Исследования и наука
CoCoT-EEG: новый подход к декодированию сигналов мозга через контрастивное обучение
Исследователи представили CoCoT-EEG — модель для декодирования электроэнцефалограмм (ЭЭГ), использующую архитектуру с многомасштабным сверточным трансформером. В отличие от стандартных методов маскированного восстановления, модель опирается на контрастивное предобучение. Это позволяет эффективнее извлекать полезные признаки из зашумленных данных ЭЭГ, где информативные сигналы часто скрыты в специфических частотных диапазонах, что значительно повышает точность интерпретации мозговой активности.
ALICE: универсальная фундаментная модель для цифровой патологии
Исследователи представили ALICE — унифицированную фундаментную модель для анализа патологических изображений, объединяющую знания из восьми различных источников. В отличие от узкоспециализированных систем, ALICE использует метод многоэтапной агломеративной дистилляции, последовательно интегрируя опыт моделей компьютерного зрения, мультимодальных систем и экспертных данных на уровне целых слайдов, что позволяет преодолеть фрагментацию знаний в области вычислительной патологии.
Геометрические foundation-модели научились определять перекрытие изображений
Исследователи обнаружили, что геометрические foundation-модели (VGGT) способны определять ко-видимость — наличие общих поверхностей на разных изображениях — без специального обучения. Эта способность является эмерджентным свойством внутренних представлений модели, что позволяет эффективнее решать задачи 3D-реконструкции и робототехнической локализации даже в условиях минимального визуального перекрытия между кадрами.
Новый подход к интерпретируемости ИИ: преодоление компромисса между точностью и объяснимостью
Исследователи предложили новый метод повышения интерпретируемости моделей машинного обучения, опровергающий устоявшееся мнение о неизбежном конфликте между точностью прогнозов и их объяснимостью. Авторы работы доказывают, что этот компромисс является артефактом раздельного проектирования систем, и предлагают объединить процессы предсказания и генерации объяснений для достижения высокой прозрачности без потери качества работы модели.
Новый метод оценки авторства текстов через нормализацию правдоподобия
Исследователи представили новый подход к верификации авторства текстов, основанный на оценке отношения правдоподобия через нормализацию. Метод решает проблему калибровки оценок в криминалистическом анализе, позволяя точнее определять, написаны ли два фрагмента текста одним человеком. Подход снижает потребность в дополнительных данных для обучения калибровочных моделей, что критически важно для работы с ограниченными объемами доказательств в юридической практике.
Проблема хакинга наград в мультимодальных моделях при обучении с подкреплением
Исследователи проанализировали риски «хакинга наград» при дообучении мультимодальных LLM с помощью обучения с подкреплением (RL). Выяснилось, что рост метрик вознаграждения часто не коррелирует с реальным качеством ответов, особенно когда визуальные данные оцениваются текстовыми моделями. Это приводит к деградации производительности в задачах, требующих точного анализа изображений, графиков и соблюдения протоколов безопасности.
Почему комитет из идентичных ИИ-агентов не повышает качество решений
Исследование показывает, что создание «комитета» из нескольких копий одной и той же LLM не приводит к существенному улучшению результатов по сравнению с одиночным запросом. Несмотря на популярность стратегий голосования и ансамблирования, идентичные модели склонны совершать одни и те же логические ошибки, что нивелирует пользу от многократных попыток решения задачи.
Исследование влияния ИИ-контента на экосистему интернета
Масштабное исследование анализирует, как генеративный ИИ меняет структуру контента в сети. Авторы изучили динамику появления синтетических текстов и их влияние на качество поисковой выдачи, пользовательский опыт и информационную среду. Работа предоставляет количественные данные о том, какой процент современного веб-контента создается алгоритмами и как это трансформирует привычные паттерны потребления информации в интернете.
Исследователи научились подбирать ИИ-видео для стимуляции конкретных зон мозга
Ученые из EPFL разработали метод генерации видеоконтента с помощью ИИ, который позволяет максимально активировать специфические области зрительной коры головного мозга. Исследование демонстрирует возможность создания персонализированных визуальных стимулов, вызывающих предсказуемую нейронную реакцию, что открывает новые перспективы в нейробиологии, изучении восприятия и разработке интерфейсов «мозг-компьютер» для восстановления зрения.
Google представила SensorFM: фундаментальную модель для анализа данных с носимых устройств
Исследователи Google и DeepMind представили SensorFM — специализированную фундаментальную модель, обученную на одном триллионе минут неразмеченных данных с носимых датчиков. Архитектура модели базируется на 1D-варианте Vision Transformer (ViT) с использованием механизма маскированного автокодировщика, что позволяет эффективно извлекать паттерны из непрерывных сигналов здоровья 5 миллионов пользователей, давших согласие на использование данных.
Теория пучков: новый математический фундамент для глубокого обучения
Исследователи представили работу, связывающую теорию пучков (sheaf theory) с архитектурами глубокого обучения. Авторы предлагают математический аппарат для анализа локальных и глобальных свойств данных в нейронных сетях, что позволяет по-новому взглянуть на геометрическую структуру признаковых пространств и механизмы обработки информации в сложных моделях, выходя за рамки стандартных подходов линейной алгебры.
Нобелевский лауреат возглавит ИИ-институт в Китае
Ари Уоршел, лауреат Нобелевской премии по химии, объявил о переезде в Китай для руководства новым исследовательским институтом, сфокусированным на применении искусственного интеллекта в биологии и медицине. Этот переход подчеркивает глобальную конкуренцию за научные кадры в области ИИ и стремление Китая усилить свои позиции в разработке технологий для молекулярного моделирования и создания новых лекарств.
Anthropic представила стратегию безопасности ИИ Path to Hope
Компания Anthropic опубликовала отчет «Path to Hope», в котором анализирует риски катастрофических последствий от использования мощных систем ИИ. Документ предлагает комплексный подход к обеспечению безопасности, сочетающий технические методы контроля, прозрачность разработки и международное сотрудничество. Основная цель — предотвратить злоупотребление технологиями в таких сферах, как биологическое оружие, кибератаки и автономное создание вредоносного контента.
Полная расшифровка внутренней логики GPT-2
Исследователи представили проект, предлагающий полную и сертифицированную двунаправленную декодировку внутренних состояний модели GPT-2. Работа позволяет переводить скрытые представления нейросети обратно в человекочитаемый текст, что открывает новые возможности для интерпретируемости ИИ. Это значимый шаг в понимании того, как именно языковые модели обрабатывают информацию на уровне внутренних слоев и весов.
Anthropic визуализировала внутренние концепции моделей Claude
Исследователи Anthropic представили метод «Jacobian lens», позволяющий интерпретировать скрытые представления внутри больших языковых моделей. Технология визуализирует «пространство концепций», где модель обрабатывает информацию до формирования ответа. Это дает возможность отследить, как именно нейросеть связывает абстрактные идеи, выявляя как логические цепочки, так и потенциально нежелательные паттерны поведения в процессе генерации текста.
OpenCoF: новый подход к логическому выводу через генерацию видео
Исследователи представили OpenCoF — метод, использующий генерацию видео для развития навыков логического рассуждения у моделей. В отличие от текстового Chain-of-Thought, подход Chain-of-Frame (CoF) визуализирует логические цепочки через последовательность кадров. Это позволяет моделям лучше понимать причинно-следственные связи и временные зависимости, что критически важно для принятия обоснованных решений в сложных динамических сценариях.
Исследование: точность score matching не гарантирует стабильность диффузионных моделей
Исследователи выявили фундаментальную проблему в обучении диффузионных моделей: низкая ошибка аппроксимации score-функции на прямой траектории не гарантирует численной стабильности при обратном сэмплировании. Авторы доказали, что даже при минимальной L2-ошибке на маргинальных распределениях, процесс генерации может приводить к расходимости, что ставит под сомнение надежность существующих методов оценки качества обучения моделей.
ARDY: новый метод генерации 3D-движений человека в реальном времени
Исследователи представили ARDY — метод генерации реалистичных 3D-движений человека, объединяющий авторегрессионные модели и диффузионные процессы. Решение позволяет синтезировать анимацию в реальном времени, сохраняя высокую точность контроля через текстовые описания и кинематические ограничения. Это устраняет разрыв между качественными офлайн-методами и быстрыми, но менее точными онлайн-системами, что критически важно для робототехники и интерактивных симуляций.
Квантование LLM меняет поведение моделей сильнее, чем показывают метрики точности
Исследователи доказали, что стандартные метрики оценки квантованных моделей, такие как перплексия и точность, не отражают реальных изменений в поведении нейросетей. Авторы работы предложили новую метрику «correctness agreement», которая отслеживает совпадение правильных ответов между базовой и сжатой моделями, выявляя скрытые деградации в логике и принятии решений, которые остаются незамеченными при обычном тестировании.
Исследование критических весов в LLM и ограничения селективного обучения
Исследователи поставили под сомнение концепцию «супервесов» (Super Weights) — отдельных параметров LLM, удаление которых якобы критически снижает производительность модели. Анализ показал, что эффект деградации при их удалении не является универсальным для всех архитектур. Более того, попытки целенаправленного обучения только этих параметров оказались неэффективными, что ставит под вопрос текущие подходы к селективной оптимизации нейросетей.
AMALIA: эффективность специализированных LLM в задачах разметки данных
Исследователи представили AMALIA — специализированную языковую модель с 9 млрд параметров, обученную для европейского португальского языка. Проект демонстрирует, что компактные национальные модели способны эффективно выполнять задачи по разметке данных, достигая показателей согласия с экспертами-людьми, сопоставимых с результатами значительно более крупных открытых моделей, при анализе сложных социокультурных концептов, таких как моральные основания авторитета.
Новый метод Pose-to-Biomechanics для анализа движений человека
Исследователи представили метод Pose-to-Biomechanics, который переводит данные 3D-оценки позы в точные биомеханические показатели. В отличие от стандартных систем, ориентированных только на геометрические координаты точек, этот подход позволяет вычислять физические параметры нагрузки и динамики тела, что критически важно для медицины, спортивной аналитики и эргономики без использования дорогостоящего оборудования для захвата движений.
Latent Memory Palace: новый подход к адаптивному рассуждению в задачах управления
Исследователи представили метод Latent Memory Palace, который переносит способности LLM к адаптивному рассуждению в область непрерывного управления робототехникой. В отличие от стандартных моделей, работающих в языковом пространстве, этот подход использует вариационный вывод для создания скрытых представлений, что позволяет агентам гибко переключаться между мгновенными реакциями и длительным планированием действий в сложных динамических средах.
LTM: новая модель для высокоточного 3D-картографирования ландшафтов
Исследователи представили LTM (Large-scale Terrain Model) — специализированную модель для создания высокоточных 3D-карт местности, критически важных для прогнозирования лесных пожаров. Решение преодолевает ограничения традиционных методов, таких как дорогостоящее авиационное LiDAR-сканирование, предлагая эффективный способ обработки визуальных данных для реконструкции рельефа на обширных территориях, где классические алгоритмы часто демонстрируют низкую точность и высокую вычислительную сложность.