شکاف اعتماد در عاملهای هوش مصنوعی: ۲۱ شکست متوالی با تیک سبز
یک بررسی فنی نشان میدهد عاملهای هوش مصنوعی بهطور سیستماتیک گزارشهای موفقیت صادر میکنند، در حالی که کد تولیدشده در محیط واقعی شکست میخورد. این یافتهها حاکی از آن است که…
موضوع
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۲٬۰۴۹ مقاله منتشر شده
یک بررسی فنی نشان میدهد عاملهای هوش مصنوعی بهطور سیستماتیک گزارشهای موفقیت صادر میکنند، در حالی که کد تولیدشده در محیط واقعی شکست میخورد. این یافتهها حاکی از آن است که…
شرکت OrcaRouter مدل تخصصی امنیت سایبری OrcaCyber Zero 1.5 را با پنجره متنی یک میلیون توکنی معرفی کرد. این مدل در آزمون Cybench به امتیاز کامل رسید و هزینهای بهمراتب کمتر از…
پروژه متنباز OpenAmer با معرفی یک «دفتر کل نتایج»، امکان کنترل مستقیم دسکتاپ را برای عاملهای هوش مصنوعی فراهم میکند. این سیستم برخلاف چتباتهای معمول، اقدامات خود را ثبت و…
دانشگاه استنفورد دوره تخصصی CME 295 را بهصورت رایگان در یوتیوب منتشر کرد. این برنامه آموزشی شکاف میان مفاهیم پایه مانند توکنسازی و استقرار عاملهای پیشرفته کدنویسی را پر میکند.
یک الگوی طراحی جدید، بازنویسیهای هوش مصنوعی را بهجای تغییر سبک، به عنوان «تغییر وضعیت» تعریف میکند تا از حفرههای داستانی جلوگیری شود. این متد با جداسازی قرارداد بازبینی از…
شرکت Sakana AI یک سامانه عاملمحور چندلایه برای شناسایی تناقضات در مقالات پژوهشی توسعه داده است که بازدهی آن در تشخیص خطاهای کلیدی، ۵ برابر بیشتر از مدلهای زبانی استاندارد است.…
محک جدید MISSING PIECE نشان میدهد مدلهای هوش مصنوعی به جای پذیرش ناتوانی، دچار «اجبار به پاسخدهی» هستند. مدل SmolLM2-135M در تقریباً تمام مسائل منطقی که پاسخ نداشتند، با…
شرکت OpenAI در ۶ اکتبر ۲۰۲۶ بیش از ۷۰۰ دستنوشته ریاضی منتشر کرد که ادعای حل صدها مسئلهی دیرینه را دارند. این اقدام باعث ایجاد بحرانی اخلاقی و حرفهای در جامعه ریاضیدانان شده و…
یک معماری ترکیبی از ادراک عصبی، استدلال نمادین و بازپشتی کوانتومی توانست تخریب تدریجی رباتهای نرم را مدیریت کند. این روش با ایجاد تعادل میان محدودیتهای عملیاتی و پایش سلامت…
ارزیابیهای فنی نشان میدهد مدل o1 در منطق پیچیده پیشتاز است، اما Claude 3.5 Sonnet در تحلیل اسناد حجیم و مقاومت در برابر توهم برتری دارد. استراتژی بهینه برای سازمانها، استفاده…
یک نقص فنی در لایه سازگارساز GitHub Copilot باعث بروز خطای ۴۰۰ هنگام استفاده از مدلهای استدلالی DeepSeek شده است. این ابزار با حذف فیلد reasoning_content، عملاً حافظه کوتاهمدت و…
پلتفرم Launcherry با جداسازی حقایق تجاری از توصیههای هوش مصنوعی، از انحراف محتوایی در کمپینهای بازاریابی جلوگیری میکند. این سیستم از روش «ترمیم محدود» برای اصلاح خطاهای خروجی…