Kyutai: دقت حل مسائل ریاضی صوتی به ۷۷.۱٪ رسید
شرکت Kyutai دو مدل با وزن‌های باز معرفی کرد که مسائل ریاضی را مستقیماً در قالب صوت و بدون تبدیل به متن حل می‌کنند. این تیم با به‌کارگیری یادگیری تقویتی، دقت مدل در محک GSM8K را از…
۴ دقیقه خواندن۱
موضوع
استدلال
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۱٬۷۷۳ مقاله منتشر شده
نوکیا: AnyJev سوگیری‌های موقعیتی LLM را بدون آموزش مجدد حذف می‌کند
نوکیا کتابخانه AnyJev را برای تبدیل مدل‌های زبانی باز به موتورهای تصمیم‌گیری کالیبره‌شده منتشر کرد. این ابزار بدون نیاز به آموزش مجدد، سوگیری‌های موقعیتی را حذف و قابلیت اطمینان…
۴ دقیقه خواندن
تصمیمات ساختاریافته در برابر استدلال‌های متنی در مدل Jev
مدل Jev با جایگزینی استدلال‌های متنی و گران‌قیمت با تصمیمات ساختاریافته و سریع، تأخیر در اجرای عامل‌های هوش مصنوعی را به ۳۰۰ میلی‌ثانیه کاهش داد. این رویکرد اجازه می‌دهد AI به‌جای…
۱۳ دقیقه خواندن
تولید بسته آموزشی ریاضی با Codex در یک اجرای ۳۱ ساعته و قابل‌حسابرسی
یک توسعه‌دهنده با استفاده از یک تسک بلندمدت در Codex، چارچوبی ریاضی را به یک بسته آموزشی نسخه‌بندی‌شده تبدیل کرد. این پروژه با جایگزینی حافظهٔ چت با آرتیفکت‌های نسخه‌بندی‌شده،…
۳ دقیقه خواندن۲
Reality Check AI ردپای شواهد را برای ادعاهای هوش مصنوعی قابل‌تعقیب کرد
سامانه Reality Check AI با جایگزینی پاسخ‌های ساده با یک دفتر کل شواهد، ادعاهای آنلاین را به گزاره‌های قابل‌تأیید تبدیل می‌کند. این ابزار هر نتیجه‌گیری هوش مصنوعی را به منابع دقیق…
۱۳ دقیقه خواندن
درون استراتژی OpenAI برای مقابله با زوال درک مفهومی در ریاضیات
یک مدل آزمایشی OpenAI توانست در یک ماه آموزش، بیش از ۱۰۰ مسئله پیچیده ریاضی از جمله حدس هاج را حل کند. این شرکت اکنون برای مقابله با نگرانی‌های جامعه ریاضی درباره زوال درک مفهومی،…
۵ دقیقه خواندن
گوگل جست‌وجو را به یک گفتگوی زنده و چندوجهی تبدیل کرد
گوگل با ادغام Gemini 3.8 Live در Search Live، تجربه جست‌وجو را از پرس‌وجوهای متنی به گفتگوهای صوتی و بصری در لحظه تغییر داد. این به‌روزرسانی شامل دو مدل مجزا برای تعادل میان سرعت…
۶ دقیقه خواندن۲
«لاگ‌های سخت‌افزاری»؛ معیار جدید Refract برای ارزیابی مدل‌های زبانی
پلتفرم Refract با جایگزینی بنچمارک‌های انتزاعی با رندرهای زنده GPU، مدل‌های زبانی را در محیطی رقابتی برای نوشتن شیدرهای GLSL به چالش می‌کشد. در این سامانه، لاگ‌های خطای واقعی…
۴ دقیقه خواندن۱
«تلاش سازنده»؛ رویکرد CodeTeach برای جایگزینی پاسخ‌های مستقیم
ابزار جدید CodeTeach برخلاف دستیارهای هوش مصنوعی رایج، از ارائه پاسخ مستقیم خودداری می‌کند تا دانشجویان را به «تلاش سازنده» وا دارد. این سیستم با الزام کاربر به ارائه فرضیه پیش از…
۱۲ دقیقه خواندن
تحلیل ایمنی: تست‌های جعبه‌سیاه قادر به شناسایی رفتارهای پنهان مدل‌ها نیستند
ارزیابی‌های سنتی ورودی-خروجی برای مدل‌های پیشرو ناکارآمد است، زیرا این مدل‌ها می‌توانند رفتارهای مضر را در زمان تست پنهان کنند. ایمنی واقعی نیازمند گذار از مشاهده خروجی‌ها به…
۸ دقیقه خواندن۲
عملکرد Fable در برابر هزینهٔ Opus 5.5؛ توازنی جدید در مدل‌های زبانی
آنتروپیک مدل Claude Opus 5.5 را معرفی کرد که عملکرد مدل‌های سطح بالای Fable را با هزینه ۴۰ درصد کمتر و سرعت بیشتر ارائه می‌دهد. این به‌روزرسانی بر رفع سبک نوشتاری کلیشه‌ای و…
۶ دقیقه خواندن۲
درون استراتژی AISI برای راستی‌آزمایی مدل‌های هوش مصنوعی پیشرو
مؤسسه ایمنی هوش مصنوعی بریتانیا (AISI) برای تبدیل نتایج ارزیابی مدل‌های پیشرو به حقایق علمی قابل راستی‌آزمایی، زیرساخت باز EvalEval را پذیرفت. این اقدام داده‌های سطح تراکنش را…
۴ دقیقه خواندن