53 artykuły z tym tagiem
Nowe badanie z arXiv testuje odwracalne zapominanie kontekstu przez agentów AI – obniżyło koszty API nawet trzykrotnie, ale nie w każdym zadaniu.
Badanie prezentuje Synthesis Through Simulation — metodę generowania danych dla agentów AI bez dostępu do schematów baz danych przedsiębiorstw.
Naukowcy przedstawili wyjaśnialny framework do semantycznej interpretacji nagłówków tabel i oceny jakości danych na potrzeby grafów wiedzy.
Startup Mirror Particle odrzuca fine-tuning LLM-ów i buduje własny model świata do przewidywania zachowań konsumentów na TechCrunch Disrupt 2026.
Badanie na 3132 osobach: dostęp do AI zmniejszył gotowość do przyznania się do niewiedzy z 44 do 3 proc., mimo że AI często się myliło.
Badanie arXiv pokazuje, że agenty prognostyczne AI nie zawsze powinny „rozumować” – wybór mechanizmu zależy od źródła danych i wymaga inteligentnego routingu.
Badanie na danych Upworthy pokazuje, że model LLM bez person lepiej przewiduje CTR niż panel syntetycznych person — persony wprowadzają szum, nie precyzję.
Attention-Aware Routing łączy routing i uwagę w modelach MoE, poprawiając wynik GSM8K o 3,37 pp na modelu OLMoE.
RBS-Attention rozwiązuje problem mean dilution i przyspiesza prefill w długim kontekście LLM nawet 20,65x na GPU H100, zachowując jakość modelu.
Pirate Face zamienia otwarte modele AI z Hugging Face w checksum-verified torrenty, odporne na usunięcie i cenzurę przez jednego właściciela.
Thomas Ptacek i Simon Willison o zasadzie: nigdy nie używaj słów zaproponowanych przez LLM – model jako korektor, nie ghostwriter.
Nowe badanie NormReact pokazuje, że modele AI nadmiernie przewidują karę za naruszenia norm społecznych, zniekształcając obraz ludzkiej tolerancji.
