Przełomowe badania naukowe i odkrycia w dziedzinie AI
Nowa metoda MintFlow wymusza ograniczenia na próbkach flow matching, minimalnie zaburzając trajektorię i zachowując pretrenowany rozkład danych.
Nowa metoda Google Cloud AI Research, RRSI, ogranicza przeuczanie agentów AI na testach i poprawia wyniki na nieznanych zadaniach przy niższych kosztach.
NASA-IBM Lunar Foundation Model zamienia 17 lat danych orbiterów w open-source model AI do wykrywania lodu i kraterów na Księżycu.
Microsoft i Hugging Face udostępnili ThinkingBox — benchmark oceniający agentów AI na podstawie stanu bazy danych, nie treści odpowiedzi.
Profesor MIT Cathy Wu wykorzystuje uczenie ze wzmocnieniem, by projektować lepsze systemy transportowe, po latach porażek osiągając 30-krotny wzrost efektywności treningu.
Fizyk z Harvardu zbudował BootLoops — open-source'owe narzędzie, które pozwala Claude wykonywać precyzyjne obliczenia naukowe w 18 dziedzinach.
Badacze DeepMind proponują „Artificial Symbiotic Intelligence” – sieć ludzi i agentów AI zamiast pojedynczej superinteligencji napędzającej singularity.
Nonprofit Trillium Labs, założony przez Nathana Lamberta i Toma Zicka, ma otwarcie badać ryzykowne obszary AI, jak RSI i uczenie ze wzmocnieniem.
ServiceNow CoreAI prezentuje AutoSynthData — system zamieniający słabości agentów AI w kontrolowane dane treningowe dla firmowych środowisk.
Nowy system AREX-2 uczy agentów LLM refleksji i długookresowej iteracji, przenosząc umiejętności z programowania na badania typu deep research.
Naukowcy z Instytutu Weizmanna stworzyli AI, która rekonstruuje obrazy ze skanów fMRI – i ostrzegają przed ryzykiem odczytywania myśli bez zgody.
Nowa metoda GAD-RL adaptacyjnie reguluje nadzór nauczyciela w treningu modeli OCR, poprawiając wierność transkrypcji na benchmarkach CHAOS-Bench i OmniDocBench.
