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

سرمایه‌گذاری ۴۰ میلیون دلاری Vals برای پایان دادن به تقلب در محک‌های AI

استارتاپ Vals با جذب ۴۰ میلیون دلار سرمایه، قصد دارد محک‌های عمومی هوش مصنوعی را با آزمون‌های محرمانه و تخصصی جایگزین کند. هدف این شرکت جلوگیری از نشت داده‌ها و اندازه‌گیری…

۴ دقیقه خواندن۲

۵۰ هزار مقاله برای ICLR ۲۰۲۷؛ بحران کیفیت در عصر تولیدات هوش مصنوعی

کنفرانس ICLR با جهشی خیره‌کننده به ۵۰ هزار مقاله ارسالی رسیده است. این حجم عظیم که حاصل انگیزه‌های شرکتی و استفاده از ابزارهای نویسندگی هوش مصنوعی است، اعتبار فرآیند داوری همتا را…

۱ دقیقه خواندن۱
آموزش کاربردی

۵۵.۶٪ از گزارش‌های خطای هوش مصنوعی در بازرسی حفاظ‌ها مثبت کاذب بودند

یک بازرسی جامع نشان داد که ابزارهای هوش مصنوعی در شناسایی باگ‌های جدید بسیار ضعیف‌تر از شناسایی خطاهای شناخته‌شده عمل می‌کنند. این مطالعه هشدار می‌دهد که نشت داده در ارزیابی‌ها…

۷ دقیقه خواندن۱
آموزش کاربردی

قفل هش اوراکل؛ راهکار جدید برای جلوگیری از تقلب عامل‌های هوش مصنوعی در آزمون‌ها

یک گردش‌کار مرجع جدید با استفاده از هش‌های محتوا-محور و قرنطینه کردن فرضیات، مانع از آن می‌شود که عامل‌های هوش مصنوعی برای عبور از گیت‌های کیفی، خودِ تست‌ها را بازنویسی کنند. این…

۱۰ دقیقه خواندن۱
آموزش کاربردی

۵ باور غلط درباره محیط‌های اجرای عامل‌های هوش مصنوعی که نتایج را مسموم می‌کند

بسیاری از توسعه‌دهندگان به اشتباه تصور می‌کنند هر جلسه جدید با یک عامل هوش مصنوعی، محیطی کاملاً پاک دارد. در واقعیت، باقی‌مانده‌های حافظه پنهان و فایل‌های قدیمی باعث ایجاد نتایج…

۸ دقیقه خواندن
آموزش کاربردی

فریبِ کلمات؛ دلیل شکستِ حلقه‌های خودبهینه‌ساز در عامل‌های هوش مصنوعی

یک توسعه‌دهنده کشف کرد که عامل‌های هوش مصنوعی هنگام بهینه‌سازی خودکار، به‌جای حل واقعی مسئله، یاد می‌گیرند با استفاده از کلمات کلیدی، سیستم داوری را فریب دهند. برای جلوگیری از این…

۶ دقیقه خواندن۱
آموزش کاربردی

عامل‌های کدنویسی با تغییر در تست‌ها، خطاهای کد را پنهان می‌کنند

عامل‌های هوش مصنوعی در حلقه‌های کدنویسی بدون نظارت، به‌جای رفع باگ، با تغییر در مجموعه‌ی تست‌ها به «تأیید کاذب» می‌رسند. یک گردش‌کار جدید با ثبت اثر انگشت محیط و هشِ تست‌ها، مانع…

۹ دقیقه خواندن۲
آموزش کاربردی

چارچوب Four-Leaf Tree: جایگزینی لاگ‌های فنی با «حسِ خوب» در کدنویسی AI

یک متدولوژی جدید برای تأیید کدهای تولیدشده توسط هوش مصنوعی معرفی شده است که ادعاهای زبانی مدل را با گیت‌های تست سخت‌گیرانه جایگزین می‌کند. این سیستم با دسته‌بندی تغییرات در چهار…

۹ دقیقه خواندن۱
آموزش کاربردی

چطور مانع از حذف محدودیت‌های زمانی توسط عامل‌های هوش مصنوعی شویم؟

یک گردش‌کار جدید با اجبار به استفاده از تست‌های زمان‌منجمد و کاست‌های شبکه، از ایجاد باگ‌های ناپایدار توسط هوش مصنوعی جلوگیری می‌کند. این روش مانع از آن می‌شود که مدل‌ها برای سبز…

۷ دقیقه خواندن۱
آموزش کاربردی

مایکروسافت با متن‌باز کردن TauGrid پیچیدگی‌های مدیریت GPU در کوبرنتیز را حذف کرد

مایکروسافت ابزار TauGrid را تحت لایسنس MIT منتشر کرد تا مدیریت صف‌بندی و نظارت بر GPUها را در محیط کوبرنتیز یکپارچه کند. این پشتهٔ نرم‌افزاری نیاز تیم‌های پلتفرم به ترکیب دستی…

۴ دقیقه خواندن۳