Przełomowe badania naukowe i odkrycia w dziedzinie AI
WorldReasonBench testuje fizykę i logikę w wideo AI. Modele komercyjne jak Seedance 2.0 i Sora 2 wygrywają z open-source, ale wszystkie mają problem z logiką.
Nowa metoda MIGP eliminuje problem niepraktycznych porcji w algorytmach żywieniowych, oferując rozwiązania z naturalnymi jednostkami żywności.
Badacze opracowali GraphBit — framework oparty na grafach, który eliminuje halucynacje w systemach agentowych i osiąga rekordową dokładność 67,6%.
Redakcje czasopism naukowych są zalewane AI-generowanymi artykułami coraz trudniejszymi do wykrycia. System peer-review może osiągnąć punkt krytyczny.
Naukowcy opracowali CLIPR, system który pozwala AI lepiej rozumieć ukryte preferencje użytkowników i przenosić je między zadaniami z minimalnych interakcji.
Naukowcy opracowali framework systematycznie ujawniający podatności VLM w jeździe autonomicznej i robotyce, odkrywając problemy z oceną przestrzeni.
Badacze z UC Berkeley stworzyli system automatycznie wykrywający luki w benchmarkach AI. BenchJack zhakował niemal wszystkie popularne testy.
NVIDIA współpracuje z londyńskim laboratorium AI Davida Silvera przy tworzeniu infrastruktury dla systemów uczących się z doświadczenia na wielką skalę.
Naukowcy opracowali MAVIC — metodę pozwalającą wieloagentowym systemom AI lepiej reagować na instrukcje przerywające bieżące zadania.
Naukowcy opracowali VeGAS — system weryfikacji akcji, który poprawia wydajność agentów AI w świecie fizycznym o 36% w najtrudniejszych zadaniach.
Naukowcy opracowali RankQ — metodę uczenia ze wzmocnieniem, która poprawia skuteczność robotów o 42,7% dzięki inteligentnemu rankowaniu działań.
Naukowcy stworzyli framework, w którym agenty AI spontanicznie rozwijają specjalizacje i osiągają 63,9% w matematyce konkursowej oraz 87,1% w rozumowaniu.
