AI research papers, arXiv publikációk, benchmarkok, tudományos áttörések
A GISTBench keretében a kutatók egy új tesztet mutattak be, amely nyolc, 7 milliárd paraméteres nyílt súlyú LLM felhasználói interakciók alapján értékeli a megértési képességet.
Öt vezető LLM tesztje szerint a modellek válaszainak 6,5%-ában hallucináció, 13,2%-ában mulasztás vagy kitérő válasz szerepelt – az UTCO-keretrendszerrel 2075 strukturált utasítást vizsgálva.
A kutatók 960 ülést végeztek két modellpárral 15 feladatban, és megállapították, hogy a személyalapú ügynök-bírák értékelései nem különböznek jelentősen az emberi bírákétól.
Az ArXiv NLP szerint a kutatók a DeepSeek-R1 sorozatú nagy reasoner modelleket vizsgálták, amelyek erős reasoner képességeket mutatnak a poszt-tréning után.
Az arXiv 2604.00284v1-es tanulmánya szerint a Connections improvizációs szójátékban az AI-ügynököknek valós időben kell egymás tudását felhasználva szavakat összekapcsolniuk, így a szociális intelligencia tesztelése új, együttműködésközpontú szintre lép.
A kutatók az OpenTools projektet egy nyilvános webdemón keresztül tesztelték, ahol a felhasználók meghatározott ügynököket és eszközöket futtathatnak és teszteseteket adhatnak hozzá.
A kutatás során három 12-14B LLM modellt használtak, köztük a Gemma 3, Phi 4 és Qwen 2.5 modelleket, amelyeket helyi számítógépen futtattak GPU nélkül.
A kurzus az összes érdeklődő számára nyitott, korlátozás nélkül.
Az LLM-ek értékelésére egyebek között az AWS Bedrock LLM-jét használták a kutatók.
A ClauseCompose dekóder egy könnyen tanítható modell, amely csak egyes szándékokon való betanítást igényel.
A szerző szerint a Prosaic Capture veszélye, hogy az AI safety szakemberek figyelme a termékbiztonsági munkára összpontosul, és elvonja a figyelmet a spekulatívabb kérdésekről.
A Tech Xplore által közzétett tanulmány szerint a Midjourney képgenerátora szép, esztétikailag sikeres képeket hoz létre, de a pontos utasítások követése jelentős hiányt mutat, amit a GAN-alapú tanulás korlátai okoznak.
A kutatás az arXiv NLP-n jelent meg, és a T5-alapú érzelem-osztályozót használja az egyetértési stratumok közötti érzelmi eloszlások összehasonlítására.
A Claude Code 9 hónap alatt több mint 2,5 milliárd dolláros árbevételt ért el, az Anthropic pedig továbbra is 10-szeresére növeli az éves árbevételét.
Egy magyar egyetemi hallgató a Federated Adversarial Learning projektjével támogatást keres, hogy a federált tanulás keretében hatékonyan kezelje az ellenálló támadásokat, különösen az egészségügy érzékeny adatainak védelme érdekében.
A Reddit-fórumon több mint 150 hozzászólás érkezett a gépi tanulás tankönyveiről szóló kérdésre.
A cég szerint a CSI 13 perc alatt áttervezte az egész inference stackjüket, és megoldott több, korábban megoldhatatlan anyagtudományi problémát.
A tanulmány szerzői, Pablo de los Riscos, Fernando J. Corbacho és Michael A. szerint az új keretrendszer lehetővé teszi az RL, Universal AI és Active Inference architektúrák összehasonlítását.
Az ArXiv AI szerint a ChartDiff segíthet a jelenlegi látás-nyelv modellek fejlesztésében, amelyeknek a több diagramos érvelésben való teljesítménye továbbra is kihívást jelent.
A CaP-Agent0 rendszer, amely egy vizuális különbségmodullal, automatikusan generált függvénykönyvtárral és párhuzamos kódkészítéssel működik, emberi szintű teljesítményt ért el négy feladatból hétben.
A kutatók szerint a klasszikus adatok kvantum modellekbe történő bevitelének legnagyobb kihívása az adatok hatékony kvantum állapotba történő átalakítása.
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.