DeepDigest

// 50+ источников об ИИ в одном месте

Всё важное об ИИ — в одной ленте

▸ LIVE: Nexuni и MIT Media Lab: решения для внедрения AI в промышленность
@deepdigest
Статьи об ИИ в Telegram — подпишитесь
Подписаться →
@deepdigest · Макс
Статьи об ИИ в Макс — подпишитесь
Подписаться → Дзен
deepdigest · Дзен
Статьи об ИИ в Яндекс Дзен — подпишитесь
Подписаться →
// самые читаемые
#1
Ускорение Gemini Nano на Pixel с мультитокеновым прогнозированием
3262 просм.
#2
Викторина по вводу-выводу 2026 от Google AI Studio
3154 просм.
#3
Конфиденциальные данные в эпоху ИИ: как классифицировать актив...
3126 просм.
#4
Управляемое обучение с Gemini в Сьерра-Леоне: результаты иссле...
3073 просм.
#5
Google: дорожная карта управления ИИ для безопасности агентов
2932 просм.
Все Anthropic News Cursor Changelog GitHub Copilot Changelog Google AI Blog Google DeepMind Google Research Meta AI Blog Microsoft AI Blog Apple Machine Learning AWS Machine Learning Berkeley AI (BAIR) Character.AI Blog Databricks Blog Golem.de / KI Hugging Face Blog ITmedia AI+ LangChain Blog Leiphone Microsoft Research MindStudio Blog Mistral AI Blog Modular Blog NVIDIA AI Blog QbitAI Sakana AI Stability AI Blog Synced TechNews / AI The Robot Report Together AI Blog Weaviate Blog Ahead of AI (Raschka) AI Blog (spaces.ac.cn) AI News AINOW AI Snake Oil AI Supremacy AI Weekly Analytics Vidhya Ars Technica AI Computerwoche Fortune AI IEEE Spectrum AI Import AI Interconnects (Nathan Lambert) IT BOLTWISE Last Week in AI MIT Technology Review AI Simon Willison's Weblog TechCrunch AI Tech Monitor TechOrange The Gradient The Guardian / AI The Sequence The Verge AI VentureBeat AI WIRED AI
|
Все темы LLM714 Research426 Business180 Safety136 Multimodal77 Agents71 Hardware63 Vision60 Robotics35 Audio4
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

Новый метод поможет сделать языковые модели безопаснее: разреженные автоэнкодеры выявляют слабые места

Разработан метод оценки надёжности LLM с помощью разреженных автоэнкодеров; предложена стратегия тонкой настройки для повышения безопасности языковых моделей.

LLM Research Safety
читать →
~1 мин 1482 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

ProvenAI: как проверить, откуда взялись ответы ИИ

ProvenAI — фреймворк для оценки соответствия ответов ИИ источникам: проверяет правильность, цитирование и влияние источников. Тестировался на HotpotQA, показал точность ответов 53,53 %, цитирования — 71,55 %.

LLM Research Safety
читать →
~1 мин 1921 просмотра
cs.CV
arXiv
Cornell University Library
arXiv cs.CV

Тесты на Deepfake: почему они могут вводить в заблуждение?

Аудит тестов на Deepfake показал, что они могут не отражать реальные угрозы — универсальные модели приближаются по эффективности к специализированным детекторам.

Vision Research Safety
читать →
~1 мин 1408 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

Новая платформа поможет раскрыть схемы отмывания денег

Разработана платформа Clue2Group: она выявляет группы по отмыванию денег, работая от конкретной зацепки и объединяя данные о рисках и структуре финансовых операций.

Research Safety
читать →
~1 мин 1630 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

Новый метод обучения ИИ: баланс точности, скорости и защиты данных

Модель FHPLF объединяет обучение хэшированию и федеративное обучение, снижая затраты на вычисления и повышая защиту данных при сохранении высокой точности.

Research Safety LLM
читать →
~1 мин 1682 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

Новый взгляд на справедливость алгоритмов: преодоление предвзятости в ИИ

Антонио Феррара предлагает новый подход к алгоритмической справедливости — с учётом структурного контекста, а не только упрощённых оценок. Это поможет снизить предвзятость в ИИ.

Research LLM Safety
читать →
~1 мин 1333 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

Непредсказуемость оценок безопасности: почему LLM могут ошибаться

Исследование показало нестабильность оценок безопасности с помощью LLM-as-judge даже при настройках для детерминированности; предложены рекомендации по улучшению воспроизводимости результатов.

LLM Safety Research
читать →
~1 мин 1140 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

KG-TRACE: ИИ помогает разобраться в устойчивости бактерий к лекарствам

Система KG-TRACE объясняет, почему бактерии устойчивы к лекарствам, объединяя геномные данные и биологические знания; показала высокую точность на данных о туберкулёзе.

Research LLM Safety
читать →
~1 мин 993 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

Новый подход к этическим рассуждениям в ИИ: система «изложение мыслей»

Разработана система NoT для структурирования этических рассуждений в ИИ: она снижает число упущенных факторов в моральных дилеммах и помогает достигать консенсуса в дебатах.

LLM Research Safety
читать →
~1 мин 1064 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

QES: новый подход к научным открытиям в эпоху ускоряющегося прогресса

Статья предлагает Qualitative Engine for Science (QES) как способ преодолеть ограничения ускорения технологического прогресса в научных открытиях и сократить разрыв между ИИ и человеческим мышлением.

LLM Research Safety
читать →
~1 мин 1337 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

Новый подход к управлению ИИ: как контролировать автономные системы без слежки за их рассуждениями

Предложена модель управления ИИ-агентами: агенты автономны в рассуждениях, но рискованные действия требуют подтверждений от независимых источников и фиксируются в защищённом журнале.

LLM Safety Research
читать →
~1 мин 1255 просмотра
// еженедельный дайджест на email
темы:
// помочь проекту