Машинное обучение
XGBoost превзошел LLM в классификации данных о гражданских потерях в Telegram
Исследователи Bellingcat сравнили эффективность классических алгоритмов машинного обучения и больших языковых моделей при анализе Telegram-каналов в условиях конфликта. Оказалось, что модель XGBoost значительно превосходит современные LLM в точности поиска сообщений о вреде гражданскому населению, демонстрируя более высокую скорость обработки данных при кратно меньших вычислительных затратах и стоимости эксплуатации.
Оптимизация обучения LLM через неравномерный тензорный параллелизм
NVIDIA представила метод неравномерного тензорного параллелизма (Nonuniform Tensor Parallelism), направленный на повышение эффективности обучения крупномасштабных языковых моделей. Технология позволяет оптимизировать использование вычислительных ресурсов при работе на тысячах GPU, минимизируя время простоя и повышая показатель goodput — долю полезного времени вычислений в общем процессе обучения, что критически важно для сокращения затрат и ускорения разработки моделей.
Новая VLA-модель для робототехники с поддержкой калибровки «на лету»
Исследователи представили модель Vision-Language-Action (VLA), способную адаптироваться к изменению положения камер без предварительной калибровки. В отличие от существующих решений, требующих жесткой привязки внешних параметров, новая архитектура обеспечивает устойчивость к перемещению или переустановке камер в реальных условиях эксплуатации, что значительно упрощает развертывание робототехнических систем в динамических сценариях.
Автоматическая классификация астрономических транзиентов без участия человека
Исследователи представили метод глубокого обучения для классификации астрономических событий (Real-Bogus), не требующий ручной разметки данных. Система использует инъекции синтетических транзиентов и методы оценки неопределенности для фильтрации шума в автоматизированных обзорах неба. Подход позволяет эффективно отделять реальные астрофизические объекты от артефактов обработки изображений, снижая зависимость от дорогостоящей экспертной оценки и субъективных мнений сообщества.
LLM-as-a-Verifier: новый подход к масштабированию через проверку решений
Исследователи представили фреймворк LLM-as-a-Verifier, который выделяет способность модели проверять корректность собственных решений в качестве ключевой оси масштабирования ИИ. В отличие от традиционного увеличения вычислительных мощностей на этапах обучения, данный подход фокусируется на этапе инференса, позволяя моделям систематически оценивать и фильтровать ответы для повышения точности сложных логических задач.
TabPack: новый метод ансамблирования MLP для табличных данных
Исследователи представили TabPack — архитектуру ансамблей многослойных перцептронов (MLP), оптимизированную для работы с табличными данными. В отличие от традиционных подходов, требующих сложной настройки гиперпараметров для каждой модели в ансамбле, TabPack обеспечивает высокую точность «из коробки». Метод позволяет эффективно использовать вычислительные ресурсы, сохраняя при этом производительность, сопоставимую с лучшими специализированными архитектурами для табличного обучения.
Метод FORE для оценки коэффициентов заполнения в офлайн-обучении с подкреплением
Исследователи представили метод Fitted Occupancy-Ratio Evaluation (FORE) для оценки коэффициентов заполнения (occupancy ratios) в задачах офлайн-обучения с подкреплением. Новый подход позволяет корректировать сдвиг распределения без необходимости соблюдения условия полноты Беллмана, что значительно упрощает оценку вне стратегии (off-policy evaluation) и повышает стабильность обучения агентов на фиксированных наборах данных.
TREK: новый метод обучения моделей через расширение пространства поиска
Исследователи представили метод TREK (Teacher-Routed Exploration via Forward KL), решающий проблему стагнации алгоритма GRPO при работе со сложными задачами. В отличие от стандартной дистилляции, TREK использует этот процесс для расширения области поиска эффективных стратегий рассуждения, позволяя модели находить верные решения, которые ранее выходили за пределы её текущих возможностей обучения.
Европейский стартап представил систему для поиска уязвимостей нулевого дня
Европейская компания Aisle разработала ИИ-систему, способную обнаруживать уязвимости нулевого дня с эффективностью, сопоставимой с известным проектом Mythos. Инструмент автоматизирует процесс поиска критических брешей в программном обеспечении, позволяя находить сложные векторы атак, которые ранее требовали значительных ресурсов ручного анализа. Это решение знаменует собой важный шаг в автоматизации кибербезопасности и превентивной защиты инфраструктуры.
Lingbot-vision: новый подход к пространственному восприятию через самообучение
Проект Lingbot-vision представляет собой реализацию методов самообучения (self-supervised learning) для задач пространственного восприятия. Исследование фокусируется на том, как модели могут эффективно извлекать геометрические и пространственные признаки из визуальных данных без необходимости в размеченных наборах данных, что является критически важным этапом для развития автономных систем и робототехники.
Оптимизация порога расстояния в сиамских сетях для верификации объектов
Исследователи представили новый подход к определению пороговых значений в сиамских сетях, используемых для верификации объектов. Работа решает проблему выбора оптимальной дистанции в векторном пространстве, при которой объекты классифицируются как идентичные. Авторы предлагают математический метод для автоматического вычисления этого порога, что повышает точность распознавания лиц, подписей и других биометрических данных в задачах сравнения.
Биологически обоснованные нейросети для анализа онкологических данных
Исследователи представили архитектуру Pathway Activity Autoencoders (PAA), предназначенную для интеграции мультиомиксных данных в онкологии. Модель объединяет глубокое обучение с биологическими знаниями о сигнальных путях, что позволяет преодолеть разрыв между высокой предсказательной способностью нейросетей и необходимостью интерпретируемости результатов. Метод эффективно выявляет сложные взаимодействия молекулярных признаков, критически важных для стратификации рисков у пациентов.
Новый метод обучения PINN для решения обратных задач в физике
Исследователи представили метод Target-Guided Selective Reweighting (TGSR) для обучения физико-информированных нейронных сетей (PINN). Подход решает проблему некорректно поставленных оптимизационных задач и конфликтов функций потерь при использовании трансферного обучения. Алгоритм динамически перевзвешивает данные, предотвращая негативный перенос знаний, когда физические механизмы или параметры исходной и целевой задач существенно различаются.
Новый подход к представлению данных через энтропийное кодирование
Исследователи предложили метод Embedding Information in Disorder, позволяющий эффективно кодировать структурированную информацию в кажущиеся случайными наборы данных. Подход опирается на принципы статистической механики и теории информации, позволяя сжимать сложные векторные представления в высокоэнтропийные структуры, которые сохраняют семантическую целостность при последующем извлечении, что открывает новые возможности для оптимизации хранения и передачи данных в нейросетевых архитектурах.
Synthetic Sciences представила OpenScience: открытую платформу для научных исследований
Компания Synthetic Sciences выпустила OpenScience — универсальную платформу с открытым исходным кодом для автоматизации научных исследований в области биологии, химии и физики. Инструмент поддерживает работу с любыми современными моделями через API и позволяет развертывать полноценные циклы машинного обучения на собственной инфраструктуре пользователя, предоставляя доступ к обширной библиотеке готовых навыков и специализированным базам данных.
Влияние чистоты кода на производительность ИИ-агентов
Исследователи проанализировали, как качество и структура кодовой базы влияют на эффективность работы ИИ-агентов при решении задач программирования. Выяснилось, что чистота кода напрямую коррелирует с успешностью выполнения запросов: модели демонстрируют значительно более высокую точность, когда работают с хорошо структурированными проектами, где соблюдены принципы именования, модульности и отсутствия избыточных зависимостей, что критически важно для агентских систем.
Разработка PHP-движка на Rust с помощью ИИ: прогресс и результаты
Разработчик без опыта работы с языком Rust успешно создал прототип PHP-движка, используя возможности генеративного ИИ для написания кода. Проект уже проходит 17% официальных тестов PHP-src и способен корректно рендерить страницы WordPress. Этот эксперимент демонстрирует потенциал LLM в задачах портирования сложных систем и написания низкоуровневого кода на незнакомых языках программирования.
Google представила TabFM: фундаментальную модель для табличных данных
Google Research выпустила TabFM — первую фундаментальную модель, способную работать с табличными данными в режиме zero-shot. Архитектура модели основана на трансформерах и позволяет выполнять задачи классификации и регрессии без необходимости предварительного обучения на конкретном наборе данных. Это решение значительно упрощает обработку структурированной информации, автоматизируя построение предиктивных моделей для широкого спектра бизнес-задач.
Математические основы векторных представлений в машинном обучении
Векторные представления (эмбеддинги) стали фундаментом современных систем искусственного интеллекта, позволяя моделям переводить сложные данные в многомерные пространства. Понимание математики, лежащей в их основе — от линейной алгебры до метрик расстояния — критически важно для эффективной работы с векторными базами данных, семантическим поиском и архитектурами RAG, где точность сопоставления векторов определяет качество ответов системы.
NetinfoGC: новый подход к классификации графов через информационные метрики
Исследователи представили NetinfoGC — фреймворк для классификации графов, использующий парадигму Network Usable Information (NUI). В отличие от стандартных графовых нейронных сетей, работающих как «черные ящики», метод строит инвариантные к перестановкам представления на основе механизмов распространения и классических структурных метрик. Это позволяет точнее оценивать информативность графовых структур и оптимизировать выбор архитектуры для обучения моделей.
PLGSA-Transformer: новый подход к распознаванию лиц в масках
Исследователи представили архитектуру PLGSA-Transformer, решающую проблему снижения точности систем распознавания лиц при частичном перекрытии (например, медицинскими масками). Метод использует механизм внимания, ориентированный на окологлазную область, и адаптивную пороговую обработку косинусного сходства, что позволяет модели эффективно работать в условиях, когда значительная часть лица скрыта, повышая надежность биометрической идентификации в реальных сценариях.
Новый метод оптимизации нейросимвольных систем через дифференцируемый интерпретатор
Исследователи представили метод эффективного обучения нейросимвольных моделей, решающий проблему «узкого горлышка» при подборе параметров. Вместо переобучения каждой программы с нуля, авторы предлагают дифференцировать сам процесс интерпретации кода. Это позволяет оптимизировать непрерывные параметры модели напрямую через градиентный спуск, значительно ускоряя поиск оптимальных структур в задачах научного моделирования и автоматического программирования.
Новый подход к дистилляции знаний через классы эквивалентности представлений
Исследователи предложили метод дистилляции знаний, который отказывается от прямого копирования логитов или скрытых признаков учителя. Вместо этого предлагается обучать студента распознавать классы эквивалентности представлений учителя, учитывая их инвариантность к ортогональным преобразованиям и масштабированию. Это позволяет более гибко передавать знания между моделями, игнорируя произвольные координаты в пространстве признаков.
PULS: новый подход к прогнозированию аномалий на видео через латентные пространства
Исследователи представили PULS — конвейер для непрерывного обнаружения аномалий на видео, который отходит от традиционных методов обучения на множествах (MIL). Система использует модель мира для предсказания будущих состояний, объединяя кинематические данные с семантическими признаками. Это позволяет перевести задачу из плоскости простой классификации в область предиктивного анализа, повышая точность выявления нештатных ситуаций до их фактического наступления.