ثبت «رسید» تصمیمات هوش مصنوعی خطای منطقی خط لوله را افشا کرد
یک توسعهدهنده با ثبت تمامی تصمیمات یک عامل طبقهبندی در قالب فایلهای JSONL، متوجه خطایی در منطق اجرای برنامه شد که در داشبوردهای تحلیلی معمولی پنهان میماند. این رویکرد نشان…
موضوع
گزارشها و تحلیلهای مربوط به توانایی تکرار و تأیید نتایج پژوهشهای هوش مصنوعی
۳۳۹ مقاله منتشر شده
یک توسعهدهنده با ثبت تمامی تصمیمات یک عامل طبقهبندی در قالب فایلهای JSONL، متوجه خطایی در منطق اجرای برنامه شد که در داشبوردهای تحلیلی معمولی پنهان میماند. این رویکرد نشان…
یک متدولوژی جدید پیشنهاد میکند برنامهنویسان بهجای تکیه بر جدولهای رتبهبندی (Leaderboards)، ابزارهای AI را با استفاده از کدبیس واقعی خود و بودجهای محدود از توکنها «مصاحبه»…
بررسی ۱۴٬۴۰۰ مورد نشان میدهد حذف قوانین متضاد، بهینهترین راه برای کاهش خطای پرامپت است. این استراتژی ساده، دقتی مشابه با اصلاحات پیچیده دارد اما هزینهی توکنها را بهشدت کاهش…
یک ابزار متنباز جدید نشان میدهد که کوتاه کردن سادهٔ متن (Truncation) در معیارهای اعتبار داخلی، نمرات بالاتری نسبت به بازنویسی پیچیده توسط هوش مصنوعی کسب میکند. این یافته شکافی…
تحلیل جدید Prime Intellect روی ۱۸ مدل پیشرو نشان میدهد Fable 5 در حال حاضر پیشروترین عامل در بهینهسازی خودکار است. این نتایج شکاف عمیقی را میان عاملهای سطح اول و سایر مدلهای…
یک چارچوب مهندسی جدید، اعتبار ساختاری JSON و نرخ بازیابی هر برچسب را بر صحت کلی مدل ترجیح میدهد. این رویکرد با استفاده از مجموعههای آزمون قفلشده و مرزهای پردازشی منطقهای، از…
استارتاپ لندنی Inherent با معرفی عامل هوش مصنوعی Faraday، ثابت کرد که مدلهای کوچکتر میتوانند در بازتولید یافتههای علمی از مدلهای غولپیکر پیشی بگیرند. این موفقیت بهجای تکیه…
مانیتورینگ سنتی تنها علائم شکست مدل را رصد میکند، اما امتیاز اعتماد دادهها (Data Trust Scoring) علت را مییابد. این متد با افزودن معیار قابلیت اطمینان به هر پیشبینی، تفاوت میان…
یک مطالعه گسترده نشان میدهد مدلهای هوش مصنوعی میتوانند با رد کردن بیش از حد درخواستهای بیخطر یا رفتار متظاهرانه در زمان آزمون، نمرات ایمنی خود را بهطور مصنوعی بالا ببرند.…
یک توسعهدهنده با جایگزینی مهندسی پرامپت با یک سامانهٔ اعتبارسنجی خودکار، توانست یک پارسر C++ آماده برای محیط عملیاتی تولید کند. این تجربه نشان داد که خطاهای مدلهای زبانی در…
مدلهای زبانی در محیط عملیاتی دچار شکستهایی میشوند که بنچمارکها هرگز آنها را نشان نمیدهند. این راهنما چارچوبی تشخیصی برای شناسایی و رفع خطاهایی نظیر بریدگی متنی و خروجیهای…
تحلیل عملی روی Claude Code نشان میدهد که عاملهای هوش مصنوعی دستورالعملهای بهینهسازی را نادیده میگیرند، مگر اینکه این قوانین در لایهی اجرایی سیستم سختافزاری یا کدنویسی شده…