
درون چارچوب training-free برای تحلیل دقیقتر جعلهای صوتی
پژوهشگران چارچوبی بدون نیاز به آموزش (training-free) طراحی کردهاند که با ترکیب هوش مصنوعی قابلتوضیح (XAI) و مدلهای چندوجهی، دقت تشخیص جعل عمیق صوتی را ۴۵٪ افزایش میدهد. این…
موضوع
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۶۰۷ مقاله منتشر شده

پژوهشگران چارچوبی بدون نیاز به آموزش (training-free) طراحی کردهاند که با ترکیب هوش مصنوعی قابلتوضیح (XAI) و مدلهای چندوجهی، دقت تشخیص جعل عمیق صوتی را ۴۵٪ افزایش میدهد. این…

پژوهشگران چارچوبی به نام InvDesMobility ابداع کردهاند که تنها دادههای تأییدشده را به مدلهای هوش مصنوعی بازمیگرداند. این رویکرد از ورود دادههای پرت و «نویز» به چرخه کشف مواد…

پژوهشگران با معرفی معماری NAG مانع از زوال سیگنال در مدلهای ترنسفورمر میشوند. این رویکرد با جداسازی اندازه از جهت در جریان باقیمانده، امکان ایجاد مدلهای بسیار عمیق و بهینه را…

پژوهشگران با معرفی معماری ترکیبی موازی (PHA)، مدلهای حالت-فضا و مکانیسم توجه را در شاخههای مجزا ادغام کردهاند. این رویکرد دقت مدلهای ترانسفورمر را حفظ کرده و همزمان سرعت…

پژوهشگران با معرفی Tool-IQA، مدلهای بینایی-زبانی را از حالت مشاهدهی غیرفعال خارج کرده و به آنها قدرت استفاده از ذرهبین و اصلاحکنندههای گاما دادند. این رویکرد عاملمحور، دقت…

معماران Phys-JEPA توانستهاند قوانین فیزیک را بهجای خروجی نهایی، مستقیماً در فضای پنهان مدلهای پیشبینی سری زمانی ادغام کنند. این رویکرد دقت پیشبینی در دادههای اقلیمی و…

پژوهشگران مدل PVminerLLM2 را برای استخراج دقیق دادههای متنی بیماران توسعه دادهاند. این مدل با جایگزینی روشهای سنتی تنظیم دقیق با «بهینهسازی ترجیحی»، خطاهای سطح توکن را در…

پژوهشگران چارچوبی عاملمحور برای خودکارسازی کدهای ۱۰ رقمی تعرفه گمرکی کانادا طراحی کردهاند. این سیستم با ترکیب بازیابی معنایی و رایگیری جمعی، خطاهای لجستیک دریایی را کاهش…

RAID چارچوبی جدید برای پیشبینی دقیق سریهای زمانی در شرایط فقدان دادههای تاریخچه است. این سیستم با جایگزینی یادگیری وابسته به تاریخچه با بازیابی متادیتای معنایی و یک ماژول…

پژوهشگران چارچوب MA-SBI را معرفی کردند که با استفاده از متون غیرساختاریافته، سوگیریهای شبیهساز در استنتاج هوش مصنوعی را بدون نیاز به دادههای کالیبراسیون اصلاح میکند. این روش…

چارچوب جدید BPF با شناسایی ۸۹.۶ درصد از انحرافات معنایی، شکاف وفاداری در تبدیل ریاضیات زبان طبیعی به کد فرمال را میپوشاند. این متد بهطور قابلتوجهی دقیقتر از روشهای رایج…

چارچوب GIST-CMTF با معرفی لایهی استنتاج وضعیت هدف، مانع از اجرای وظایف بر اساس درخواستهای مبهم کاربران میشود. این سیستم با اعتبارسنجی هدف پیش از معرفی ابزارها، نرخ موفقیت در…