Artykuły z tagiem
AI
41 artykułów
Rekurencyjne systemy wieloagentowe: jak LLM-y uczą się współpracować w przestrzeni ukrytej
RecursiveMAS rozszerza rekurencyjne obliczenia z pojedynczych LLM-ów na systemy wieloagentowe - agenty komunikują się w przestrzeni ukrytej przez lekkie moduły RecursiveLink, osiągając +8.3% dokładności przy 2.4x przyspieszeniu.
Tstars-Tryon 1.0: wirtualna przymierzalnia jako edycja wieloobrazowa w skali Taobao
Jak zunifikowany 5B MMDiT z wielowymiarowym RL i destylacją kroków przeformułowuje virtual try-on jako edycję wieloobrazową - i działa poniżej 4 sekund na produkcji.
TAPS: Dlaczego dane treningowe modelu-draftu mają większe znaczenie niż jego architektura
TAPS pokazuje, że dane treningowe modelu-draftu ważą więcej niż architektura: scalone drzewa dają średnią długość akceptacji 5,11, uśrednianie wag tylko 2,59.
Demystifying Video Reasoning: Modele nie myślą klatkami - myślą krokami odszumiania
Chain-of-Steps: modele dyfuzyjne wideo rozumują wzdłuż kroków odszumiania, nie klatek. Ensemble różnych seedów poprawia wyniki bez żadnego dotrenowania.
Seoul World Model: AI generujące wideo prawdziwych miast ze zdjęć ulicznych
Seoul World Model generuje fotorealistyczne wideo prawdziwych ulic ze zdjęć street view: FID 28,43 w Busan wobec 62,14 najlepszego baseline'u, zero-shot.
Zgubieni w Opowieściach: Jak LLM-y Gubią Wątek w Długich Historiach
ConStory-Bench mierzy błędy spójności w długich opowiadaniach LLM: GPT-5-Reasoning ma 0,113 błędu na 10 000 słów, a ludzcy eksperci wyłapują tylko 17,1% z nich.
Utonia: Jeden Enkoder Dla Wszystkich Chmur Punktów
Utonia to jeden enkoder o 137M parametrów dla pięciu domen chmur punktów: 81,1% mIoU na ScanNet, 82,2% na NuScenes i emergentne dopasowanie międzydomenowe.
SAGE: Twój Model Wie, Kiedy Przestać Myśleć — Tylko Mu Nie Pozwalasz
SAGE zamienia prawdopodobieństwo następnego tokenu na skumulowane, dzięki czemu model sam kończy myślenie: 40-50% mniej tokenów bez straty dokładności.
Gdy GPT Odkrywa Prawa Fizyki: Przełom w Teorii Gluonów
GPT-5.2 Pro zaproponował wzór na amplitudy single-minus gluonów: niezerowe w przestrzeni Kleina, o wartościach -1, 0 lub 1. Wzór przeszedł pięć testów spójności.
OPUS: Jak Trenować LLM 6x Szybciej Wybierając Właściwe Dane
OPUS wybiera dane w każdej iteracji pretreningu: Qwen3-8B na 0,5B tokenów bije pełny trening na 3B, a narzut to 4,7% dzięki ghost gradients i CountSketch.
Green-VLA: Jeden Mózg AI dla Wszystkich Robotów
Green-VLA trenuje jedną politykę w pięciu etapach na 3000 godzinach demonstracji z humanoidów, manipulatorów mobilnych i ramion; wyniki SOTA na CALVIN ABC-D.
Comp-LLM: Kiedy Armia Ekspertów Wygrywa z Gigantem – Analiza Rewolucji w Architekturze AI
Comp-LLM rozbija zapytanie na DAG podzapytań dla wyspecjalizowanych ekspertów: kompozyt ~35B osiąga F1 0,83 wobec 0,85 dla monolitycznej Llamy-2 70B.
LLM-kaskady z ograniczeniami kosztów — poznaj C3PO
C3PO buduje kaskady LLM z probabilistycznym ograniczeniem kosztu zamiast sztywnego budżetu, osiągając jakość najcięższego modelu przy dużo niższym rachunku.
Skuteczne prognozowanie opadów satelitarnych dzięki sieciom fizyko-warunkowanym
TUPANN prognozuje opady na 10-180 minut wyłącznie z danych satelitarnych: wariacyjny encoder, MaxViT i różniczkowalna adwekcja działają tam, gdzie nie ma radarów.
CHORD — sprytne rekomendacje na telefonie bez duszenia baterii
CHORD kwantuje model rekomendacji osobno dla każdego telefonu: hypernetwork generuje mapę bitów z profilu użytkownika, więc nie trzeba trenować lokalnie.
DIALTREE‑RPO — prosty przewodnik po Tree‑based Dialogue Reinforced Policy Optimization
DIALTREE-RPO prowadzi wieloturne ataki red-teamingowe na LLM: drzewo dialogów z przycinaniem, RL z karą KL i adaptacyjne maskowanie gradientów formatu.
Attention as a Compass – jak uczyć modele rozumowania mądrzej?
AttnRL wykorzystuje macierze uwagi jako kompas wskazujący punkty rozgałęzienia w process-supervised RL: +1,8 pp nad GRPO i TreeRL przy 8% krótszym treningu.
Jak wykrywać oszustwa kartą kredytową?
Wykrywanie fraudów na zbiorze 284 807 transakcji z zaledwie 492 oszustwami: hybryda undersamplingu i SMOTE daje najlepszy balans dla modeli MLP oraz KNN.
Quantum Trading – AI i komputery kwantowe w inwestowaniu
QLSTM przewiduje trend USD/TWD, a agent QA3C handluje: 11,87% zysku w latach 2020-2025 przy obsunięciu 0,92% i 244 parametrach wobec 3332 w klasycznym A3C.
Anatomia Kłamstwa AI: Jak Modele Językowe Mogą Nas Oszukiwać
Can LLMs Lie pokazuje, że modele kłamią strategicznie: logit lens łapie próby kłamstwa, zerowanie warstw 10-15 przywraca prawdę, a wektor sterujący ją reguluje.
AI na Krawędzi: Jak Przyspieszyć Sieci Neuronowe na Specjalistycznym Sprzęcie
SLAC łączy bibliotekę SNL, Auto-SNL i system Rogue, by wdrażać sieci neuronowe na FPGA w MPSoC: opóźnienia jak w hls4ml lub niższe, przy mniejszym zużyciu zasobów.
Intern-S1: Nowy Naukowiec AI, Który Redefiniuje Badania Naukowe
Intern-S1 z Shanghai AI Laboratory to otwarty model MoE z 28 mld aktywnych parametrów, trenowany na 5 bln tokenów, mocny w planowaniu syntezy molekularnej.
Kulisy Hiperwydajnego Trenowania w Seamless Flow
Seamless Flow izoluje trenera od agenta i przydziela GPU po tagach: do 100% wyższa przepustowość niż VERL, a Qwen3-32B skacze na SWE-Bench z 23,0% na 45,8%.
Systematyzacja Wiedzy: Minimalizacja Danych w Uczeniu Maszynowym
SoK o minimalizacji danych w ML: ramy porządkujące selekcję cech, k-anonimowość i uczenie federacyjne z podziałem na minimalizację horyzontalną i wertykalną.
Dynamiczne Dostrajanie (DFT): Jak jedna linijka kodu rewolucjonizuje trenowanie AI
Dynamic Fine-Tuning skaluje stratę odwrotnie do prawdopodobieństwa tokenu i prostuje ukrytą nagrodę SFT: jedna linijka kodu, wyniki na poziomie offline RL.
ASkDAgger: Jak Sztuczna Inteligencja Uczy Się Efektywniej Dzięki Zadawaniu Pytań
ASkDAgger odwraca DAgger: robot pyta o ocenę planu, zanim wykona ruch. Mechanizmy SAG, FIER i PIER tną liczbę zapytań, podnosząc wskaźnik sukcesu w CLIPort.
CaPulse: Jak Nauczyć Maszyny Słyszeć Rytm Danych?
CaPulse wykrywa anomalie w szeregach czasowych, ucząc się przyczynowego rytmu danych: alarm rusza po złamaniu kolejności przyczyn, a nie po przekroczeniu progu.
Goedel-Prover-V2: Rewolucja w Automatycznym Dowodzeniu Twierdzeń
Goedel-Prover-V2 łączy syntezę danych opartą na rusztowaniach z autokorektą w asystencie Lean. Na miniF2F i PutnamBench bije AlphaProof oraz DeepSeek-Prover.
Jak nauczyć AI radzić sobie z błędami? Poznaj ε-Softmax
ε-Softmax zmiękcza wektory one-hot, by błędna etykieta nie karała modelu za trafną intuicję. Praca z NeurIPS 2024 o odporności na szum w etykietach danych.
Prosta i Efektywna Metoda Kwantyfikacji Niepewności
Estymacja gęstości jądrowej w przestrzeni cech jednego deterministycznego modelu to tania alternatywa dla BNN i deep ensembles w detekcji OOD: CIFAR-10 kontra SVHN.
RLVMR: Wzmocnione Uczenie z Weryfikowalnymi Nagradzającymi Meta‑Rozumowaniem
RLVMR dokłada do nagrody środowiskowej weryfikowalny składnik za meta-rozumowanie: agent unika błędnych skrótów w zadaniach o długim horyzoncie czasowym.
Lekki silnik AI do wykrywania raka skóry w urządzeniach ubieralnych
MobileNetV2 skompresowany przez TensorRT do INT8 na Jetson Orin Nano wykrywa raka skóry z F1 87,2%, zajmując 41% rozmiaru i zużywając nawet o 93% mniej energii.
SOPHIA: wzmacnianie wolnomyślenia w dużych modelach wizualno‑językowych
SOPHIA łączy on-policy percepcję wizualną z off-policy wolnomyśleniem: InternVL3.0 zyskuje 8,5 p.p. dokładności i przewyższa GPT-4.1 na MathVision.
Nie tylko większe modele: dlaczego AI powinno lepiej widzieć, a nie tylko rosnąć
Zamiast skalować modele w nieskończoność, warto lepiej zbierać dane: EfficientNet-B0 z adaptacyjną sensoryką pokonuje znacznie większy OpenCLIP-H w percepcji.
HGMP: Rewolucja w analizie złożonych grafów dzięki prompt learning
HGMP sprowadza zadania na grafach heterogenicznych do wspólnego promptu: kontrastowy pre-trening i prompty cech pozwalają uczyć wiele zadań jednym modelem.
Jak nowoczesna teoria informacji pomaga diagnozować choroby psychiczne – MvHo‑IB w akcji
MvHo-IB łączy klasyczne połączenia funkcjonalne z tensorem interakcji trójek regionów (O-information) i zyskuje do 7% dokładności na ABIDE, ADHD-200 i COBRE.
Jak przewidzieć popyt na hulajnogi? XGBoost i mikromobilność w mieście
XGBoost na 341 cechach czasowych, przestrzennych i sieciowych przewiduje popyt na hulajnogi trafniej o 27-49% niż inne podejścia i do 90% lepiej niż Prophet.
Ghost Nodes – duchy, które przyspieszają naukę sieci neuronowych
Ghost nodes to dodatkowe wyjścia klasyfikatora liczone w softmaxie, ale poza stratą: dają gradientom nowe kierunki, przyspieszają trening i same zanikają.
Framework ochrony prywatności służący do przewidywania epidemii
Hybryda sieci neuronowej i mechanistycznego modelu SEIR trenowana pod różnicową prywatnością: nawet mocno zaszumione dane prywatne poprawiają prognozy epidemii.
Mind2Web 2: Nowa era 'agentycznego' wyszukiwania w sieci
Mind2Web 2 ocenia agentów wyszukiwania na 130 realnych zadaniach przez Agent-as-a-Judge; najlepsze systemy sięgają 50-70% skuteczności człowieka, dwa razy szybciej.
Maszyna, która odkrywa prawa fizyki. Jak działa H‑FEX i co z tego dla nas?
H-FEX odzyskuje jawny wzór hamiltonianu z danych o pozycji i pędzie, dopasowując stałe 1.0003 i 1.1002, i bije SINDy niemal zerowym dryfem energii.