Исследования и наука
RoboTTT: масштабирование контекста в робототехнике до 8000 шагов
Исследователи представили RoboTTT — новый метод обучения робототехнических моделей, позволяющий масштабировать визуально-моторный контекст до 8000 временных шагов. Это решение увеличивает объем обрабатываемой информации в 1000 раз по сравнению с актуальными аналогами, не увеличивая при этом задержку при инференсе. Подход открывает возможности для обучения роботов сложным навыкам через демонстрации, включая выполнение задач с одного показа.
SciDiagramEdit: автоматизация редактирования научных диаграмм через текстовые инструкции
Исследователи представили SciDiagramEdit — новый подход к автоматическому редактированию сложных научных визуализаций на основе естественного языка. Система позволяет выполнять такие задачи, как изменение подписей, перекомпоновка элементов и стилистическая правка графиков, что значительно сокращает время на подготовку рукописей. Метод учитывает гетерогенную структуру инфографики, обеспечивая высокую точность правок в плотных научных материалах.
Новый метод Online Neural Space Time Memory для динамического синтеза видов
Исследователи представили метод Online Neural Space Time Memory, решающий проблему синтеза новых ракурсов в потоковом видео. Технология позволяет эффективно поддерживать долгосрочную память для реконструкции временно скрытых областей, работая в режиме реального времени. Подход оптимизирует процесс обучения во время тестирования (TTT), устраняя необходимость в тяжелых градиентных обновлениях на каждом кадре, что критично для динамических сцен.
Система teLLMe для причинно-следственного анализа данных городского трафика
Исследователи представили систему teLLMe, предназначенную для проведения разведочного причинно-следственного анализа на основе данных городского дорожного движения. Инструмент позволяет извлекать глубокие инсайты из наблюдательных видеоданных, помогая транспортным агентствам отвечать на сложные вопросы о влиянии внешних факторов, таких как погодные условия, на плотность потока и безопасность на дорогах, что ранее было затруднительно из-за отсутствия контролируемых экспериментов.
AutoSynthesis: мультиагентная система для автоматизации мета-анализа научных данных
Исследователи представили AutoSynthesis — мультиагентную систему, автоматизирующую процесс мета-анализа научных публикаций. Инструмент переводит исследовательский вопрос на естественном языке в стратегию поиска, самостоятельно отбирает релевантные статьи, извлекает данные и проводит статистический синтез. Система значительно ускоряет обработку первичных исследований, делая процесс синтеза доказательств масштабируемым для медицины, образования и государственной политики.
Уроки проектирования надежных мультимодальных систем для медицины
Исследователи проанализировали девять мультимодальных систем для визуального вопросно-ответного анализа (VQA) в медицине, используя данные эндоскопии желудочно-кишечного тракта MediaEval Medico 2025. Работа фокусируется на создании интерпретируемых и надежных моделей, способных эффективно объединять визуальные и текстовые данные. Авторы выявили ключевые архитектурные решения, которые позволяют повысить точность диагностики и качество объяснений, выходя за рамки стандартных метрик лидербордов.
NeuronSoup: новая архитектура нейросетей без обратного распространения ошибки
Исследователи представили NeuronSoup — архитектуру нейронных вычислений, отказывающуюся от традиционного послойного обучения в пользу асинхронной передачи сигналов через пул общих нейронов. Вместо классического обратного распространения ошибки система использует эволюционные методы для настройки графов с временными задержками, что позволяет динамически маршрутизировать сигналы через переменное количество промежуточных узлов, повышая гибкость обработки данных.
Исследование BadWAM: почему модели мира ошибаются в действиях
Исследователи проанализировали уязвимости World-Action Models (WAMs) — систем, объединяющих прогнозирование состояния среды с генерацией действий для робототехники. Несмотря на способность моделей точно предсказывать будущие состояния мира, они часто совершают критические ошибки при выполнении физических действий. Авторы работы демонстрируют, что высокая точность «воображения» не гарантирует корректного управления, создавая ложное ощущение безопасности и интерпретируемости систем.
Саморазвивающийся фреймворк для интерпретируемой разметки симптомов депрессии
Исследователи представили фреймворк для аннотирования данных о психическом здоровье, решающий проблему отсутствия доказательной базы в медицинских датасетах. Система использует структурированный подход, опирающийся на критерии DSM-5-TR, что позволяет ИИ-моделям не просто классифицировать симптомы депрессии, но и предоставлять обоснованные, прослеживаемые объяснения для каждого поставленного диагноза, повышая надежность и прозрачность диагностических инструментов.
Новый подход к количественной оценке неопределенности в ИИ-моделях
Исследователи предложили метод декомпозиции субъективного риска для оценки неопределенности в нейронных сетях. Вместо использования традиционных аксиоматических подходов, авторы выводят показатели эпистемической и алеаторной неопределенности как прямое следствие решений при моделировании. Метод опирается на строго правильные функции потерь, где обратная перекрестная энтропия служит ключевым примером для практической реализации алгоритма.
Google DeepMind и Isomorphic Labs запустили программу биоустойчивости ИИ
Google DeepMind и Isomorphic Labs представили инициативу по развитию биоустойчивости, направленную на предотвращение злоупотреблений ИИ в биологических исследованиях. Программа сфокусирована на создании защитных механизмов для предотвращения создания опасных патогенов, одновременно расширяя возможности ИИ в области оперативного реагирования на глобальные эпидемии и разработки новых лекарственных препаратов для борьбы с инфекционными заболеваниями.
T^2MLR: новая архитектура трансформеров с временной рекурсией
Исследователи представили архитектуру T^2MLR (Transformer with Temporal Middle-Layer Recurrence), решающую проблему ограниченности авторегрессионного декодирования. В отличие от стандартных трансформеров, которые вынуждены сжимать промежуточные вычисления через пространство токенов, новая модель использует кэшированное представление среднего слоя. Это позволяет сохранять состояние рассуждений на протяжении длительного времени, повышая эффективность обработки сложных логических задач и последовательностей.
Исследование: как языковые модели распознают грамматику через линейные представления
Исследователи изучили способность нейросетевых языковых моделей различать грамматически правильные и ошибочные конструкции. В отличие от традиционных методов, основанных на сравнении вероятностей токенов, работа фокусируется на анализе линейных представлений внутри моделей. Авторы доказывают, что грамматические закономерности кодируются в скрытых слоях нейросетей как геометрически различимые структуры, что позволяет классифицировать предложения независимо от их вероятностного веса.
Индустриализация науки: как ИИ меняет методологию исследований
Исследователи описывают фундаментальный сдвиг в научной деятельности: переход от традиционной модели «ремесленного» труда к конвейерному производству знаний. ИИ перестает быть просто вспомогательным инструментом и становится автономным участником исследовательского цикла. Это трансформирует науку в индустриальный процесс, где методы, суждения и генерация гипотез переносятся из сознания ученого в автоматизированные пайплайны, меняя саму природу научного прогресса.
Исследование масштабируемости базовых моделей поведения для роботов-гуманоидов
Исследователи представили анализ масштабируемости базовых моделей поведения (Behavior Foundation Models, BFM) для управления роботами-гуманоидами. Работа доказывает, что использование крупномасштабных наборов данных о движениях позволяет значительно улучшить координацию всего тела робота и повысить точность реакций в реальном времени, что является критическим фактором для создания универсальных воплощенных ИИ-агентов, способных эффективно адаптироваться к сложным и меняющимся условиям окружающей среды.
Букинисты опасаются уничтожения редких книг ради обучения ИИ
Продавцы редких книг выражают обеспокоенность тем, что технологические компании массово скупают и уничтожают уникальные издания для оцифровки и обучения нейросетей. По мнению экспертов, физическое разрушение редких экземпляров в процессе сканирования безвозвратно лишает рынок культурного наследия, превращая исторические артефакты в простой набор данных для тренировки больших языковых моделей.
Анализ эффективности мировых моделей в задачах обучения с подкреплением
Исследователи проанализировали пять ведущих мировых моделей (world models) в среде Atari Pong: DreamerV3, DIAMOND, TWISTER, Simulus и STORM. Авторы работы сфокусировались на оценке самих моделей в изоляции, а не как частей систем обучения с подкреплением. Результаты показывают, что текущие архитектуры часто демонстрируют разрыв между качеством предсказания визуальных состояний и итоговой эффективностью агента в игре.
LINCS: новый категориальный фреймворк для решения проблем некомпозиционности в ML
Исследователи представили LINCS (Learning in Infinitesimal Non-Compositional Sketches) — теоретический фреймворк, направленный на устранение проблем некомпозиционности в машинном обучении. Метод использует категориальную алгебру для анализа сбоев в факторизации диаграмм через фактор-скетчи, перенося эти процессы в контекст касательных категорий. Это позволяет более строго формализовать спецификации задач обучения, представленные в виде графов с условиями коммутативности и пределами.
Исследование Digital Pantheon: моделирование политических коалиций с помощью ИИ-агентов
Исследователи представили проект Digital Pantheon, направленный на моделирование процессов формирования политических коалиций с помощью LLM-агентов. Авторы отмечают, что текущие методы RLHF, ориентированные на нейтральность и полезность, мешают моделям демонстрировать устойчивое партийное поведение. Новый подход позволяет изучать сложные переговоры, где участники руководствуются как конкретными политическими целями, так и глубокими идеологическими убеждениями, что открывает новые возможности для вычислительной политологии.
Проблема смещения в офлайн-обучении с подкреплением для медицины
Исследователи проанализировали надежность методов офлайн-обучения с подкреплением (RL), используемых для формирования стратегий лечения. Работа выявила критические риски систематических ошибок, вызванных скрытыми конфаундерами и неверной спецификацией моделей. Авторы предлагают использовать диагностику баланса ковариат для верификации данных, что позволяет выявить потенциальную предвзятость в существующих алгоритмах принятия решений при долгосрочном планировании.
BrainPilot: агентная система для автоматизации нейробиологических исследований
Исследователи представили BrainPilot — специализированную агентную систему, предназначенную для автоматизации полного цикла нейробиологических изысканий. Инструмент объединяет поиск литературы, выполнение вычислительного анализа данных и интерпретацию результатов, преодолевая ограничения универсальных LLM в узкоспециализированных научных задачах. Система демонстрирует способность к автономному планированию многоэтапных экспериментов, интегрируя разрозненные мультимодальные данные для проверки сложных гипотез.
Метод SINDy для моделирования сложных инженерных систем
Исследователи представили обзор метода разреженной идентификации нелинейной динамики (SINDy), который позволяет восстанавливать физические законы из экспериментальных данных. В отличие от нейронных сетей, требующих огромных массивов информации, этот подход обеспечивает высокую интерпретируемость моделей и точность при работе с ограниченными наборами данных, что критически важно для анализа сложных инженерных систем с неизвестными уравнениями состояния.
DriftWorld: ускорение предиктивного моделирования для робототехники
Исследователи представили DriftWorld — новую архитектуру предиктивных моделей мира, оптимизированную для задач управления роботами. Метод позволяет значительно ускорить генерацию сценариев развития событий, устраняя вычислительные задержки, характерные для диффузионных моделей. Это дает возможность роботам выполнять масштабный поиск оптимальных действий в режиме реального времени, что критически важно для эффективного планирования в динамических условиях.
ANet Patu-1: математическая модель ценности связей в сетях ИИ-агентов
Исследователи представили модель ANet Patu-1, анализирующую эффективность взаимодействия в сетях ИИ-агентов через призму сетевых эффектов. Авторы адаптировали классические законы масштабирования сетей (Сарноффа, Меткалфа и Рида) для агентных систем, чтобы определить, как способ организации групп влияет на общую производительность и координацию. Работа предлагает математический фундамент для проектирования масштабируемых многоагентных архитектур и оценки их потенциальной полезности.