
AI-ütemező 15%-kal javítja a robotok munkáját
Egy új Transformer-alapú AI-modell 15-30%-kal csökkenti a robotok munkájának ütemezési idejét, miközben nagyméretű, 100x100-as feladatokra is képes általánosítani.
Friss kutatási eredmények és tudományos áttörések a mesterséges intelligencia világából

Egy új Transformer-alapú AI-modell 15-30%-kal csökkenti a robotok munkájának ütemezési idejét, miközben nagyméretű, 100x100-as feladatokra is képes általánosítani.

A hyperdimenziós számítás (HDC) új keretrendszert kínál a táblázatos adatok lekérdezésére, amely interpretálhatóbb eredményeket ad, mint a korábbi módszerek.

Több mint 160 vállalat adott be WARN-értesítést 2025 márciusa óta, Arvind Narayanan és Sayash Kapoor szerint az AI nem váltja fel a szoftverfejlesztőket, mivel a munka nagy része megbeszélésekben és hibakeresésben zajlik.

Az Anthropic új kutatása szerint a Claude AI képes segíteni a kémikusokat az NMR-spektrumok értelmezésében, ami felgyorsíthatja a kutatásokat.

A fejlesztésnek köszönhetően a robotok tanítása gyorsabban és hatékonyabban végezhető el, ami jelentős előrelépést jelent a gépi tanulás területén.

Az L-VARC modell nyelvvezérelt tanulással javítja a vizuális okoskodást, és felülmúlja a jelenlegi élvonalbeli megoldásokat. A modell 18 millió paraméterrel dolgozik.

A kutatók egy új, kétirányú KL-regularizátort és vizuális-kontrasztív grounding célkitűzést alkalmaznak, amely tiszta és lézióval korrumpált képeket párosít, hogy csökkentsék az orvosi LVLM-ek hibáit.

Az új MINARD rendszer papíralapú narrációval és régióalapú videókkal magyarázza el a tudományos ábrák komplexitását, felülmúlva a korábbi megközelítéseket.

A titkos gondolatok mintázatai nem jelzik a belső érvelési mechanizmusokat az LLM-ekben. A kutatók szerint a mintázatok megjelenhetnek anélkül is, hogy valódi ok-okozati összefüggést mutatnának a modell viselkedésével.

A nagy nyelvi modellek nem tudják hűen visszaadni a közmondások mögötti erkölcsi és ok-okozati struktúrát történetekben. A kutatók a közmondásalapú történetgenerálást használják tesztágyként.

Az AfriSUD adatbázis kilenc afrikai nyelvre kínál magas minőségű, anyanyelvi beszélők által ellenőrzött szintaktikai adatokat, ám az AI-modellek továbbra is jelentős korlátokat mutatnak a nyelvi szerkezet megértésében.

A GRIP keretrendszer a multimodális AI-modellek in-context learning képességét javítja, visszajelzésalapú példaválasztással — a módszer átültethető más modellekre is, mint a GPT-4o vagy a Gemini.

Az általános mesterséges intelligencia (AGI) megítélése nehéz, mivel nincs egységes definíció. A DAF-AGI nevű megközelítés segíthet a definíciók értékelésében.

Kutatók kidolgoztak egy új módszert, amely lehetővé teszi a mély neurális hálózatok komplexitásának csökkentését, így az EEG-elemző modellek használhatók viselhető eszközökön.

A Melbourne-i Egyetem kutatói vizuális nyelvi modellekkel (VLM) tanítják a robotokat az emberi érzelmek felismerésére, figyelembe véve a kontextust és a viselkedést, nem csak az arckifejezéseket.

A 4 milliárdos Pythagoras-Prover-4B modell 167-szer kevesebb paraméterrel előzi meg a 671 milliárdos DeepSeek-Prover-V2-671B-t a MiniF2F-Testen, 86,1%-os pontossággal.

Az AMD Kria K26 SOM-ra épülő, kamerás rendszer 75%-os pontossággal képes előre jelezni és észlelni az idősek elesését, adatvédelmi szempontokat is figyelembe véve.

Az OSCS-SupCon nevű új módszer a képek közös és stílusbeli jellemzőit választja szét, 3,4%-kal javítva a pontosságot a CUB200-2011 adathalmazon.

A Context Window Lifecycle (CWL) nevű új séma lehetővé teszi a hosszú kontextusú LLM-ügynökök számára a 80 millió tokenes munkaterületet, miközben a memóriahasználat hatékony marad. A kutatók szerint a módszer nem jár teljesítménycsökkenéssel.

Kutatók kidolgoztak egy új dekóderes eljárást, a LatticeBridge-t, amely pontosabban teljesíti a strukturált szöveggenerálásnál elvárt feltételeket. Ez az eljárás javítja az anchorok kielégítését és lefedettségét.

Az audio nyelvi modellek (ALM) szemantikus következtetési képességei, a puszta transzkripciókon túl, továbbra is rosszul mértek, különösen az akcentusok és a domain-váltás hatásai ismeretlenek.
Tetszik az oldal? Támogasd a fejlesztést
Az AI Forradalom egy automatizált pipeline: napi adatgyűjtés, LLM-feldolgozás és infrastruktúra fenntartása valódi költségekkel jár. Ha értékesnek találod a tömör, naprakész AI-összefoglalókat, egy kávé sokat segít.