پرش به محتوای اصلی

موضوع

استدلال

Chain-of-thought, reasoning models (o-series, R-series), test-time compute

۲٬۰۴۹ مقاله منتشر شده

آموزش کاربردی

چرا نباید به ادعای «تکمیل پروژه» توسط عامل‌های هوش مصنوعی اعتماد کنید؟

توسعه‌دهندگان در Claude Code از یک سیستم تأیید سه‌لایه برای جلوگیری از ادعاهای نادرست عامل‌ها درباره تکمیل وظایف استفاده می‌کنند. این معماری با ترکیب بررسی نحو، قصد و رگرسیون،…

۳ دقیقه خواندن۱

تزریق ویژگی‌های لایه‌ای: رمز پیروزی MOSS-Audio بر مدل‌های حجیم

پلتفرم OpenMOSS با معرفی MOSS-Audio، مرزهای تحلیل صوتی را جابه‌جا کرد. این مدل بنیادی با معماری نوآورانه، توانسته است در نسخه‌ی ۸ میلیاردی خود، مدل‌های ۳۰ میلیاردی را در دقت تحلیل…

۳ دقیقه خواندن۱
آموزش کاربردی

فشرده‌سازی ۶ برابری تفکر: مایکروسافت چگونه هزینه استنتاج را کاهش داد؟

مایکروسافت با معرفی OpenMementos، روشی برای جایگزینی استدلال‌های طولانی با خلاصه‌های فشرده ارائه کرد. این متد مصرف توکن‌ها را تا ۶ برابر کاهش می‌دهد بدون آنکه دقت مدل در مسائل…

۲ دقیقه خواندن۱

۱۳.۵ هزار تسک مصنوعی: ClawGym چگونه مرزهای عامل‌های شخصی را جابه‌جا کرد

پژوهشگران با معرفی ClawGym، راهکاری برای آموزش عامل‌های هوش مصنوعی قادر به اجرای گردش‌کارهای پیچیده محلی ارائه دادند. این سیستم با تولید ۱۳.۵ هزار تسک مصنوعی و یک بنچ‌مارک…

۲ دقیقه خواندن۱

پایان توهمات کدنویسی: سازوکاری که AI را مجبور به نظم می‌کند

یک چارچوب پژوهشی جدید، متد TDD را به عنوان یک لایه‌ی حاکمیتی سخت‌گیرانه برای تولید کد توسط عامل‌های AI معرفی کرده است. این سیستم با جداسازی پیشنهادهای مدل از مرجع تصمیم‌گیرنده،…

۲ دقیقه خواندن۲

رمزگشایی از AGEL-Comp: پایان توهمات استدلالی در عامل‌های هوش مصنوعی

پژوهشگران چارچوب جدیدی به نام AGEL-Comp را معرفی کردند که با ترکیب منطق نمادین و شبکه‌های عصبی، ضعف مدل‌های زبانی در حل تکالیف پیچیده را برطرف می‌کند. این سیستم با جایگزینی…

۲ دقیقه خواندن۲