Исследования и наука
SciForge: мультимодальная платформа для автоматизации научных исследований
Представлена система SciForge — специализированная мультимодальная среда для научных исследований, решающая проблему фрагментации данных. Платформа объединяет статьи, программный код, наборы данных и результаты моделирования в единый аудируемый рабочий процесс. В отличие от универсальных ИИ-ассистентов, SciForge сохраняет контекст научного поиска, позволяя исследователям делегировать рутинную обработку артефактов ИИ, сохраняя за собой право финального экспертного суждения.
Ограниченное обучение Хебба для эффективного распределения синаптических ресурсов
Исследователи представили новый подход к обучению нейронных сетей, основанный на принципах биологического обучения Хебба в условиях жестких структурных ограничений. Метод позволяет эффективно распределять синаптические ресурсы, минимизируя избыточность данных и оптимизируя сжатие информации. Это приближает архитектуры искусственных нейросетей к энергоэффективным механизмам обработки сигналов, характерным для живых организмов, сталкивающихся с метаболическими лимитами.
MSE-GLM: новый подход к детерминированным графовым языковым моделям
Исследователи представили архитектуру MSE-GLM (Zero Weights Deterministic Graph Language Model), предлагающую альтернативный подход к обработке данных в языковых моделях. В отличие от традиционных нейросетей, опирающихся на обучаемые веса, данная модель использует детерминированные графовые структуры для представления и генерации текста, что потенциально снижает вычислительные затраты и повышает интерпретируемость результатов.
OpenTSLM: языковые модели для анализа многомерных временных рядов
Исследователи представили OpenTSLM — архитектуру языковых моделей, адаптированную для анализа сложных многомерных временных рядов. В отличие от классических методов, модель использует механизмы рассуждения LLM для обработки числовых данных, что позволяет эффективно выявлять закономерности в крупномасштабных наборах данных и улучшать точность прогнозирования в задачах с высокой размерностью и сложными временными зависимостями.
Principia Artificialis: запуск открытой программы математических исследований ИИ
Проект Principia Artificialis представил открытую исследовательскую программу, направленную на создание строгой математической теории искусственного интеллекта. Инициатива систематизирует фундаментальные принципы работы нейронных сетей, стремясь перейти от эмпирических наблюдений к доказательным моделям. Программа охватывает ключевые аспекты обучения, архитектурной динамики и механизмов обобщения, предлагая сообществу структурированную базу для теоретического анализа современных алгоритмов.
Пять исследований о влиянии ИИ на продуктивность инженеров
Аналитический обзор пяти ключевых научных работ пересматривает устоявшиеся представления о том, как генеративный ИИ влияет на работу программистов. Исследования показывают, что влияние инструментов на скорость разработки неоднозначно: в то время как простые задачи выполняются быстрее, сложные процессы требуют более глубокой интеграции ИИ, а общая эффективность зависит от опыта разработчика и качества контекста.
Исследование DS4: как латентное рассуждение меняет логику LLM
Исследователи представили метод DS4 (Deep Search, Deep Synthesis, Deep Selection, Deep Strategy), направленный на улучшение логического мышления языковых моделей. В отличие от стандартных подходов, DS4 фокусируется на латентном рассуждении, позволяя модели глубже анализировать контекст и избегать типичных когнитивных искажений, таких как гендерные стереотипы при решении логических задач.
Ring-Zero: масштабирование обучения с подкреплением до триллиона параметров
Исследователи представили Ring-Zero — новый подход к обучению моделей с подкреплением (RL), позволяющий масштабировать системы до триллиона параметров. Метод направлен на развитие эмерджентных способностей к рассуждению, преодолевая ограничения традиционных алгоритмов RL при работе с гигантскими архитектурами. Результаты показывают значительный прогресс в способности моделей решать сложные логические задачи за счет оптимизации процесса обучения без учителя.
ИИ помог решить 30-летнюю задачу в области выпуклой оптимизации
Модель GPT-5.6 Sol Pro успешно справилась с математической задачей в области выпуклой оптимизации, которая оставалась нерешенной на протяжении 30 лет. Использование специализированного ИИ-инструмента позволило найти доказательство и алгоритмическое решение, что демонстрирует потенциал больших языковых моделей в качестве ассистентов для фундаментальных научных исследований и решения сложных вычислительных проблем, ранее требовавших десятилетий работы экспертов.
Метод Partition, Prompt, Aggregate для повышения точности LLM
Исследователи представили метод Partition, Prompt, Aggregate (PPA), направленный на улучшение логических выводов LLM через использование закона полной вероятности. Подход разбивает сложные задачи на подмножества, анализирует их независимо и агрегирует результаты, что позволяет модели достигать более высокой статистической согласованности ответов и снижать вероятность галлюцинаций при выполнении многошаговых рассуждений.
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.