// AI на русском
93 статьи по теме
Разработан метод извлечения задач и методов из научных статей — он повышает точность (рост F1 на 2,67–3,71%) за счёт десенсибилизации выражений и учёта контекста.
SOLAR — метод выравнивания представлений токенов в многоязычных моделях, повышающий согласованность ответов на разных языках и точность анализа.
Разработан гибридный метод подбора нежёстких 3D-форм «от грубого к точному», демонстрирующий высокую эффективность в сложных условиях.
Создан тест MKG-RAG-Bench для оценки работы систем RAG с мультимодальными графами знаний; поможет совершенствовать ИИ-решения.
Учёные выяснили, как ИИ-модель анализирует полярное сияние: она учитывает сезонные циклы и трёхмерную структуру штормов, самостоятельно выявляя метеорологические закономерности.
Кайли Энглин предложила методы для более точной оценки неопределённости в работе классификаторов на основе LLM, особенно при работе с небольшими выборками и вложенными данными.
OpenAI демонстрирует быстрый рост выручки, однако расходы компании, особенно на НИОКР, остаются значительно выше доходов. Ежедневные операционные и чистый убытки продолжают расти. Чтобы выйти на прибыль к 2030 году, OpenAI придётся оптимизировать затраты и повысить отдачу от инвестиций.
Берни Сандерс выдвинул план создания суверенного фонда за счёт 50‑процентного налога на акции крупнейших ИИ‑компаний. Фонд может достичь 7 трлн долларов, средства направят на выплаты гражданам и финансирование социальных программ. Представители индустрии ИИ не разделяют радикальности предложений сенатора.
Авторы эссе доказывают, что опасения по поводу замены инженеров-программистов ИИ преувеличены. На примерах из бизнеса показано, что увольнения часто объясняют влиянием ИИ, хотя реальные причины иные. Данные исследований также не подтверждают массового сокращения рабочих мест из‑за внедрения ИИ.
Локеш Лагуду из IEEE и Walmart Global Tech дал советы начинающим инженерам, как преуспеть в сфере ИИ. Он рекомендует осваивать технические навыки, изучать принципы работы LLM и GPT, участвовать в бенчмарках и применять знания на практике. Также важно следить за исследованиями и развивать междисциплинарные навыки.
Учёные из Университета Аризоны создали акустическое устройство на основе нейронных синапсов — оно имитирует обучение мозга и потребляет гораздо меньше энергии, чем стандартные чипы ИИ. Разработка может стать важным шагом в моделировании работы мозга.
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 %.
AnySimLite — лёгкая модель для классификации речи на устройствах: занимает мало памяти, сохраняет высокую точность. Показала конкурентоспособные результаты.
ProfileFoundry — генератор синтетических данных для оценки работы LLM-агентов: память, конфиденциальность, работа с документами. 100 тыс. профилей, более 700 тыс. событий.
Лингвисты доказали, что нейтральный тон в мандаринском — лексический: у него есть своя тональная цель и уникальные звуковысотные признаки.
Небольшие языковые модели ускоряют анализ данных о spHRI, помогая обнаруживать пропущенные рецензентами статьи.
ConflictScore — метрика для оценки реакции языковых моделей на противоречивые данные; включает тест ConflictBench и показатели CS-C и CS-R.
Авторы представили систематический обзор объединения зрительного восприятия и языкового мышления в MLLM, ввели пятиэтапную таксономию и обозначили перспективы создания унифицированного мультимодального интеллекта.
Разработан метод создания диалоговых ИИ‑систем для языков с ограниченными ресурсами на базе WordNet: преобразовали Hindi WordNet в 1,25 млн пар «инструкция‑ответ», настроили языковую модель — эффективность достигла 91,0.
Исследование показало, что LLM (GPT-5.1, Gemini 3 Pro, DeepSeek-V3.2) предлагают слишком узкий набор методов для исследований, есть перекосы в выборе подходов — это несёт риски для учёных.