وقتی پاداش‌های تطبیقی ​​صدمه می‌زنند: بررسی علّی و معضل تغییر-پایداری در برنامه‌ریزی ماهواره‌ای LEO با هدایت LLM

ما به طور سیستماتیک این شهود را آزمایش می‌کنیم و یک معضل پایداری سوئیچینگ را کشف می‌کنیم: وزن‌های پاداش تقریباً ثابت (342.1 مگابیت در ثانیه) از وزن‌های دینامیکی که با دقت تنظیم شده‌اند (103.3+/-96.8 مگابیت در ثانیه) بهتر عمل می‌کنند، زیرا PPO به سیگنال پاداش شبه‌ای برای همگرایی تابع ارزش نیاز دارد. MLP به 357.9 مگابیت…

رویدادهای آینده

هوش مصنوعیکلمه کلیدیسازمانبرچسب هانمایش 1 - 3 از 3سری وبینارهای AI آزمایشگاه فناوری اطلاعات NIST: ساخت کاوشگرهای اندازه گیری در اکوسیستم های هوش مصنوعی عاملسه‌شنبه، 7 آوریل 2026، 1:00 - 2:00 بعد از ظهر EDT به آزمایشگاه فناوری اطلاعات NIST بپیوندید تا یک وبینار فنی در مورد تحقیقات اولیه متمرکز بر توسعه داشته باشیدMLXN:…

هوش مصنوعی متا EUPE را منتشر کرد: خانواده رمزگذار دید فشرده با پارامترهای 100 میلیونی که با مدل‌های تخصصی در درک تصویر، پیش‌بینی متراکم و وظایف VLM رقابت می‌کند.

خط لوله سه مرحله ای کامل به بهترین تعادل کلی دست می یابد.در معیار اصلی ViT-B، EUPE-ViT-B به طور مداوم برجسته می شود:درک تصویر: EUPE به 84.1 در IN1k-KNN دست می‌یابد که از PEcore-B (79.7)، SigLIP2-B (83.2) و DINOv3-ViT-B (83.0) بهتر عمل می‌کند. خانواده کامل EUPE شامل شش مدل در معماری های ViT و ConvNeXt است.

وقتی عوامل هوش مصنوعی مانند انسان ها مخالف هستند: تحلیل ردیابی استدلال برای اعتدال مشارکتی انسان و هوش مصنوعی

با استفاده از پیکره اندازه‌گیری سخنان نفرت، ما ردپای استدلال را از پنج عامل متمایز از دیدگاه تعبیه کردیم و الگوهای اختلاف را با استفاده از یک طبقه‌بندی چهار طبقه بر اساس شباهت استدلال و توافق نتیجه طبقه‌بندی کردیم. ترتیب‌بندی مبتنی بر طبقه‌بندی ما با الگوهای اختلاف نظر انسانی مرتبط است.

الگوریتم شتاب‌دار میون برای مدل‌های خطی تعمیم یافته تانسور با رتبه جدایی پایین

یک رویکرد نماینده برای تخمین GLM های تانسور مبتنی بر LSR (LSR-TGLMs) الگوریتم رگرسیون تانسور رتبه جدایی پایین (LSRTR) است که نزول مختصات بلوکی را اتخاذ می کند و متعامد بودن ماتریس های عامل را از طریق پیش بینی های مکرر مبتنی بر QR اعمال می کند. به طور خاص، LSRTR-M طرح مختصات بلوک اصلی را حفظ می کند در حالی که به روز رسا…

همجوشی توجه نمادین-بردار برای هوش جمعی

SVAF هر سیگنال بین عاملی را به 7 میدان معنایی تایپ شده تجزیه می کند، هر یک را از طریق یک گیت ترکیبی آموخته شده ارزیابی می کند و یک ریمیکس ایجاد می کند - دانش جدید از تقاطع دو حوزه. SVAF تعیین می کند که چه چیزی وارد وضعیت شناختی هر عامل می شود.