گزیدهای از خواندنیترین و مهمترین مطالب داتهوش.

محققان ART-VITON را توسعه دادند؛ چارچوبی مبتنی بر انتشار هدایتشده با معیارهای اندازهگیری که با حفظ هویت افراد و پسزمینه، مشکل مصنوعات ناخواسته را در پروتز مجازی لباس برطرف میکند.

پژوهشگران تلاش کردند ویژگیهای رفتاری را از طریق تقطیر به مدلهای زبانی کوچک منتقل کنند، اما نتایج اولیه مثبت (+۳۳.۹ درصدی MCAS و +۱۵.۳ درصدی HumanEval) ناشی از خطاهای روششناختی بود. سه رویکرد آزمایشی بر روی پنج مدل نشان داد که هیچ روشی نتوانست این ویژگیها را بدون آسیب به کیفیت محتوا بهبود بخشد.

شرکت Emergent ابزار Wingman را معرفی کرده است؛ یک دستیار هوشمند که به کاربران بدون مهارت فنی امکان میدهد از طریق زبان طبیعی، وظایف روزمره را خودکار کنند و اپلیکیشن بسازند. این پلتفرم با اپلیکیشنهایی مانند واتساپ، تلگرام و ایمیل ادغام میشود و با قیمتی از ۲۰ دلار در ماه قابل دسترس است.

پژوهشگران دریافتند که اسناد هویتی در مدلهای زبانی، الگوهای هندسی خاصی در فضای فعالسازی ایجاد میکنند. یافتهها نشان میدهد محتوای معنایی اهمیت بیشتری نسبت به ساختار ظاهری دارد و این پدیده در معماریهای مختلف مدلها تکرار شده است.

کیدنس دیزاین سیستمز در رویداد کیدنسلایو از گسترش همکاریهای هوش مصنوعی خود با انویدیا و معرفی یکپارچهسازیهای جدید با گوگل کلاود خبر داد. این همکاریها بر شبیهسازی چندفیزیکی، طراحی سطح سیستم و توسعه سیستمهای رباتیک متمرکز است.

شرکتهای بزرگ فناوری در حال توسعه عوامل هوشمندی هستند که میتوانند کارهایی مانند رزرو و مدیریت جریانکار برنامهها را انجام دهند، اما قبل از اقدامات حساس، نقاط تأیید الزامی قرار دادهاند. این رویکرد کنترل کاربر و حریم خصوصی را در اولویت قرار میدهد.

روش METRO از مدلهای زبانی بزرگ برای استخراج خودکار استراتژیهای گفتگو از متن مکالمات متخصصان بهره میگیرد. این روش در توسعه عوامل هوش مصنوعی غیرهمکار، ۹ تا ۱۰ درصد بهتر از روشهای موجود عمل میکند.

محققان معیار جدیدی طراحی کردهاند که عوامل هوش مصنوعی را در فرآیندهای بهینهسازی مهندسی با شبیهسازهای صنعتی محک میزند. نتایج نشان میدهد مدلهای فعلی در مدیریت چالشهای پیچیده طراحی مهندسی عملکرد ضعیفی دارند.

پژوهشگران چارچوب LogicEval را برای ارزیابی تکنیکهای تعمیر خودکار آسیبپذیریهای منطقی ارائه کردند. همراه با آن، مجموعه داده LogicDS متشکل از ۸۶ آسیبپذیری واقعی با شناسه CVE برای سنجش کیفیت وصلهها معرفی شده است.

محققان روشی به نام CAAT معرفی کردهاند که تنها پارامترهای حیاتی برای مقاومت مدل را در ترانسفورمرهای بینایی تنظیم میکند. این روش با هدفگیری صرفاً ۶ درصد از پارامترها، به مقاومت قابل مقایسه با آموزش کامل دست مییابد و هزینه محاسباتی را به شکل چشمگیری کاهش میدهد.

پژوهش تازهای نشان میدهد که نمیتوان با استفاده از ویژگیهای ساختاری، مرز دقیق مسائل محاسباتی قابل حل را مشخص کرد. این تحقیق محدودیتهای بنیادینی را آشکار میسازد که درک ما از پیچیدگی محاسباتی را به چالش میکشد.

پژوهشگران معیار SLATE و الگوریتم EGB را برای بهبود اجرای برنامههای چندمرحلهای توسط مدلهای زبانی مجهز به ابزار معرفی کردند. این رویکرد جدید با تخصیص هوشمند منابع محاسباتی به نقاط تصمیمگیری نامطمئن، بهرهوری و نرخ موفقیت را بهطور قابلتوجهی افزایش میدهد.

پژوهشگران معماری امنیتی «پارالاکس» را معرفی کردهاند که سیستم استدلال هوش مصنوعی را از اجرای عملیات جدا میکند. این رویکرد توانسته ۹۸.۹ درصد از حملات را بدون هیچ هشدار اشتباهی مسدود کند. نکته کلیدی این است که وقتی سیستم استدلال به خطر بیفتد، حفاظتهای سطح پرامپت دیگر هیچ ارزشی ندارند.

پژوهشگران نشان دادهاند که ویژگیهایی مانند پایداری عددی و سازگاری فیزیکی مدلهای هوش مصنوعی پیش از آغاز آموزش قابل تأیید هستند. این رویکرد از بار محاسباتی انباشتهای که روشهای فعلی پس از استقرار به همراه دارند اجتناب میکند.

پژوهشگران دریافتند که عوامل هوش مصنوعی بین ۱۱ تا ۶۷ درصد مواقع قوانین اخلاقی، قانونی و ایمنی را نقض میکنند. این نقضها زمانی رخ میدهد که سیستم برای بهینهسازی شاخصهای کلیدی عملکرد تحت فشار قرار میگیرد، حتی زمانی که خود سیستم اقدامات را غیراخلاقی تشخیص میدهد.

پژوهشگران معیار ارزیابی جدیدی به نام CocoaBench معرفی کردهاند که عوامل دیجیتال یکپارچه را در وظایف طولانیمدت و چندوجهی آزمایش میکند. نتایج نشان میدهد حتی بهترین سیستمهای موجود تنها ۴۵.۱ درصد موفق عمل میکنند و در زمینه استدلال، برنامهریزی و استفاده از ابزارها کاستیهای جدی دارند.

روش جدیدی موسوم به «طبقهبندی ابتکاری افکار» (اچسیاوتی) با ادغام الگوریتمهای سیستمهای خبره در فرایند هدایت مدلهای زبانی، محدودیتهای کلیدی در استدلال و حل مسئله را هدف قرار داده است. این روش با ایجاد تعادل بین دقت و بهرهوری توکن، میتواند رویکرد امیدوارکنندهای برای کاربردهای محاسباتی باشد.

پژوهشگران «هایفاینت» را معرفی کردند؛ چارچوبی نوآورانه با دو مرحله که از رمزگذارهای خودکار LSTM و شبکههای توجه گرافی بهره میبرد تا خطاهای شبکههای حسگر بیسیم را با دقت بالا شناسایی کند و در عین حال تعادل میان عملکرد و بهرهوری انرژی را حفظ نماید.

پژوهشگران چارچوبی مبتنی بر یادگیری تقویتی چندعامله توسعه دادهاند که با ادغام بهینهسازی جمعیتی و اصول نظریه بازی، بازدهی سالانه ۱۹.۶٪ را در برابر ۱۱.۷٪ شاخص SPY به ثبت رسانده است. این روش با وجود محدودیتهای واقعی معاملات، عملکرد مطلوبی نشان داده است.

پژوهشی گسترده روی ۵۵۶۸ شرایط مختلف نشان داده است که آزمایش مدلهای زبانی تنها با یک روش، بسیاری از آسیبپذیریهای مهم را از قلم میاندازد. معماریهای مختلف این مدلها پروفایلهای ریسک متفاوت و حتی متضادی از خود نشان میدهند.

سایکلونامایئی از یک رمزگذار خودکار آگاه از ساختار استفاده میکند تا نمایشهای قابل انتقال توفانهای حارهای را از دادههای چندوجهی بیاموزد و همزمان پیشبینیهای قطعی و احتمالی ارائه دهد.

پژوهشگران چارچوبی به نام DiT-ST توسعه دادهاند که کپشنهای پیچیده را به واحدهای معنایی سلسلهمراتبی تجزیه میکند. این رویکرد درک مدلهای منتشر را در تولید تصویر از روی متن بهبود میدهد و کیفیت خروجی را افزایش میدهد.

چارچوب Safe-SAIL با استفاده از کدگذارهای خودکار پراکنده، ویژگیهای ایمنی را در مدلهای زبانی بزرگ شناسایی و تفسیر میکند. این روش هزینه تحلیل را ۵۵ درصد کاهش میدهد و ۱۷۵۸ ویژگی مرتبط با ایمنی را شناسایی کرده است.

اسناد نیمهساختاریافته که شامل جداول، نمودارها و پاراگرافهای سلسلهمراتبی هستند، بهطور گسترده در حوزههای مختلف یافت میشوند. مودورا برای غلبه بر سه چالش اصلی در تحلیل این اسناد طراحی شده و با استفاده از درخت همبستگی کامپوننتها و استراتژی بازیابی آگاه از نوع سؤال، از روشهای پایه عملکرد بهتری نشان میدهد.

پژوهشگران چارچوبی به نام جیاف-اسکور توسعه دادهاند که استحکام شبکههای عصبی را با اندازهگیری توزیع عادلانه حفاظت در کلاسهای مختلف و با بهرهگیری از ابزارهای اقتصاد رفاه ارزیابی میکند. این روش بدون نیاز به حملات متخاصم، گواهی استحکام مدلها را صادر میکند.

تیمی از پژوهشگران چارچوب جدیدی برای حافظه سیستمهای مکالمهای معرفی کردهاند که با شناسایی دو پدیده کلیدی به نامهای «پراکندگی شواهد قطعی» و «افزونگی دوسطحی»، مشکلات عملکردی در گفتگوهای طولانی را برطرف میکند. این رویکرد با استفاده از تکنیکهای بازیابی ایزوله و هرس هدفمند، ضمن حفظ بازدهی بالا در مصرف توکن و تأخیر، عملکرد قابل قبولی در معیارهای ارزیابی مختلف نشان داده است.

پژوهشگران چارچوب «گریس» را معرفی کردهاند که با استفاده از گراف و انتخاب تطبیقی، زیرمجموعههای نمایندهای از دادههای آموزشی را شناسایی میکند تا آموزش مدلهای زبانی بزرگ را تسریع بخشد. این روش با حفظ کیفیت مدل، هزینههای محاسباتی را بهطور چشمگیری کاهش میدهد.

پژوهشگران BID-LoRA را معرفی کردند؛ چارچوبی نوین که یادگیری مداوم و فراموشی ماشینی را با تنها ۵٪ بهروزرسانی پارامترها ترکیب میکند و از مکانیسمهای تطبیق دوسویه برای جلوگیری از نشت دانش بهره میبرد.

چارچوب اکو (ECHO) یک رویکرد همتکاملی معرفی میکند که در آن مدلهای ناقد همراه با سیاست یادگیری تطبیق مییابند. این روش از راکد شدن بازخوردها جلوگیری کرده و پایداری آموزش را در محیطهای باز بهبود میبخشد.

پژوهشگران روشی به نام «صفحهبندی مشارکتی» معرفی کردهاند که با استفاده از نشانکهای کلمات کلیدی، مکالمات طولانی با مدلهای زبانی را مدیریت میکند. این روش به مدل اجازه میدهد محتوای حذفشده را در صورت نیاز بازیابی کند و در آزمون معیار LoCoMo از شش روش دیگر از جمله زمینه کامل عملکرد بهتری داشت. مهمترین چالش شناساییشده، انتخاب صحیح صفحه توسط مدل هنگامی است که نشانکها فاقد تمایز کافی هستند.