موضوع
Chain-of-thought, reasoning models (o-series, R-series), test-time compute
۱٬۰۹۸ مقاله منتشر شده
مدلهای جدید OpenAI با نام Astra توانستند ۱۰ مسئله پیچیده ریاضی و علوم کامپیوتر را که بیش از یک دهه حلنشده مانده بودند، گرهگشایی کنند. این دستاورد نشاندهنده تغییر استراتژی…
یک راهنمای عملی جدید نشان میدهد که مدلهای زبانی بزرگ، زیرمجموعهای تخصصی از یادگیری عمیق هستند و نه جایگزینی برای آن. توسعهدهندگان میتوانند با جداسازی مدلهای بردارساز و مولد،…
مقایسهای میان AGE Plan و PwF نشان میدهد که در حالی که دومی بر حفظ حافظه تمرکز دارد، اولی با معرفی «دروازههای بستار» مانع از ادعاهای دروغین عاملها درباره تکمیل وظایف میشود.…
خط لولههای RAG با ترکیب بازیابی دادههای خارجی و تولید متن، پاسخهای مدلهای زبانی را به واقعیتهای قابل راستیآزمایی گره میزنند. این سازوکار ریسک توهم مدل را کاهش داده و دسترسی…
تحلیل ۱۷ خطای عاملمحور نشان میدهد قواعد داخلی برای اندازهگیری مفیدند اما هرگز نمیتوانند داور نهایی باشند. برای دستیابی به قابلیت اطمینان، توسعهدهندگان باید بهجای تکیه بر…
محک جدید ORCA-bench نشان میدهد که پیشرفتهترین عاملهای کدنویسی در تحلیل ریشهای حوادث تولید (Production) ناتواناند. این یافتهها شکاف عمیقی را میان قدرت کدنویسی مدلها و…
مدل جدید DeepSeek V4 Flash 0731 در بنچمارکهای هوش مصنوعی با GPT-5.6 Luna برابری کرد، اما هزینهی عملیاتی را ۶۰٪ کاهش داد. این بهروزرسانی جهشی در توانمندیهای عاملمحور و کاهش…
پلتفرم BrassCoders با جداسازی شناسایی خطاهای ساختاری از استدلالهای مبتنی بر قصد، دقت عیبیابی کد را افزایش داده است. این سیستم ابتدا الگوهای شناختهشده را با اسکنرهای قطعی…
پژوهشگران معتقدند مدلهای استدلالی بزرگ (LRM) بهجای تفکر واقعی، از میانبرهای سطحی و بازیابی تقریبی برای تقلید از استدلال استفاده میکنند. شواهد نشان میدهد که «زنجیرههای تفکر»…
دیپسیک مدل V4 Flash 0731 را معرفی کرد؛ مدل استدلالی جدیدی که توازن میان هوش بالا و قیمت بسیار پایین را برقرار کرده است. این مدل در حالی پنجره متنی ۱ میلیون توکنی دارد که هزینه…
پژوهشگران با افزودن یک لایه «سلسلهمراتب اعتماد» به مدل بسیار سبک OPT-125M، توانستند توهمات آن را بهطور مؤثر حذف کنند. این سامانه بهجای تکیه بر اطمینان مدل، اعتبار پاسخها را بر…
شرکت DebugAI دریافت که نمرات اطمینان (Confidence Scores) تولید شده توسط هوش مصنوعی، اغلب با صحت واقعی کد متضاد هستند. برای حل این مشکل، آنها سیستم خود-ارزیابی را با بررسیهای…