تازه‌ترین اخبار

TimeSAF: ادغام ناهمگام معنایی برای پیش‌بینی سری‌های زمانی

پژوهشگران چارچوبی نوین به نام TimeSAF توسعه داده‌اند که محدودیت‌های اساسی مدل‌های زبانی بزرگ در پیش‌بینی سری‌های زمانی را برطرف می‌کند. این روش با جداسازی یادگیری ویژگی‌های تک‌وجهی از تعامل چندوجهی و استفاده از ادغام سلسله‌مراتبی ناهمگام، عملکردی فراتر از روش‌های پیشرفته فعلی ارائه می‌دهد.

پژوهشی جامع؛ طبقه‌بندی هوش مصنوعی برای شبیه‌سازی ترافیک خودران و انسانی

یک مرور جامع در arXiv نخستین بررسی ساختارمند از روش‌های هوش مصنوعی برای مدل‌سازی خودروهای خودران و رانندگان انسانی در شبیه‌سازی ترافیک ترکیبی را ارائه کرده است. این مطالعه رویکردها را در سه دسته‌بندی سازمان‌دهی کرده و شکاف‌های مهمی در ابزارهای شبیه‌سازی فعلی شناسایی کرده است.

تحقیق جدید: عملکرد مدل‌های زبانی با تغییرات ظریف در پرامپت تا ۶۱.۸٪ کاهش می‌یابد

پژوهشی تازه منتشر شده در arxiv.org از چارچوب ارزیابی جدیدی به نام IFEval++ رونمایی کرده که «اعتمادپذیری ظریف‌محور» در مدل‌های زبانی را می‌سنجد. بررسی ۴۶ مدل نشان داده که عملکرد آن‌ها با تغییرات جزئی در شیوه نگارش پرامپت تا ۶۱.۸٪ افت می‌کند. این یافته‌ها حاکی از آن است که معیارهای فعلی ارزیابی ممکن است اعتمادپذیری واقعی این سیستم‌ها را بیش از حد تخمین بزنند.

تست نفوذ مدل‌های استدلالی بزرگ: معیاری تازه برای سنجش اعتمادپذیری

پژوهشگران معیار RT-LRM را برای ارزیابی صداقت، امنیت و کارایی مدل‌های استدلالی بزرگ پیشنهاد کرده‌اند. یافته‌ها نشان می‌دهد این مدل‌ها در مقایسه با مدل‌های زبانی معمولی، با چالش‌های اعتمادپذیری بیشتری روبه‌رو هستند.

روشی بدون آموزش مجدد برای کاهش توهم در مدل‌های زبانی چندوجهی

پژوهشگران روش «رمزگشایی از طریق اختلال» (DeP) را معرفی کرده‌اند که بدون نیاز به آموزش مجدد، توهمات مدل‌های زبانی چندوجهی را کاهش می‌دهد. این روش با اعمال مداخلات متنی کنترل‌شده در مرحله رمزگشایی، مشکل غلبه پیش‌فرض‌های زبانی بر شواهد بصری را برطرف می‌کند و می‌تواند قابلیت اطمینان سیستم‌های هوش مصنوعی را در پردازش متن و تصویر بهبود بخشد.

آیا عوامل هوش مصنوعی برنامه‌ها را دنبال می‌کنند؟

پژوهشگران در نخستین مطالعه جامع، نزدیک به ۱۷۰۰۰ اجرای عامل هوش مصنوعی را بررسی کردند. یافته‌ها نشان داد که برنامه‌های ساختارمند عملکرد را بهبود می‌بخشند، اما برنامه‌های ضعیف طراحی‌شده می‌توانند بدتر از نبودِ برنامه باشند.

هابل از هوش مصنوعی برای کشف عوامل سودآوری در بازار سهام استفاده می‌کند

تیمی از پژوهشگران «هابل» را توسعه داده‌اند؛ چارچوبی مبتنی بر مدل‌های زبانی بزرگ که عوامل معاملاتی سودآور (آلفا) را کشف می‌کند و در عین حال ایمنی و قابلیت بازتولید را تضمین می‌نماید. آزمایش‌ها نشان داد عوامل خانواده دامنه و نوسان عملکرد مثبتی در بازه زمانی ژوئن ۲۰۲۵ تا مارس ۲۰۲۶ داشته‌اند.

اسپک‌باند: حدس‌زنی کران‌دار تطبیقی برای استنتاج سریع‌تر مدل‌های زبانی بزرگ

پژوهشگران چارچوبی به نام اسپک‌باند معرفی کرده‌اند که با استفاده از تابکاری دمایی لایه‌به‌لایه و کران‌گذاری تطبیقی بر طول حدس، سرعت استنتاج مدل‌های زبانی را تا ۲.۳۳ برابر افزایش می‌دهد. این روش بدون تغییر پارامترهای مدل پایه، نتایجی کاملاً معادل با مدل اصلی ارائه می‌کند.

دستیاران هوشمند برای ترجمه متن به مدل: چارچوبی یکپارچه

پژوهشگران چارچوبی یکپارچه به نام Text2Model و Text2Zinc معرفی کرده‌اند که با بهره‌گیری از مدل‌های زبانی بزرگ، مشکلات بهینه‌سازی را از زبان طبیعی به مدل‌های رسمی تبدیل می‌کند. این روش با استفاده از معماری MiniZinc، مستقل از حل‌کننده‌های خاص عمل می‌کند.

کمریزنر درک حرکت دوربین را با استدلال ساختاریافته بهبود می‌بخشد

پژوهشگران کمریزنر را معرفی کردند؛ چارچوبی که با استدلال ساختاریافته، درک حرکت دوربین در ویدئو را بهبود می‌دهد و به دستاوردهای دقت قابل‌توجهی در معیارهای ارزیابی دست یافته است.

پاداش‌های عقلانی: مقیاس‌بندی تولید بصری با پاداش‌های استدلالی

چارچوب RationalRewards مدل‌های پاداش چندبُعدی را معرفی می‌کند که در زمان آموزش و آزمایش، کیفیت تولیدکننده‌های تصویر را بهبود می‌بخشند. این مدل به دقت بالا در پیش‌بینی ترجیحات دست می‌یابد و در عین حال به ۱۰ تا ۲۰ برابر داده کمتری نیاز دارد.

MemJack: حملات جیل‌بریک مبتنی بر حافظه علیه مدل‌های بینایی-زبانی

پژوهشگران چارچوب «MemJack» را معرفی کرده‌اند؛ یک سیستم حمله چندعامله که با بهره‌گیری از ساختارهای معنایی تصاویر، مدل‌های بینایی-زبانی را هدف قرار می‌دهد. این روش در آزمایش‌ها علیه مدل Qwen3-VL-Plus به نرخ موفقیت ۷۱.۴۸ درصد دست یافته است. محققان همچنین مجموعه داده‌ای گسترده برای تقویت تحقیقات دفاعی منتشر خواهند کرد.

مُدیکس: روشی تطبیقی برای بهینه‌سازی موقعیت‌یابی در مدل‌های بینایی-زبان

پژوهشگران چارچوب مُدیکس را توسعه داده‌اند که بدون نیاز به آموزش، نحوه تخصیص موقعیت در مدل‌های بینایی-زبان را بر اساس چگالی اطلاعات در هر بخش تنظیم می‌کند. این روش با اختصاص دقت بیشتر به نواحی پُراطلاعات و فشرده‌سازی بخش‌های تکراری، عملکرد مدل را بدون تغییر در معماری بهبود می‌دهد.

Vec-LUT: رویکردی نوین با شتاب ۴.۲ برابری برای استنتاج LLM در لبه

پژوهشگران روش Vec-LUT را معرفی کرده‌اند که با استفاده از جدول جستجوی برداری، محدودیت‌های پهنای باند حافظه در استنتاج مدل‌های زبانی با کوانتیزاسیون فوق‌العاده کم را برطرف می‌کند. این روش با پردازش موازی نشانه‌ها از طریق جستجوی واحد، تا ۴.۲ برابر عملکرد بهتری ارائه می‌دهد. این پیشرفت می‌تواند کاربردهای هوش مصنوعی در دستگاه‌های محلی مانند گوشی‌های هوشمند و سیستم‌های تعبیه‌شده را به طور چشمگیری تسریع کند.

چارچوب IDEA: تصمیم‌گیری تفسیرپذیر در مدل‌های زبانی با کالیبراسیون

IDEA با تبدیل فرایند تصمیم‌گیری مدل‌های زبانی بزرگ به یک مدل پارامتری قابل تفسیر، مشکل احتمال‌های نادقیق، توضیحات غیرواقعی و ناتوانی در ادغام دقیق دانش تخصصی را حل می‌کند. این چارچوب از طریق بهینه‌سازی ریاضی، امکان تولید خروجی‌های قابل پیش‌بینی و تنظیم پارامترها با تضمین ریاضی را فراهم می‌آورد.

گوگل لیریا ۳ پرو را با قابلیت تولید موسیقی ۳ دقیقه‌ای عرضه کرد

گوگل مدل پیشرفته تولید موسیقی لیریا ۳ پرو را منتشر کرد که امکان ساخت قطعات تا ۳ دقیقه با درک عمیق‌تر از ساختار موسیقایی را فراهم می‌کند. این مدل در پلتفرم‌های مختلف از جمله Vertex AI، Google AI Studio، اپلیکیشن Gemini، Google Vids و ابزار جدید ProducerAI ادغام شده و دسترسی به تولید موسیقی با کیفیت بالا را برای حرفه‌ای‌ها، توسعه‌دهندگان و سازندگان محتوا آسان‌تر کرده است.

بدون عنوان

بهینه‌سازی ترجیح بصری مبتنی بر معیار برای استدلال چندوجهی

پژوهشگران rDPO را معرفی کردند؛ چارچوبی نوآورانه که از چک‌لیست‌های معیارمحور خاص هر نمونه برای بهبود استدلال بصری در سیستم‌های هوش مصنوعی چندوجهی بهره می‌برد. این روش با ارائه بازخورد دقیق‌تر به جای سیگنال‌های کلی، عملکرد مدل‌ها را به‌طور قابل توجهی ارتقا می‌دهد.

گوگل ترجمه زنده را به هدست‌های iOS آورد؛ گسترش به هفت کشور جدید

گوگل قابلیت ترجمه زنده را برای هدست‌های آیفون و آیپد منتشر کرده است. این ویژگی از بیش از ۷۰ زبان پشتیبانی کرده و هم‌اکنون به هفت کشور جدید از جمله فرانسه، آلمان، ایتالیا، ژاپن، اسپانیا، تایلند و بریتانیا گسترش یافته است.

Spatial Atlas: استدلال مبتنی بر محاسبه برای عوامل هوش مصنوعی فضایی قابل اعتماد

پژوهشگران رویکرد «استدلال مبتنی بر محاسبه» (CGR) را معرفی کرده‌اند که در آن، محاسبات قطعی پیش از تولید پاسخ توسط مدل‌های زبانی، اطلاعات فضایی را تأیید می‌کند. این روش خطاهای استدلالی موسوم به «توهم فضایی» را که سیستم‌های سنتی هوش مصنوعی با آن دست‌وپنجه نرم می‌کنند، به‌طور کامل از بین می‌برد.

MeloTune رونمایی کرد: یادگیری برانگیختگی روی دستگاه برای انتخاب هوشمند موسیقی

تیمی از پژوهشگران سیستم **MeloTune** را معرفی کرده‌اند؛ عاملی موسیقایی که الگوهای برانگیختگی هر شنونده را شناسایی و پیش‌بینی می‌کند. این سیستم با دو شبکه زمان پیوسته بسته‌ای روی آیفون اجرا می‌شود و نخستین استقرار تولیدی پروتکل حافظه مش روی سخت‌افزار موبایل است.

گوگل ۸.۳ میلیارد آگهی را در ۲۰۲۵ با هوش مصنوعی مسدود کرد؛ تغییر رویکرد اجرایی

گوگل در سال ۲۰۲۵ رکورد ۸.۳ میلیارد آگهی را مسدود کرد — ۶۳ درصد بیشتر از سال قبل. این شرکت با بهره‌گیری از مدل‌های **جمینای** (Gemini)، بیش از ۹۹ درصد آگهی‌های نقض‌کننده را پیش از نمایش شناسایی کرد و تعلیق‌های اشتباه را ۸۰ درصد کاهش داد.

چارچوب GCA؛ هوش مصنوعی زاینده برای تحلیل آب‌وهوای خلیج

پژوهشگران چارچوبی متشکل از مجموعه داده‌ای با ۲۰۰ هزار جفت پرسش‌وپاسخ و یک عامل هوش مصنوعی زاینده (Generative AI) ویژه خلیج فارس توسعه داده‌اند. این سیستم با ترکیب داده‌های ماهواره‌ای و پردازش ابزارمحور، قابلیت تحلیل آب‌وهوایی مدل‌های زبانی بزرگ را به‌طور چشمگیری ارتقا می‌دهد.

کاهش ۷.۴ درصدی نرخ تصادف با فریم‌ورک جدید Multi-ORFT در رانندگی خودران چندعاملی

تیمی از پژوهشگران فریم‌ورک **Multi-ORFT** را معرفی کردند که پیش‌آموزش انتشار مبتنی بر صحنه و یادگیری تقویتی آنلاین را برای برنامه‌ریزان چندعاملی ترکیب می‌کند. این روش نرخ تصادف را در معیار WOMD از ۲.۰۴ به ۱.۸۹ درصد کاهش داده و سرعت متوسط را ۳ درصد افزایش می‌دهد.

پژوهش تازه: مدل‌های زبانی بزرگ در درک مفاهیم انتزاعی ناتوان‌اند

پژوهشی تازه نشان می‌دهد مدل‌های زبانی بزرگ، از جمله **جی‌پی‌تی-۴او**، در درک مفاهیم انتزاعی حتی در ساده‌ترین سناریوها ضعیف عمل می‌کنند. مدل‌های آموزش‌دیده مانند **برت** و **روبرتا** عملکرد بهتری نشان داده‌اند. این یافته‌ها فرضیه «هرچه بزرگ‌تر، بهتر» را به چالش می‌کشد.

متابولیسم دانش پیوسته؛ تولید فرضیه با ۹۲٪ صرفه‌جویی

چارچوبی نوین برای پردازش تدریجی ادبیات علمی معرفی شد. این سیستم با کاهش ۹۲ درصدی هزینه محاسباتی، بازدهی تولید فرضیه را به‌طور چشمگیری افزایش می‌دهد. کلید اصلی: به‌روزرسانی پایگاه دانش هم‌زمان با ورود یافته‌های جدید.

محققان ۱۹۵ معیار ایمنی هوش مصنوعی را فهرست کردند؛ پراکندگی گسترده است

تیمی از پژوهشگران ابزاری به نام AISafetyBenchExplorer منتشر کرده‌اند که ۱۹۵ معیار ایمنی هوش مصنوعی را از ۲۰۱۸ تا ۲۰۲۶ مستند می‌کند. این فهرست نشان می‌دهد که تکثیر معیارها با استانداردسازی سنجش همخوانی ندارد: ۱۶۵ مورد فقط انگلیسی هستند و ۱۳۷ مخزن GitHub غیرفعال شده‌اند.

CODESTRUCT: انقلاب در عوامل کدنویسی با تبدیل ویرایش متنی به اقدامات ساختاریافته

چارچوب جدید **CODESTRUCT** ویرایش کد را از تطبیق رشته‌های شکننده به عملیات روی موجودیت‌های ساختار نحو انتزاعی (AST) بازتعریف می‌کند. این رویکرد دقت عوامل کدنویسی را تا ۲۰.۸ درصد افزایش و مصرف توکن را تا ۳۸ درصد کاهش می‌دهد.

چارچوب SNG: گامی بلند toward رانندگی خودران دقیق‌تر

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.

PR-MaGIC؛ روشی بدون آموزش برای بهبود بخش‌بندی تصویر با گرادیان سام

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.