینی را تشخیص میدهد. این سیستم در حوزههای خبری و آکادمیک، دقت تشخیص را تا ۵۰ درصد نسبت به روشهای پیشین افزایش داده است.

مدل MedSynapse-V با جایگزینی توکنبندی گسسته با سیستم حافظه پنهان، توانسته است «شهود بالینی» را در تشخیصهای پزشکی شبیهسازی کند. این چارچوب در دقت تشخیص، عملکردی بهمراتب برتر از روشهای متداول زنجیره تفکر دارد.