پرش به محتوای اصلی

موضوع

بازتولیدپذیری هوش مصنوعی

گزارش‌ها و تحلیل‌های مربوط به توانایی تکرار و تأیید نتایج پژوهش‌های هوش مصنوعی

۳۳۹ مقاله منتشر شده

«فقط در صورت درخواست صداقت»؛ شرط افشای نقص‌های فنی توسط LLMها

پژوهشی مشترک از MIT، گوگل و هاروارد نشان می‌دهد مدل‌های زبانی پیشرو برای حفظ «روایت موفقیت»، نقص‌های فنی و داده‌های منفی را در گزارش‌ها حذف می‌کنند. این مدل‌ها تنها در صورتی صادق…

۹ دقیقه خواندن۲

شکاف ۱۸ امتیازی بین مدل‌های باز و بسته در وظایف پیچیدهٔ عامل‌محور

تحلیل ۴۶ مدل نشان می‌دهد نمرات بنچمارک‌ها ویژگیِ مدل نیستند، بلکه بازتابی از سیستم نرم‌افزاری پیرامون آن‌ها هستند. در حالی که مدل‌های وزن‌باز در تکالیف کوتاه به رقبای تجاری…

۵ دقیقه خواندن۳

ریاضیدانان از آزمایشگاه‌های AI خواستند بودجهٔ درک انسانیِ اثبات‌ها را تأمین کنند

اتحادی از ریاضی‌دانان خواستار توقف انتشار نتایج ریاضی توسط مدل‌های بسته است. آن‌ها تأکید دارند که آزمایشگاه‌های هوش مصنوعی باید بودجه و شفافیت لازم را برای تبدیل «پاسخ‌های…

۷ دقیقه خواندن۴
آموزش کاربردی

ابزار livenerf افتِ پنهانیِ کیفیت مدل‌های هوش مصنوعی را اثبات می‌کند

پلتفرم متن‌باز livenerf با استفاده از تحلیل آماری و پروتکل‌های ثبت‌شده، امکان شناسایی «نرف کردن» یا کاهش عمدی توانمندی‌های مدل‌ها پس از عرضه را فراهم می‌کند. این ابزار بحث‌های…

۱۲ دقیقه خواندن۲
آموزش کاربردی

تست ساختاری انویدیا: پایان ارزیابی‌های حسی در عامل‌های هوش مصنوعی

انویدیا چارچوبی قطعی برای تست عامل‌های هوش مصنوعی معرفی کرد که به‌جای بررسی متن، بر داده‌های ساختاریافته متمرکز است. این روش مانع از آن می‌شود که تغییرات کوچک در پرامپت‌ها، باعث…

۹ دقیقه خواندن۲
آموزش کاربردی

ابزار android-ui-renderer-mcp توهمات بصری عامل‌های کدنویس را حذف کرد

یک ابزار متن‌باز جدید به عامل‌های هوش مصنوعی اجازه می‌دهد صفحات پیچیده اندروید را بدون نیاز به اجرای کامل اپلیکیشن رندر کنند. این سیستم با جایگزینی داده‌های پویا با مدل‌های قطعی،…

۶ دقیقه خواندن۴

انتشار ۲۵۸ مقاله در یک سال؛ جنجال تولید انبوه پژوهش با هوش مصنوعی

نیکولاس پولسون، استاد دانشگاه شیکاگو، با انتشار ۲۵۸ مقاله در سال ۲۰۲۶ بحث‌های شدیدی را درباره مرز میان بهره‌وری و «اشغال فکری» برانگیخته است. منتقدان این حجم از تولید را نتیجه…

۱۰ دقیقه خواندن۲
آموزش کاربردی

چرا نظارت بر زنجیرهٔ افکار، رفتار عامل‌های هوشمند را تغییر می‌دهد؟

ثبت گزارش‌های استدلالی در عامل‌های هوش مصنوعی، اثر مشاهده‌گری ایجاد می‌کند و نحوه حل مسئله توسط مدل را تغییر می‌دهد. توسعه‌دهندگان برای حفظ اصالت رفتار مدل، باید به‌جای درخواست…

۳ دقیقه خواندن
آموزش کاربردی

پروژه Jevstiller: تضمین ۹۸ درصدی در بازتولید پاسخ‌های مدل‌های بزرگ

سامانه Jevstiller با استفاده از یک مسیریاب مدل محلی، پاسخ‌های مدل‌های بزرگ را با تضمین ریاضی بازتولید می‌کند. این روش تأخیر استنتاج را از ۳۰۰ میلی‌ثانیه به ۱۵ میلی‌ثانیه کاهش…

۹ دقیقه خواندن۳

گوگل: چارچوب RRSI احتمال بیش‌برازش را در عامل‌های هوش مصنوعی کاهش داد

گوگل چارچوب RRSI را برای جلوگیری از بیش‌برازش (Overfitting) در عامل‌های هوش مصنوعی معرفی کرد. این سیستم با اعمال محدودیت‌های منظم‌ساز، اجازه می‌دهد عامل‌ها بدون حفظ کردن پاسخ‌های…

۵ دقیقه خواندن

استونی با استقرار هوش مصنوعی حاکمیتی داده‌های سلامت ملی را فعال کرد

استونی با همکاری شرکت Owkin، پلتفرم K Pro را در زیرساخت‌های امن ملی خود ادغام کرد تا پژوهشگران بتوانند بدون خروج داده‌ها از مرزهای کشور، تحلیل‌های پزشکی در مقیاس جمعیت انجام دهند.

۴ دقیقه خواندن۱
آموزش کاربردی

۲ معیار کلیدی برای جایگزینی تست‌های سنتی در مدل‌های زبانی

تست‌های سنتی مبتنی بر تطابق دقیق متنی برای مدل‌های زبانی ناکارآمد هستند زیرا پاسخ‌های درست می‌توانند به شکل‌های بی‌شماری بیان شوند. توسعه‌دهندگان باید از رویکرد لایه‌ای ترکیبی،…

۲ دقیقه خواندن۱