Авторы представили метод HOPE для обрезки экспертов в моделях Mixture-of-Experts。
Почему это важно: Метод HOPE предлагает улучшенный подход к обрезке экспертов в моделях Mixture-of-Experts, что может значительно повысить эффективность использования памяти.
Исследователи представили многомодальную систему AI-PPG-ACC-HTN, способную обнаруживать гипертензию с помощью смарт-часов без калибровки манжеты。
Почему это важно: Исследование демонстрирует потенциал использования носимых устройств для раннего выявления гипертензии.
Исследователи из Google представили Agile Deliberation, новый подход к созданию субъективных классификаторов AI。
Почему это важно: Работа предлагает новый подход к обучению AI-систем, который учитывает субъективные аспекты человеческого восприятия.
Исследователи представили StateBench, бенчмарк для оценки способности языковых моделей отслеживать изменения состояния в длинных документах. Он включает четыре уровня сложности и показывает, что модели Gated DeltaNet и гибридные архитектуры превосходят трансформеры в задачах отслеживания состояния.
Почему это важно: StateBench предоставляет новый бенчмарк для оценки способности языковых моделей отслеживать изменения состояния в длинных документах.
Исследователи Microsoft разработали платформу для генерации синтетических данных。
Почему это важно: Методология оценки AI-систем на основе синтетических данных может значительно повысить качество и безопасность в корпоративной среде.
Команда из Университета Пенсильвании разработала систему LitPivot, которая помогает исследователям улучшать свои идеи。
Почему это важно: Исследование демонстрирует, как LitPivot помогает улучшить качество научных идей через взаимодействие с литературой.
Google DeepMind и партнеры представили карту Forest Typology 2020。
Почему это важно: Карта Forest Typology 2020 предоставляет детальную информацию о типах лесов, что важно для оценки воздействия на окружающую среду.
Исследование VocabX показывает, как специализация словаря для конкретной задачи позволяет сократить затраты на вывод модели на 77%。
Почему это важно: Метод VocabX демонстрирует значительное снижение затрат на вывод модели, что может быть полезно для оптимизации AI-систем.
Исследователи из Microsoft Research доказали гипотезу Kannan-Lovász-Simonovits (KLS)。
Почему это важно: Работа демонстрирует, как сотрудничество человека и AI может привести к значительным научным открытиям в математике.
Исследователи разработали систему AI для интерпретации ультразвуковых обследований。
Почему это важно: Исследование демонстрирует, как AI может улучшить доступ к ультразвуковым обследованиям в условиях нехватки ресурсов.
i14 представила модель Laplace 3B с линейным вниманием, обученную и развернутую на AWS Trainium2 с использованием нативного PyTorch. Модель достигает 120。
Почему это важно: Материал объясняет, как использовать архитектуру Laplace 3B на AWS Trainium2, что может быть полезно для разработчиков AI-агентов.
Авторы дообучили модель GPT-OSS-20B для многоязычного рассуждения。
Почему это важно: Материал подробно описывает процесс дообучения модели для многоязычного рассуждения, что может быть полезно для разработчиков AI.
Представлен FairStress — бенчмарк для измерения демографической справедливости в LLM。
Почему это важно: FairStress предоставляет новый подход к оценке справедливости в принятии решений LLM, что может помочь в разработке более надежных моделей.
Исследование Google описывает, как использование AI-ассистента для написания патентов влияет на производительность и развитие навыков юристов. Результаты показывают。
Почему это важно: Исследование показывает, как использование AI может влиять на развитие профессиональных навыков у юристов.
Команда разработчиков адаптировала модель Nemotron для участия в IOI и IMO, достигнув золотых медалей на обоих соревнованиях с использованием методов дообучения и обучения с подкреплением.
Почему это важно: Результаты показывают, как адаптация модели Nemotron позволяет достигать высоких результатов на международных олимпиадах.
Google Earth AI представил Population Dynamics Foundation Model (PDFM), который улучшает эпидемиологические модели。
Почему это важно: Исследование демонстрирует, как геопространственные модели могут улучшить общественное здоровье, предоставляя актуальные данные для эпидемиологических задач.
Google Research представил отчет о проблемах конфиденциальности и безопасности автономных агентов。
Почему это важно: Отчет предлагает новые подходы к обеспечению безопасности и конфиденциальности автономных агентов, что важно для их безопасного внедрения.
Google представил новое поколение системы федеративного обучения。
Почему это важно: Исследование предлагает новые подходы к обеспечению конфиденциальности в федеративном обучении, что может повлиять на будущее разработки AI-систем.
Исследователи Google представили фреймворк Diffusion Controller。
Почему это важно: Предлагает единый математический подход к управлению генерацией изображений, улучшая соответствие промптам без потери качества.
Команда Multiverse Computing представила статью ProvenanceGuard, посвященную проверке фактов для LLM-агентов。
Почему это важно: Представлен метод верификации фактов для MCP-агентов, который отслеживает происхождение утверждений и предотвращает смешение источников.