// AI на русском
189 статьи по теме
Учёные с помощью теории игр изучили конкуренцию между двумя типами ИИ-агентов (минимизирующим вред и ориентированным на одобрение) и определили условия, при которых первый может победить.
ATHENA-R1 — ИИ-агент для обоснования лечебных решений. Превзошёл GPT-5 по точности: 94,7% для обоснования лекарств и 82,9% для обоснования лечения.
VirtueMap — структура для оценки LLM через призму аристотелевской этики: оценка ответов на этические дилеммы и формирование профилей моделей по добродетелям. Есть интерактивный сайт.
Yuvion LLM — модель ИИ с усиленной защитой от угроз, учитывающая «состязательный» характер атак; в тестах превзошла GPT-5.4 и Qwen3-MAX по показателям безопасности.
Создан тест NormAct для оценки способности MLLM учитывать скрытые социальные нормы; предложен NormPerceptor, повышающий успешность задач с 24,2% до 46,7%.
Учёные нашли лучший метод прогнозирования давления и выбросов CO2 в геологических хранилищах — постепенный модификатор с коррекцией проницаемости снижает погрешность до менее 3,7%.
Система ToE автоматически проверяет факты, выстраивая дерево аргументов и собирая доказательства из разных источников. Улучшает точность на 4–24 п. п. по сравнению с аналогами.
DysLexLens — платформа на базе LLM для анализа опыта учащихся с дислексией в онлайн-форумах. Фильтрует данные, объединяет семантический анализ и анализ на основе KG, оценивает ответы и даёт рекомендации по проверке их качества.
Система на базе LLM автоматически превращает текстовые инструкции в формальные проверенные политики для агентов (на языке Cedar). В тестах MedAgentBench превзошла ручное кодирование.
Китайская компания 360 и токийский стартап Sakana AI запустили новые ИИ-модели на фоне затягивания запрета США на экспорт определённых технологий. Модели ориентированы на локальные рынки и призваны снизить риски экспортного контроля. Представители компаний подчёркивают важность коллективного подхода к развитию ИИ.
NeuraDock Agent — система для анализа ЭЭГ с контролем качества данных; разделяет движок и языковой уровень, обеспечивает стабильность и безопасность данных.
Авторы предложили метод интерпретации ИИ как агентов, разработав критерии и тесты для понимания «убеждений» и «желаний» моделей с учётом их взаимосвязи.
Предложен инструментарий для управляемых медицинских экосистем ИИ — он позволяет отслеживать и контролировать ИИ‑решения в медицине, пример применения — уход за пациентами с остеопорозом.
Разработан метод оценки надёжности LLM с помощью разреженных автоэнкодеров; предложена стратегия тонкой настройки для повышения безопасности языковых моделей.
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 %.
Разработан метод снижения эскалации конфликтов в диалогах с LLM за счёт подсказок на основе принципов ненасильственного общения (NVC).
Аудит тестов на Deepfake показал, что они могут не отражать реальные угрозы — универсальные модели приближаются по эффективности к специализированным детекторам.
Разработана платформа Clue2Group: она выявляет группы по отмыванию денег, работая от конкретной зацепки и объединяя данные о рисках и структуре финансовых операций.
Модель FHPLF объединяет обучение хэшированию и федеративное обучение, снижая затраты на вычисления и повышая защиту данных при сохранении высокой точности.
Антонио Феррара предлагает новый подход к алгоритмической справедливости — с учётом структурного контекста, а не только упрощённых оценок. Это поможет снизить предвзятость в ИИ.