پرش به محتوای اصلی

موضوع

هوش لبه

SLMs, on-device inference, mobile AI, AI PCs

۱٬۶۶۱ مقاله منتشر شده

ارائه‌های درس‌آموخته‌های دوره هک برای دفاع استیو بلنک در استنفورد ۲۰۲۶

درون کلاس «هک برای دفاع» استنفورد؛ وقتی هوش مصنوعی ایده‌های بد را سریع‌تر می‌کند

استیو بلنک هشدار می‌دهد که سرعت بالای ساخت پروتوتایپ با هوش مصنوعی، یک «شکاف اعتبارسنجی» ایجاد کرده است. در این وضعیت، تیم‌ها به جای تأیید نیاز واقعی بازار، بر تولید سریع…

۸ دقیقه خواندن
چگونه SECDA-DSE طراحی شتاب‌دهنده‌های FPGA را با مدل‌های زبانی خودکار می‌کند؟

چگونه SECDA-DSE طراحی شتاب‌دهنده‌های FPGA را با مدل‌های زبانی خودکار می‌کند؟

چارچوب SECDA-DSE با ادغام مدل‌های زبانی بزرگ، فرآیند پیچیده جست‌وجوی فضای طراحی (DSE) در شتاب‌دهنده‌های FPGA را خودکار می‌کند. این سیستم با ترکیب RAG و زنجیره تفکر، نیاز به تخصص…

۱ دقیقه خواندن
چگونه FADA تحلیل تخصصی سونوگرافی جنین را به سخت‌افزار موبایل منتقل کرد؟

چگونه FADA تحلیل تخصصی سونوگرافی جنین را به سخت‌افزار موبایل منتقل کرد؟

مدل FADA با یکپارچه‌سازی تشخیص و تحلیل سونوگرافی جنین در یک خط لوله واحد، امکان تشخیص بالینی آفلاین را روی گوشی‌های هوشمند فراهم کرده است. این سیستم با هدف کاهش شکاف تشخیصی در…

۲ دقیقه خواندن
درون لایه‌های توزیع non-IID: عاملی که همگرایی یادگیری فدرال را متوقف می‌کند

درون لایه‌های توزیع non-IID: عاملی که همگرایی یادگیری فدرال را متوقف می‌کند

یک بررسی جامع در arxiv.org تحلیل می‌کند که چگونه ویژگی‌های داده‌های غیر-IID و پروتکل‌های تقسیم داده، پایداری یادگیری فدرال را تخریب می‌کنند. این پژوهش چارچوبی برای پیش‌بینی سرعت…

۲ دقیقه خواندن
سازوکار MoE-FedTP در پیش‌بینی ترافیک شهری: غلبه بر محدودیت داده با معماری خبره

سازوکار MoE-FedTP در پیش‌بینی ترافیک شهری: غلبه بر محدودیت داده با معماری خبره

پژوهشگران چارچوب **MoE-FedTP** را معرفی کردند؛ سیستمی مبتنی بر یادگیری فدرال که از معماری **ترکیبی از خبرگان** (MoE) برای پیش‌بینی ترافیک در شهرهای دارای کمبود داده استفاده…

۱ دقیقه خواندن
چرا معماری ترکیبی CPU-GPU نیاز به کوانتیزه کردن مدل‌های MoE را از بین می‌برد؟

چرا معماری ترکیبی CPU-GPU نیاز به کوانتیزه کردن مدل‌های MoE را از بین می‌برد؟

پژوهشگران با طراحی یک معماری ترکیبی، اجرای مدل‌های Mixture-of-Experts (MoE) با دقت اصلی را روی سخت‌افزارهای مصرف‌کننده و با عملکردی در سطح مراکز داده ممکن کرده‌اند. این سیستم با…

۲ دقیقه خواندن
چرا زبان دیگر معیار اصلی درک قصد کاربر توسط ربات‌ها نیست؟

چرا زبان دیگر معیار اصلی درک قصد کاربر توسط ربات‌ها نیست؟

پژوهشگران چارچوب EDITH را معرفی کردند که با تلفیق نگاه کاربر، نمای اول‌شخص و گفتار، تعامل انسان و ربات را بهینه‌تر می‌کند. این سیستم با تبدیل سیگنال‌های نویزی به زیر-وظایف، نیاز…

۲ دقیقه خواندن۱
چرا مدل‌های زبانی باز ارزیابی‌های تنظیم MIMO را ۶ برابر کاهش می‌دهند؟

چرا مدل‌های زبانی باز ارزیابی‌های تنظیم MIMO را ۶ برابر کاهش می‌دهند؟

مدل‌های زبانی باز (Open LLMs) می‌توانند با پیشنهاد پیش‌فرض‌های ساختاری غیرمنتظره، تعداد تکرارهای مورد نیاز برای تنظیم کنترل‌کننده‌های صنعتی پیچیده را تا ۶ برابر کاهش دهند. این…

۲ دقیقه خواندن
چرا حفاظ‌های احتمالی عامل‌های هوش مصنوعی خودمختار شکست می‌خورند و چگونه راه‌حل قطعی ساختیم
آموزش کاربردی

Aegis-Layer: سد ریاضی برای توقف نشت داده‌های عامل‌های هوش مصنوعی در ۲ میلی‌ثانیه

پروژه‌ی متن‌باز Aegis-Layer امنیت عامل‌های هوش مصنوعی را از تکیه بر پرامپت‌های احتمالی به اعتبارسنجی ریاضی تغییر داد. این ابزار با استفاده از توکن‌های رمزنگاری‌شده، جلوی نشت…

۴ دقیقه خواندن
همگام‌سازی بومی دایرکتوری Home در کانتینرهای اپل؛ خداحافظی با محدودیت‌های Docker
آموزش کاربردی

همگام‌سازی بومی دایرکتوری Home در کانتینرهای اپل؛ خداحافظی با محدودیت‌های Docker

اپل راهکاری برای اجرای کانتینرهای لینوکس مبتنی بر OCI به عنوان ماشین‌های یکپارچه در macOS ارائه کرده است. این محیط‌ها به‌طور خودکار پوشه Home و نام کاربری میزبان را آینه می‌کنند…

۴ دقیقه خواندن۱
ای.ال.ال.ا — عامل منطق محلی توکار
آموزش کاربردی

جایگزینی «اعتماد» با «معماری»: استراتژی E.L.L.A برای توقف نشت داده‌ها

پروژه E.L.L.A با حذف فیزیکی مسیرهای ارسال داده به ابر، نشت اطلاعات را از طریق محدودیت‌های معماری غیرممکن می‌کند. این دستیار محلی ویندوز، امنیت را به جای تکیه بر قوانین اخلاقی، بر…

۴ دقیقه خواندن