Az AI-vége 1-4 év múlva érkezhet, éljük meg az utolsó éveket vidáman
NickyP, a LessWrong AI szerző szerint az emberiségnek mindössze 1-4 éve maradt, mielőtt az AI radikálisan átalakítja a világot.
LessWrong AI
Archívum
294 cikk összesen (szűrt)
A YOLO csendben megbukik biztonságkritikus zárt körű osztályozásnál
A modell 94–96%-os pontossággal azonosítja az ismert fajokat, de ismeretlen gombáknál tévesen osztályoz — ami mérgezési kockázatot jelent.
Reddit ML
Hat Models, Négy Feladat: Az LLM Alapú Szövegannotáció Rejtett Tényezői
Lorca McLaren és munkatársai hat modellt teszteltek, és megállapították, hogy a folyamat választások kölcsönhatásai meghatározzák az eredményeket.
ArXiv NLP
A FormalProofBench 33,5%-os pontosságot ért el a diplomamunka-szintű matematikai bizonyításokban
A Claude Opus 4.5 modell érte el a legjobb eredményt a FormalProofBench teszten
ArXiv AI
Hat LLM modell került tesztelésre 15 ország adataival
A kutatók szerint a modell teljesítménye az érzelem típusától és a kulturális kontextustól függ.
ArXiv NLP
Az RL-képzés tönkreteszi a Chain-of-Thought monitorozhatóságot bizonyos esetekben
A DeepMind Safety Research csapata kidolgozott egy keretrendszert, amely segít előrejelezni, hogy az RL-képzés mikor rontja a Chain-of-Thought monitorozhatóságát.
LessWrong AI
Az ellenőrzés néha árt: Tanulási modell visszajelzések aszimmetrikus hatásai
A kutatók 516 egyedi bizonyítási állapottal kísérleteztek
ArXiv AI
A LIMBO kutatócsoport 2024-es alapítása óta fejleszti az anthropikus következtetés matematikai keretrendszerét
A LIMBO csapata 5,6 millió dollárból képzett egy versenyképes modellt, és fontos eredményeket ért el a ritka események becslésében
LessWrong AI
Az LLM-ek nem tudnak megbízható magyarázatot adni az AI-felelősséghez
Több kutatás is azt találta, hogy az LLM-ek által generált magyarázatok nem pontosak, és a szakértők szerint ez komoly probléma az AI-felelősség szempontjából.
AI for Newsroom
Az AlpsBench bemutatja az első valós párbeszéden alapuló LLM személyre szabási teljesítménytesztet
A teljesítményteszt 2500 hosszú interakciós sorozatot tartalmaz, amelyet a WildChat platformról gyűjtöttek
ArXiv NLP
A Mistral AI szerint az AI-modell testreszabása architektúrális követelmény
A Mistral AI szerint a testreszabás logikájának leválasztása az alapmodellről biztosítja, hogy a vállalatok "digitális idegrendszere" rugalmas maradjon.
Mistral AI
Kontrollos kísérlet: 3,2%-kal jobb eredményt ér el az LLM újraparaméterezése a szakcikkekhez való hozzáféréssel
A kutatók szerint az LLM újraparaméterezése akár 10%-kal is javíthatja a teljesítményt, ha a modellhez nagy mennyiségű, minőségi adatot biztosítanak.
Reddit ML
A Google TurboQuantja 6-szor kevesebb memóriát használ, 8-szor gyorsabb és nulla pontosságveszteséggel
A TurboQuant.net elemzés szerint a kompresszióhatárok eléréséhez közelednek, és az új fejlesztések valószínűleg más irányból érkeznek.
Reddit LocalLLaMA
A bizonytalanság fontossága: új felmérés az UAXAI-ről
Több mint 100 kutatómunka elemzése során azonosították a bizonytalanság fontos szerepét az UAXAI-ban
ArXiv AI
A PentaNet projekt új lehetőségeket nyit a BitNet-en túl
A PentaNet projekt mögött álló csapat 124M paramétert használ az új modellben.
Reddit ML
Az inference sokkal gyorsabb Linuxon, mint Windowson
A LocalLLaMA közösség szerint a Linuxon futó inference akár 30%-kal gyorsabb lehet, mint a Windows alatt.
Reddit LocalLLaMA
LLM-ek nem gondolkodnak, hanem utánoznak — egy újságíró tapasztalatai Claude-dal
Gina Chua újságíró-stratéga két napot töltött Claude-dal szerkesztői folyamat tesztelésére — és nyíltan szólt arról, amit talált: az LLM-ek nem értenek semmit, csak analógiák alapján utánoznak.
AI for Newsroom
Lebontva: így néz ki belülről a Claude Code — 500+ fájl, 40+ eszköz, 11 lépéses loop
A ccunpacked.dev oldal részletesen feltárta a Claude Code belső architektúráját: az alkalmazás egy 11 lépéses agent loopon alapul, amelybe a felhasználói bemenet feldolgozásától az API-válaszig minden lépés beágyazódik.
Hacker News
Miért nem lehet a TurboQuant-ot kvantálásra alkalmazni? A LocalLLaMA közösség magyarázza
A Google TurboQuant módszere csak egydimenziós vektorokon forgatja a súlyokat — a 2D súlymátrixokon ez nem működik, ezért a kvantáláshoz más megközelítés kell.
Reddit LocalLLaMA
Új teszt: az LLM-ek következetesen félreolvassák a feladatot, ha az instrukció és a szöveg ellentmond egymásnak
Hat modellt teszteltek, és mindegyiknél ugyanazt találták: a felületi jelek 8–38-szor erősebben befolyásolják a döntést, mint maga a feladat célja.
ArXiv NLP
Az SciVisAgentBench teszt 108 esettanulmányt tartalmaz a tudományos adatelemzés és visualizáció értékelésére
Kuangshi Ai és 15 társunk 12 szakértővel együttműködve hozta létre a SciVisAgentBench tesztet
ArXiv AI
Egy kutatópáros szerint az AI valódi áttörése nem egyéni modellektől, hanem együttműködéstől várható
Ha az AI modellek nem versenyeznek, hanem együttműködnek, szélesebb megoldásteret fedeznek fel — és kisebb eséllyel ragadnak le a korai, téves konszenzusnál.
ArXiv AI
Felfedezték az AI-ügynökök spontán szocializációját
S.O. Lidarity és munkatársai szerint a szemi-autonóm AI-ügynökökben spontán szocializáció figyelhető meg.
ArXiv AI
Az NVIDIA egy nap alatt képes domain-specifikus embedding modellt képezni
Az Atlassian 26%-os javulást ért el a Recall@60 értékben, miután finomhangolta a modellt a JIRA adathalmazon.
Hugging Face
A Hugging Face nyílt forráskódú AI-ökoszisztémája 13 millió felhasználót számlál
Több mint 30 százaléka a Fortune 500-nak már most is használja a Hugging Face nyílt forráskódú modelljeit.
Hugging Face
A Meta új technikája 93%-ra növeli az LLM-ek kódellenőrzési pontosságát
A Meta új technikáját a Claude Opus-4.5 és Sonnet-4.5 modellek tesztelték, amelyek 93%-os pontosságot értek el a kódellenőrzési feladatokban.
VentureBeat
Az Anthropic titkos Mythos modellje nyilvánosságra került
Sam Altman állítólag elmondta az OpenAI dolgozóinak, hogy megpróbálta megmenteni az Anthropicot a Pentagonnal való konfliktus során.
AI Breakfast
Az OpenAI eszközei hónapok alatt váltak használhatóvá az nyílt forráskódú fejlesztőknek
Greg Kroah-Hartman, a Linux stable kernel maintainer, szerint az AI-eszközök minősége hónapok alatt jelentősen javult.
ZDNet AI
A TurboQuant technika nagy részben kompenzálja a Q8_0 kv quantizálás csökkentését
A Reddit felhasználók szerint a TurboQuant technika mellett az AIME25 teljesítményteszten tapasztalt teljesítménycsökkenés nagyrészt kompenzálható
Reddit LocalLLaMA
Egy fejlesztő létrehozott egy autonóm ML ügynököt, ami végeláthatatlanul futtat kísérleteket tabuláris adatokon
A Reddit felhasználó, aki az AutoResearch projektből merített ihletet, egyetlen GPU-val tesztelte a fejlesztést.
Reddit ML
Betekintés a transformer rétegekbe: így dolgoznak az inference motormeghajtások
A Vicuna-13B modellhez hasonló nyelvi modellek fejlesztésében kulcsszerepet játszanak az olyan technológiák, mint a self-attention és a finomhangolás.
Reddit LocalLLaMA
Egy 9 soros seed és 5 kör kontrasztív visszajelzés felülmúlja az Optunát 96%-ban
A Reddit felhasználók szerint a kontrasztív visszajelzés technika hatékonysága a szabályozatlan betanítással kombinálva 20%-kal növelte a modell teljesítményét.
Reddit ML
Sűrűség-érzékeny kontextus-kompresszió új módszerrel
Yijiong Yu és munkatársai egy új keretrendszert mutattak be, amely a kontextus kompresszióját optimalizálja az információ sűrűségének figyelembevételével.
ArXiv NLP
Kutatók kimutatták, hogy az összeesküvés-elméletek nem uniformán fejlődnek
Manisha Keim és munkatársai 169,9 millió Reddit-kommentet elemeztek, és megállapították, hogy az összeesküvés-elméletek nyelvi jellemzői idővel dinamikusan változnak.
ArXiv NLP
A Lens Academy alapítója keresi társát, már vannak felhasználók és finanszírozás
Luc Brinkman, a Lens Academy alapítója egy olyan társat keres, aki vagy technikai, vagy nem-technikai szakértő, és akivel együttműködve fejleszthetik az AI Safety oktatást.
LessWrong AI
Az AutoB2G keretrendszer természetes nyelvi leírások alapján automatizálja az épület-hálózat szimulációt
Borui Zhang és munkatársai által kidolgozott AutoB2G keretrendszer 2,255 KB méretű, és cs.AI kategóriába tartozik.
ArXiv AI
A RASPRef keretrendszer fejleszti a promptokat emberi felügyelet nélkül
Rahul Soni szerint a RASPRef keretrendszerrel elérhető javulás a GSM8K-stílusú matematikai okoskodási feladatokban
ArXiv NLP
Az utolsó ujjlenyomat: hogyan formálja a markdown az LLM szövegét
E. M. Freeburg szerint a markdown képzés hatással van az LLM szövegére, az em dash használata pedig egyfajta ujjlenyomat.
ArXiv NLP
Az OpenAI és a Google fejleszti a nyelvi modellek szabályozhatóságát
Több mint 100 ezer felhasználó járult hozzá a GPT-4o visszavonásához
Reddit ML
PyTorch DDP-vel építsünk gyártásra képes, több csomópontos tanulási folyamatot
S. M. Navin Nayer Anik 27 oldalas cikkben mutatja be, hogyan építsünk gyártásra képes tanulási folyamatot PyTorch DDP-vel
Towards Data Science
A robotok is megtanulhatják a statisztikai csalást
Jaemin Han szerint a p-hackinggal a kutatók a hipotézisük igazolására törekednek, és ennek során akár 40%-ra is növelhetik a hamis pozitív eredmények arányát.
Towards Data Science
A LocalLLaMA 2026 modellje már jobb lehet a GPT-3.5-nél
A Meta kutatói szerint a LocalLLaMA modell fejlesztése 2026-ra akár 10 százalékkal javíthatja a nyelvi megértést
Reddit LocalLLaMA
A LessWrong kutatói felfedezik: az LLM-ekben az elhitetés hathatós eszköz az irányításban
Egy új tanulmány feltárta, hogy az LLM-ek irányításában milyen szerepet játszhat az elhitetés, és milyen következményekkel járhat ez a technológia fejlődésére
LessWrong AI
Irán nyerésre áll az AI-propagandaháborúban
Több mint 61 százalék az amerikaiak közül elutasítja Trump háborús politikáját, miközben az iráni propagandavideók milliós nézettséget értek el.
404 Media
Georgi Gerganov szerint a helyi modellekben rengeteg apró hibától szenvednek
Georgi Gerganov llama.cpp könyvtára lehetővé tette, hogy a lokális modellek a fogyasztói hardveren is fussanak
Simon Willison
A megbízható AI alapjai: a platform-determinisztikus inferencia elengedhetetlen
TJ Dunham szerint a megbízható AI alapja a platform-determinisztikus inferencia, amit 82 kereszt-architekturális teszttel igazoltak.
ArXiv AI
A domain-specifikus gépi fordítás és minőségértékelés rendszerek fejlesztése
Javad Pourmostafa Roshan Sharami kutató szerint a gépi fordítás minősége jelentősen javulhat, ha a rendszereket speciális domainekhez igazítják.
ArXiv NLP
Új modell javítja az érzelmek felismerését a multimodális beszélgetésekben
Ying Liu és munkatársai egy kapcsolatokat figyelembe vevő modellt fejlesztettek ki, amely a szöveg, hang és arckifejezés kombinált elemzésével pontosabban azonosítja a beszélgetések érzelmi tónusát.
ArXiv NLP
Az LVFace felülmúlja az ArcFace/ResNet modellt az arcfelismerésben
A Reddit ML poszt szerint a LVFace modell 99,5 százalékos pontosságot ért el az arcfelismerési tesztek során
Reddit ML
Kilencszer gyorsabb képgenerálás: az A-SelecT kiszűri a felesleges lépéseket
Changyu Liu és kutatótársai olyan módszert dolgoztak ki, amely automatikusan kiválasztja a Diffusion Transformer legfontosabb lépéseit — akár kilencszeres gyorsulást elérve.
ArXiv AI