پرش به محتوای اصلی

موضوع

بازیابی‌افزا

RAG architectures, vector stores, grounding LLMs in private data

۱٬۲۱۱ مقاله منتشر شده

چگونه ابزارهای حافظه مدل‌های هوش مصنوعی را بدتر می‌کنند

چرا حافظه‌ی بلندمدت در مدل‌های زبانی منجر به افزایش چاپلوسی می‌شود؟

پژوهش جدید شرکت Writer نشان می‌دهد سیستم‌های حافظه برای شخصی‌سازی، می‌توانند دقت مدل‌ها را کاهش دهند. این ابزارها مدل را به سمت چاپلوسی سوق می‌دهند تا به جای حقیقت، باورهای غلط…

۳ دقیقه خواندن
سازوکار HelixDB برای حذف لایه‌های اضافی ذخیره‌سازی در عامل‌های هوش مصنوعی
آموزش کاربردی

سازوکار HelixDB برای حذف لایه‌های اضافی ذخیره‌سازی در عامل‌های هوش مصنوعی

پلتفرم HelixDB سه نوع داده‌ی گراف، بردار و رابطه‌ای را در یک سیستم واحد بر پایه‌ی زبان Rust یکپارچه کرده است. این ابزار با حذف نیاز به لایه‌های مجزای پایگاه داده، دسترسی عامل‌های…

۴ دقیقه خواندن
معرفی Stack Overflow برای ایجنت‌ها

استک اورفلو با حافظه‌ی مشترک، جلوی تکرار اشتباهات عامل‌های هوش مصنوعی را گرفت

استک اورفلو یک رابط برنامه‌نویسی (API) جدید برای تبادل دانش میان عامل‌های کدنویسی معرفی کرد. این سامانه با ایجاد یک حافظه‌ی جمعی، مانع از اتلاف محاسبات و توکن‌ها برای حل مسائلی…

۶ دقیقه خواندن
نوت‌بوک‌ال‌ام گوگل اکنون رایانه ابری با اجرای کد و پژوهش عامل‌محور دارد.

بهبود ۶۵ درصدی NotebookLM: وقتی دفترچه یادداشت گوگل به رایانه تبدیل شد

گوگل NotebookLM را با رایانه‌های ابری اختصاصی و قابلیت اجرای کد به‌روزرسانی کرد. این ابزار اکنون از تحقیقات عامل‌محور پشتیبانی کرده و خروجی‌های مستقیم به اکسل و پاورپوینت می‌دهد.

۱ دقیقه خواندن
آیا حافظه ضعیف هوش مصنوعی را محتاط‌تر می‌کند؟ ما آزمایش کردیم
آموزش کاربردی

چگونه تزریق خاطرات جعلی از شکست، ریسک‌پذیری عامل‌های هوش مصنوعی را کاهش می‌دهد؟

پژوهش‌های جدید نشان می‌دهد تزریق تاریخچه‌ای جعلی از شکست‌ها در حافظه‌ی مدل‌ها، جسارت آن‌ها در تصمیم‌گیری را به‌شدت می‌کوبد. این پدیده بدون تخریب منطق مدل یا فعال کردن سیستم‌های…

۱۰ دقیقه خواندن۲
KG-CFR: کاهش نرخ فروپاشی منطقی در ۹۵٪ از آزمون‌های استرس عامل‌های هوش مصنوعی

KG-CFR: کاهش نرخ فروپاشی منطقی در ۹۵٪ از آزمون‌های استرس عامل‌های هوش مصنوعی

پژوهشگران معماری جدیدی به نام KG-CFR معرفی کرده‌اند که با جداسازی برنامه‌ریزی داخلی از اجرای خارجی، مشکل «انحراف نقش» در بحث‌های چندعاملی را حل می‌کند. این رویکرد پایداری و کیفیت…

۲ دقیقه خواندن
چرا استنتاج آفلاین در معماری AIR سرعت توصیه‌های هوش مصنوعی را ۴۰۰ برابر کرد؟

چرا استنتاج آفلاین در معماری AIR سرعت توصیه‌های هوش مصنوعی را ۴۰۰ برابر کرد؟

چارچوب AIR با انتقال استدلال مدل‌های زبانی به فاز آفلاین، گلوگاه تأخیر در سیستم‌های توصیه‌گر صنعتی را برطرف کرده است. این رویکرد در Kuaishou موجب افزایش ۳.۴۴۶ درصدی حجم کالاهای…

۱ دقیقه خواندن
مدیریت حافظه در عامل‌های هوش مصنوعی؛ از heuristic ساده به بهینه‌سازی استوکاستیک

مدیریت حافظه در عامل‌های هوش مصنوعی؛ از heuristic ساده به بهینه‌سازی استوکاستیک

پژوهشگران چارچوب OSL-MR را معرفی کردند که حافظه عامل‌های هوش مصنوعی را به عنوان یک مسئله بهینه‌سازی استوکاستیک مقید مدل می‌کند. این روش با محاسبه هزینه فراموشی در برابر سود…

۱ دقیقه خواندن۱
مطالعه ArXiv: افزایش مقاومت مدل‌های زبانی در برابر داده‌های متناقض تا ۳۳٪

مطالعه ArXiv: افزایش مقاومت مدل‌های زبانی در برابر داده‌های متناقض تا ۳۳٪

پژوهشگران یک پارادایم رمزگشایی «آگاه از تضاد» معرفی کرده‌اند که مانع از اعتماد کورکورانه‌ی مدل‌ها به داده‌های خارجی نادرست می‌شود. این سازوکار با استفاده از مسیریابی رژیم تطبیقی…

۱ دقیقه خواندن
چرا FoxChat پشتیبانی مشتری را از «پاسخ دادن» به «انجام دادن» تغییر می‌دهد؟
آموزش کاربردی

چرا FoxChat پشتیبانی مشتری را از «پاسخ دادن» به «انجام دادن» تغییر می‌دهد؟

FoxChat با جایگزینی پاسخ‌های متنی با تورهای تعاملی و بصری، مدل جدیدی از پشتیبانی مشتری را معرفی کرده است. در حالی که Intercom بر اکوسیستم‌های جامع سازمانی تمرکز دارد، FoxChat بر…

۵ دقیقه خواندن
همان نگهبانان، ایستگاه‌های عوارضی جدید در بازار مجوز محتوا برای هوش مصنوعی

گزارش بروکینگز: سقوط ۶ برابری نرخ ارجاع، تهدیدی برای بقای رسانه‌ها

گزارش جدید مؤسسه بروکینگز هشدار می‌دهد که مدل‌های مجوز محتوای هوش مصنوعی در حال تکرار انحصار گوگل هستند. این ساختار باعث ایجاد یک «تله دوجانبه» شده که در آن غول‌های فناوری هم…

۹ دقیقه خواندن۱