#машинное обучение

Новый метод позволяет обучать ИИ-агентов для рассуждений, значительно сокращая вычислительные затраты. Исследование упрощает разработку ИИ.

Anthropic подтвердила, что изменения в инструкциях и структуре ИИ Claude привели к ухудшению его производительности, ранее отмеченному пользователями как "AI-шринкфляция".

Новое исследование Стэнфорда показало: одиночные AI-системы превосходят сложные многоагентные. Это может изменить подход к разработке ИИ.

Лаборатория NeoCognition получила $40 млн инвестиций для разработки ИИ-агентов, способных обучаться подобно людям. Стартап стремится создать универсальных экспертов.

Как оптимизировать затраты на вычисления для ИИ? Стандартные подходы игнорируют расходы на инференс, что создает проблемы для реальных LLM-приложений.

Компания InsightFinder получила $15 млн инвестиций для разработки решений, помогающих диагностировать и исправлять ошибки в работе ИИ-моделей.

Платформа для обучения на базе ИИ Gizmo получила инвестиции в $22 млн, а её аудитория достигла 13 млн человек.

Microsoft выпустила MAI-Image-2-Efficient – новую модель для генерации изображений, которая работает быстрее и стоит дешевле.

Исследование Databricks показало, что многошаговые ИИ-агенты превосходят однозапросные RAG-системы в задачах, требующих анализа разных источников данных.

Дрейф данных ослабляет безопасность систем на базе машинного обучения. Обнаружение этих признаков поможет предотвратить угрозы.

Разработан новый фреймворк Memento-Skills, который позволяет ИИ-агентам адаптировать свои навыки без переобучения базовых моделей. Это решает проблему медленной адаптации.

Андрей Карпати разработал архитектуру «LLM Knowledge Base», которая обходит RAG. Это саморазвивающаяся библиотека на Markdown, поддерживаемая ИИ.