پرش به محتوای اصلی

موضوع

بازیابی‌افزا

RAG architectures, vector stores, grounding LLMs in private data

۶۹۸ مقاله منتشر شده

کاهش ۳۶ برابری زمان تنظیم شبیه‌سازهای علمی با لایه‌های مبنی‌سازی SIGA

کاهش ۳۶ برابری زمان تنظیم شبیه‌سازهای علمی با لایه‌های مبنی‌سازی SIGA

آداپتور جدیدی به نام SIGA با ایجاد یک لایه‌ی «مبنی‌سازی» از قواعد و حافظه، امکان تعامل عامل‌های کدنویسی با شبیه‌سازهای پیچیده علمی را فراهم می‌کند. این سیستم در آزمایش‌های مربوط…

۲ دقیقه خواندن
گزارش ArXiv: برتری داده‌های اختصاصی بر ساختارهای استدلالی در ارزش‌گذاری دارویی

گزارش ArXiv: برتری داده‌های اختصاصی بر ساختارهای استدلالی در ارزش‌گذاری دارویی

پژوهش‌های جدید نشان می‌دهد عامل‌های هوش مصنوعی در ارزش‌گذاری داروها، بیش از آنکه با محدودیت‌های استدلالی دست‌وپنجر باشند، با کمبود داده‌های باکیفیت مواجه‌اند. دسترسی به مجموعه…

۲ دقیقه خواندن
چگونه SIFT با جایگزینی تنسورهای KV سرعت پیش‌تولید RAG را ۱.۷۱ برابر کرد؟

چگونه SIFT با جایگزینی تنسورهای KV سرعت پیش‌تولید RAG را ۱.۷۱ برابر کرد؟

رویکرد SIFT با جایگزینی تنسورهای حجیم KV با بردارهای بیتی فشرده، سرعت پیش‌تولید در سیستم‌های RAG را به شکل چشمگیری افزایش می‌دهد. این متد حجم ذخیره‌سازی مورد نیاز را ۲۴ هزار برابر…

۲ دقیقه خواندن
Graph2Idea: ارتقای نرخ نوآوری ایده‌های علمی از ۰.۴۵ به ۰.۵۲ با گراف‌های دانش

Graph2Idea: ارتقای نرخ نوآوری ایده‌های علمی از ۰.۴۵ به ۰.۵۲ با گراف‌های دانش

مدل‌های زبانی معمولاً در تولید ایده‌های پژوهشی به دلیل اتکای به متن‌های «تخت» شکست می‌خورند. Graph2Idea با تبدیل ادبیات علمی به گراف‌های دانش، نرخ نوآوری و امکان‌پذیری ایده‌های…

۲ دقیقه خواندن
ترکیب AI و FEA در سیستم‌های چندعاملی برای حذف گلوگاه‌های محاسباتی طراحی موتور

ترکیب AI و FEA در سیستم‌های چندعاملی برای حذف گلوگاه‌های محاسباتی طراحی موتور

پژوهشگران چارچوبی عامل‌محور برای اتوماسیون طراحی موتورهای همگام مغناطیس داخلی (IPMSM) توسعه داده‌اند. این سیستم با ترکیب تولید بازیابی‌افزا (RAG) و رویکرد هیبریدی AI-FEA،…

۲ دقیقه خواندن
«امنیت رابطه‌ای»: شکافی در ارزیابی‌های فعلی که شخصی‌سازی LLMها ایجاد می‌کند

«امنیت رابطه‌ای»: شکافی در ارزیابی‌های فعلی که شخصی‌سازی LLMها ایجاد می‌کند

تحلیل جدیدی هشدار می‌دهد که شخصی‌سازی مدل‌های زبانی از طریق RAG و تنظیم دقیق، ریسک‌های «رابطه‌ای» ایجاد می‌کند که فیلترهای امنیتی استاندارد قادر به شناسایی آن‌ها نیستند. این…

۲ دقیقه خواندن
کاهش نرخ توهم در تشخیص‌های پزشکی به ۳.۳٪ با معماری عامل‌محور Baichuan-M4

کاهش نرخ توهم در تشخیص‌های پزشکی به ۳.۳٪ با معماری عامل‌محور Baichuan-M4

سیستم Baichuan-M4 رویکرد هوش مصنوعی در پزشکی را از پاسخ‌های تک‌مرحله‌ای به «مراقبت مستمر» تغییر می‌دهد. این سامانه با بهره‌گیری از معماری عامل‌محور (Agentic) و آموزش تخصصی RL، نرخ…

۱ دقیقه خواندن
چگونه MCP Server Toolkit حدس زدن‌های اشتباه عامل‌های کدنویس را متوقف می‌کند؟
آموزش کاربردی

چگونه MCP Server Toolkit حدس زدن‌های اشتباه عامل‌های کدنویس را متوقف می‌کند؟

ناوین یالا مجموعه‌ای متن‌باز برای پروتکل MCP عرضه کرد تا پایان دهد «شکاف بازیابی» در پروژه‌های نرم‌افزاری حجیم را. این ابزار با ارائه سرورهای تخصصی برای جست‌وجوی کد و دیتابیس، دقت…

۵ دقیقه خواندن
چگونه پیاده‌سازی MLOps هزینه‌های استنتاج را در مقیاس تجاری نصف می‌کند؟
آموزش کاربردی

چگونه پیاده‌سازی MLOps هزینه‌های استنتاج را در مقیاس تجاری نصف می‌کند؟

مقیاس‌پذیری سیستم‌های هوش مصنوعی نیازمند گذار از محیط‌های آزمایشی به خط لوله‌های رسمی MLOps است. با استفاده از کش معنایی و ارزیابی خودکار، تیم‌ها می‌توانند پایداری مدل را تضمین…

۶ دقیقه خواندن
قابلیت‌های جدید هوش مصنوعی آیفون برای تکمیل جملات، ویرایش عکس و خودکارسازی کارها

پشت‌پردهٔ همکاری اپل و گوگل: سیستم‌عامل iOS 27 چگونه به یک عامل هوشمند تبدیل شد؟

اپل در WWDC ۲۰۲۶ از معماری جدیدی برای هوش مصنوعی خود پرده برداشت که با همکاری گوگل Gemini توسعه یافته است. این به‌روزرسانی Siri را به یک همراه فعال تبدیل کرده و با ادغام داده‌های…

۳ دقیقه خواندن