Исследования и наука
AMTFV: новый метод верификации математических решений для LLM
Исследователи представили AMTFV — фреймворк для верификации математических ответов LLM через агентные потоки инструментов. В отличие от стандартной рефлексии на естественном языке, метод автоматически генерирует и исполняет верификационный код, что минимизирует ошибки вычислений. Подход позволяет моделям самостоятельно исправлять свои решения, повышая точность ответов в сложных задачах, требующих строгой логики и вычислений.
Нейросимвольный подход к ранней диагностике болезни Альцгеймера по аудио
Исследователи представили автоматизированный конвейер для раннего выявления признаков болезни Альцгеймера на основе анализа аудиозаписей тестов на вербальную беглость. Система объединяет возможности предобученных фундаментальных моделей для обработки речи с нейросимвольными методами, что позволяет не только классифицировать состояние пациента, но и предоставлять интерпретируемые объяснения для медицинских специалистов, снижая потребность в ручном анализе данных.
TerraNova: фундаментальная модель для анализа системы «Земля — общество»
Исследователи представили TerraNova — фундаментальную модель, объединяющую данные о физических процессах планеты и динамике человеческих обществ. Основная сложность заключалась в несовместимости форматов: физические показатели измеряются непрерывными полями, а социальные данные привязаны к административным границам. Модель решает эту геометрическую проблему, создавая единое представление для анализа глобальных системных изменений в эпоху антропоцена.
Применение графовых нейросетей для прогнозирования свойств высокоэнтропийных перовскитов
Исследователи представили новый метод обучения графовых нейронных сетей (GNN) для анализа высокоэнтропийных перовскитных оксидов (HEPO). Использование стратегии переноса знаний от упорядоченных структур к разупорядоченным позволило значительно повысить точность предсказания энергии образования и энергетической щели HOMO-LUMO. Этот подход решает проблему нехватки качественных данных для сложных химических соединений, ускоряя поиск новых функциональных материалов.
Новый метод сегментации органов в лапароскопической хирургии
Исследователи представили метод улучшения сегментации внутренних органов при лапароскопических операциях, использующий трансферное обучение и специализированные декодеры для каждого класса. Решение эффективно справляется с проблемой дисбаланса данных, когда мелкие или редко встречающиеся анатомические структуры недостаточно представлены в обучающих выборках, что критически важно для точности автоматизированных хирургических систем и поддержки принятия решений в реальном времени.
Новый подход к борьбе с катастрофическим забыванием через энтропию параметров
Исследователи предложили метод борьбы с катастрофическим забыванием в нейросетях, основанный на анализе энтропии Больцмана. В отличие от стандартных метрик обучения, новый подход фокусируется на поиске решений, занимающих большие объемы в пространстве параметров. Это позволяет моделям сохранять стабильность при дообучении, предотвращая деградацию ранее усвоенных знаний и обеспечивая более устойчивые представления данных.
Исследование архитектуры трансформеров с управлением транскриптами
Исследователи представили модель Transcript-Managed Transformers, изучающую управление памятью в трансформерах с фиксированной точностью. В этой архитектуре транскрипт разделен на каналы с ограниченными блоками, где модель может добавлять данные или удалять их с помощью операции PopContext. Работа доказывает универсальность таких систем и их способность к монотонному коллапсу состояний при взаимодействии нескольких агентов.
DreamQAS: ускорение поиска квантовых архитектур через обучение моделей мира
Исследователи представили DreamQAS — фреймворк на базе обучения с подкреплением (RL), оптимизирующий поиск квантовых архитектур. Вместо повторного запуска дорогостоящих вычислений VQE на каждом этапе, система использует модель мира для предсказания результатов, сохраняя при этом детерминированные правила построения схем. Это позволяет значительно сократить вычислительные затраты при проектировании квантовых алгоритмов, сохраняя высокую точность оценки архитектур.
Исследование: интервенционные данные не всегда улучшают причинно-следственное мышление LLM
Исследователи изучили эффективность интервенционных данных при обучении языковых моделей причинно-следственному выводу. В контролируемой среде выяснилось, что увеличение доли таких данных не всегда ведет к росту качества логики. В сценариях, подобных парадоксу Симпсона, где корреляция и причинность имеют противоположные знаки, модели могут демонстрировать снижение точности при попытке усвоить причинно-следственные связи.
MolGVR: фреймворк для генерации молекул с химической верификацией
Исследователи представили MolGVR — новый фреймворк для генерации молекул по текстовому описанию, который решает проблему нарушения структурных ограничений. В отличие от стандартных моделей, преобразующих текст напрямую в химические формулы, MolGVR внедряет этап верификации и итеративной коррекции ошибок, что позволяет создавать молекулы, строго соответствующие заданным химическим свойствам и структурным требованиям.
TFGformer: новый подход к прогнозированию временных рядов через RAG и графовое обучение
Исследователи представили TFGformer — модель для прогнозирования многомерных временных рядов, объединяющую графовое обучение и RAG. В отличие от стандартных моделей, полагающихся на статические веса, TFGformer динамически извлекает исторические паттерны из внешних данных. Это позволяет эффективнее обрабатывать гетерогенные показатели IoT-датчиков, обеспечивая высокую точность долгосрочных прогнозов для задач предиктивного обслуживания и управления ресурсами в сложных инфраструктурных системах.
ИИ-агенты эффективнее людей выстраивают доверие в мошеннических схемах
Новое исследование показало, что чат-боты с ИИ способны эффективнее выстраивать «эксплуатируемое доверие» у собеседников, чем люди-мошенники. В ходе контролируемого эксперимента автоматизированные системы быстрее и убедительнее входили в контакт с жертвами, используя персонализированные подходы и психологические триггеры, что значительно повышает риски социальной инженерии в цифровой среде и требует пересмотра методов защиты пользователей.
Проблема обобщения нейросетевых суррогатных моделей в геометрии
Исследователи выявили критическую уязвимость нейросетевых суррогатных моделей, используемых для аппроксимации физических симуляций. Несмотря на идеальные показатели точности на обучающих данных, модели демонстрируют резкое падение эффективности при смене семейства геометрических форм. Это ставит под сомнение надежность ИИ-систем в инженерных задачах, где требуется экстраполяция на принципиально новые конфигурации объектов без повторного обучения.
Исследование: могут ли LLM обладать «акцентом» при генерации текста
Исследователи изучают феномен «лингвистического акцента» у больших языковых моделей, возникающего из-за особенностей обучающих данных и специфики токенизации. Подобно людям, изучающим иностранный язык, LLM могут демонстрировать устойчивые паттерны отклонений от стандартной грамматики или стилистики, которые коррелируют с доминирующим языком в их тренировочном корпусе или архитектурными ограничениями при обработке редких языковых конструкций.
Анализ избыточности: сколько раз LLM перечитывают один и тот же текст
Исследование процесса обработки контекста в больших языковых моделях выявило значительные потери вычислительных ресурсов из-за многократного повторного чтения одних и тех же фрагментов текста. Автор эксперимента замерил количество обращений к токенам при выполнении стандартных задач и обнаружил, что текущие архитектуры тратят избыточное время на переобработку уже известных данных, что напрямую влияет на задержки и стоимость инференса.
Автоматизация полного цикла научных исследований с помощью ИИ
Исследователи представили концепцию сквозной автоматизации научного процесса, где ИИ-системы самостоятельно формулируют гипотезы, планируют эксперименты, анализируют данные и готовят публикации. Новый подход направлен на ускорение темпов научных открытий за счет минимизации ручного участия в итеративных процессах, что позволяет масштабировать исследовательскую деятельность и быстрее проверять сложные научные теории в автоматизированном режиме.
Законы масштабирования: как предсказуемость меняет разработку LLM
Законы масштабирования (scaling laws) стали фундаментом современной индустрии ИИ, позволяя предсказывать производительность моделей до начала их обучения. Исследования показывают, что качество LLM напрямую зависит от трех переменных: количества параметров, объема обучающих данных и вычислительных мощностей. Понимание этих математических зависимостей позволяет компаниям оптимизировать бюджеты и избегать неэффективных экспериментов при создании крупных языковых моделей.
Применение машинного обучения для поиска дуальностей в физических системах
Исследователи представили новый метод машинного обучения, предназначенный для автоматизации поиска дуальностей Зейберга в сложных физических системах. Алгоритм позволяет эффективно определять эквивалентность двух систем, что ранее требовало значительных вычислительных мощностей. Работа демонстрирует потенциал нейронных сетей в решении фундаментальных задач теоретической физики, где классические аналитические подходы сталкиваются с ограничениями из-за высокой сложности вычислений.
ReToken: новый метод оптимизации визуального поиска в мультимодальных моделях
Исследователи представили ReToken — обучаемый эмбеддинг, который повышает эффективность работы Vision-Language моделей при обработке длинного визуального контекста. Метод позволяет модели выбирать только релевантные визуальные токены из кэша, решая проблему деградации производительности при наличии большого количества отвлекающих факторов и снижая вычислительную нагрузку на GPU при работе с объемными данными.
KAISEN: новый стандарт аудита справедливости клинических ИИ-моделей
Исследователи представили KAISEN — пятиэтапный конвейер для аудита справедливости клинических моделей прогнозирования рисков. Система решает проблему неравномерных показателей ошибок в различных подгруппах пациентов, которые часто скрываются за высокими общими метриками точности. Инструмент позволяет проводить стресс-тестирование компонентов аудита, обеспечивая воспроизводимость и надежность оценки алгоритмов перед их внедрением в медицинскую практику.
Модель Rational Mentalizing объясняет выбор между социальным и личным обучением
Исследователи представили модель Rational Mentalizing, которая описывает, как агенты балансируют между социальным обучением (перенятием опыта других) и прямым взаимодействием с миром. Авторы используют теорию разума (Theory of Mind), чтобы оценить полезность каждого метода, учитывая когнитивные затраты и временные издержки. Это позволяет предсказать, в каких ситуациях ИИ-агенты будут предпочитать советы других собственному исследованию среды.
Многократная генерация эффективнее методов саморефлексии LLM
Исследование показало, что популярные методы улучшения ответов LLM через самокритику, планирование и рефлексию часто уступают простому многократному сэмплированию при равных затратах токенов. Авторы доказали, что рост точности в сложных задачах при использовании агентных техник саморефлексии обусловлен не качеством алгоритмов, а увеличением общего объема сгенерированного текста, что делает простые подходы более экономически выгодными.
OpenMLE: новая платформа для исследования рекурсивного самообучения ИИ
Исследователи представили OpenMLE — открытую экосистему для изучения рекурсивного самообучения (RSI) в задачах машинного обучения. Система позволяет ИИ-агентам самостоятельно совершенствовать процессы разработки моделей, используя среду OpenMLE-Gym для верификации кода и обучения операторов. Проект направлен на создание автономных систем, способных оптимизировать собственный жизненный цикл разработки без участия человека.
Новый метод обучения представлений для анализа причинно-следственных связей в медицине
Исследователи представили метод «Doubly Robust Functional Representation Learning» для анализа данных с нерегулярными временными интервалами. Подход позволяет эффективно оценивать причинно-следственные эффекты в лонгитюдных исследованиях, где показатели здоровья, такие как результаты анализов или данные датчиков, фиксируются неравномерно. Алгоритм сочетает функциональное обучение представлений с двойной робастностью, обеспечивая высокую точность оценок даже при наличии пропусков в данных.