Kutatás
Az AI-vége 1-4 év múlva érkezhet, éljük meg az utolsó éveket vidáman
NickyP, a LessWrong AI szerző szerint az emberiségnek mindössze 1-4 éve maradt, mielőtt az AI radikálisan átalakítja a világot.
Kutatás
AI research papers, arXiv publikációk, benchmarkok, tudományos áttörések
Kutatás
A YOLO csendben megbukik biztonságkritikus zárt körű osztályozásnál
A modell 94–96%-os pontossággal azonosítja az ismert fajokat, de ismeretlen gombáknál tévesen osztályoz — ami mérgezési kockázatot jelent.
Kutatás
Hat Models, Négy Feladat: Az LLM Alapú Szövegannotáció Rejtett Tényezői
Lorca McLaren és munkatársai hat modellt teszteltek, és megállapították, hogy a folyamat választások kölcsönhatásai meghatározzák az eredményeket.
Kutatás
A FormalProofBench 33,5%-os pontosságot ért el a diplomamunka-szintű matematikai bizonyításokban
A Claude Opus 4.5 modell a FormalProofBench tesztjén 33,5%-os pontosságot ért el, amely a diplomamunka-szintű, Lean 4-alapú matematikai bizonyítások ellenőrzésére szolgál.
Kutatás
Hat LLM modell került tesztelésre 15 ország adataival
A kutatók szerint a modell teljesítménye az érzelem típusától és a kulturális kontextustól függ.
Kutatás
Az RL-képzés tönkreteszi a Chain-of-Thought monitorozhatóságot bizonyos esetekben
A DeepMind Safety Research csapata kidolgozott egy keretrendszert, amely segít előrejelezni, hogy az RL-képzés mikor rontja a Chain-of-Thought monitorozhatóságát.
Kutatás
Az ellenőrzés néha árt: Tanulási modell visszajelzések aszimmetrikus hatásai
A kutatók 516 egyedi bizonyítási állapottal vizsgálták, hogyan hat a visszajelzések ellenőrzése a nagy nyelvi modellek logikai bizonyítási teljesítményére, és felfedezték, hogy az ellenőrzés csak hibás visszajelzés esetén javít, míg pontos visszajelzésnél akár ront is.
Kutatás
A LIMBO kutatócsoport 2024-es alapítása óta fejleszti az anthropikus következtetés matematikai keretrendszerét
2024 októberben alakult LIMBO kutatócsoport már az első évben 5,6 millió dollárba kerülő, exportkontroll alá eső hardveren futó modelljével bizonyította, hogy a ritka események becslése matematikailag kezelhető, és még pénzügyi piacokon is nyereséget hozott.
Kutatás
Az LLM-ek nem tudnak megbízható magyarázatot adni az AI-felelősséghez
Több kutatás is azt találta, hogy az LLM-ek által generált magyarázatok nem pontosak, és a szakértők szerint ez komoly probléma az AI-felelősség szempontjából.
Kutatás
Az AlpsBench bemutatja az első valós párbeszéden alapuló LLM személyre szabási teljesítménytesztet
A WildChat platformon gyűjtött, 2 500 interakcióból álló AlpsBench teszt valós ember-LLM párbeszédeken alapul, és négy feladat – információk kinyerése, frissítése, visszakeresése, felhasználása – mentén értékeli a memória teljes életciklusát.
Kutatás
A Mistral AI szerint az AI-modell testreszabása architektúrális követelmény
A Mistral AI szerint a testreszabás logikájának leválasztása az alapmodellről biztosítja, hogy a vállalatok "digitális idegrendszere" rugalmas maradjon.
Kutatás
Kontrollos kísérlet: 3,2%-kal jobb eredményt ér el az LLM újraparaméterezése a szakcikkekhez való hozzáféréssel
A kutatók szerint az LLM újraparaméterezése akár 10%-kal is javíthatja a teljesítményt, ha a modellhez nagy mennyiségű, minőségi adatot biztosítanak.
Kutatás
A Google TurboQuantja 6-szor kevesebb memóriát használ, 8-szor gyorsabb és nulla pontosságveszteséggel
A TurboQuant.net elemzés szerint a kompresszióhatárok eléréséhez közelednek, és az új fejlesztések valószínűleg más irányból érkeznek.
Kutatás
A bizonytalanság fontossága: új felmérés az UAXAI-ről
Az arXiv-on közzétett felmérés több mint száz kutatási eredményt elemezve három bizonytalanság-mérési módszert (Bayes-alapú, Monte Carlo, konformális) és három integrációs stratégiát (megbízhatóság, korlátozás, nyílt kommunikáció) azonosít az UAXAI rendszerekben, kiemelve a kalibráció és az eloszlásfüggetlen technikák növekvő szerepét.
Kutatás
A PentaNet projekt új lehetőségeket nyit a BitNet-en túl
A PentaNet projekt mögött álló csapat 124M paramétert használ az új modellben.
Kutatás
Az inference sokkal gyorsabb Linuxon, mint Windowson
A LocalLLaMA közösség szerint a Linuxon futó inference akár 30%-kal gyorsabb lehet, mint a Windows alatt.
Kutatás
LLM-ek nem gondolkodnak, hanem utánoznak, egy újságíró tapasztalatai Claude-dal
Gina Chua újságíró-stratéga két napot töltött Claude-dal szerkesztői folyamat tesztelésére — és nyíltan szólt arról, amit talált: az LLM-ek nem értenek semmit, csak analógiák alapján utánoznak.
Kutatás
Lebontva: így néz ki belülről a Claude Code, 500+ fájl, 40+ eszköz, 11 lépéses loop
A ccunpacked.dev oldal részletesen feltárta a Claude Code belső architektúráját: az alkalmazás egy 11 lépéses agent loopon alapul, amelybe a felhasználói bemenet feldolgozásától az API-válaszig minden lépés beágyazódik.
Kutatás
Miért nem lehet a TurboQuant-ot kvantálásra alkalmazni? A LocalLLaMA közösség magyarázza
A Google TurboQuant módszere csak egydimenziós vektorokon forgatja a súlyokat — a 2D súlymátrixokon ez nem működik, ezért a kvantáláshoz más megközelítés kell.
Kutatás
Új teszt: az LLM-ek következetesen félreolvassák a feladatot, ha az instrukció és a szöveg ellentmond egymásnak
Hat modellt teszteltek, és mindegyiknél ugyanazt találták: a felületi jelek 8–38-szor erősebben befolyásolják a döntést, mint maga a feladat célja.
Kutatás
Az SciVisAgentBench teszt 108 esettanulmányt tartalmaz a tudományos adatelemzés és visualizáció értékelésére
A SciVisAgentBench tesztet Kuangshi Ai és 15 kollégája hozta létre, 108 szakértői esetet tartalmazva, és 12 SciVis szakértővel közösen fejlesztették ki, hogy több lépéses, valós elemzési környezetben mérje a tudományos adatelemzés és visualizáció teljesítményét.