norgitov/ trends
Технологии · люди · идеи
RSS
RUEN
К обзору/Daily Papers2 часа назад
ИсследованияDaily Papers

StudentBench: ИИ и обучение людьми дают эквивалентные результаты по GRE

StudentBench — платформа для оценки обучения ИИ — показывает, что ИИ-обучение может давать результаты, сопоставимые с обучением людьми, при этом в некоторых областях ИИ-репетиторы превосходят людей. Исследование также выделяет различия в стоимости, вовлеченности и метриках эффективности между ИИ и людьми.

Открыть первоисточник
СИГНАЛ ИЗ ИСТОЧНИКА
0
голосов источника
Наблюдаем с24 сентября 2026 г.0 голосов источника
Темп интереса—Нужны повторные замеры
Опубликовано23 сентября 2026 г.Curtis Northcutt, Inaara Hasmani, Kevin Feng
ЗА ЦИФРАМИ

Как меняется интерес

Daily Papers

История начинает расти

График появится после повторных замеров. Текущий показатель уже получен из источника.

0 голосов источника

Только реальные замеры. История до подключения источника не восстанавливается.

ЗАЧЕМ ОБРАТИТЬ ВНИМАНИЕ

Это исследование показывает, что ИИ-обучение может быть столь же эффективным, как обучение людьми, при подготовке к GRE, с возможными преимуществами по стоимости и различиями в эффективности по разным областям.

Полезная находка?
ПРОДОЛЖИ ИССЛЕДОВАНИЕ

Рядом по теме

Вся тема
Daily Papers

IntBMoE: Интеграция блоковой условной композиции экспертов для полного участия в смеси экспертов

IntBMoE представляет блок-условную архитектуру Mixture-of-Experts (MoE), которая разделяет участие, выполнение и материализацию, объединяя плотную композицию экспертов с разреженным выполнением блоков. Используется обученная кодовая книга для блоков и гиперсеть для объединения экспертов, обеспечивая полное участие при низких затратах на выполнение и память. Эксперименты показывают улучшения в классификации изображений, языковом моделировании и последовательном рекомендовании, с реальным внедрением в системе рекомендаций AMap.

6 дней назадDaily Papers

Вкусный агент: Измерение и улучшение вкуса в задачах с долгим горизонтом

В статье представлена Taste-Bench — тест для оценки «вкуса» агента при принятии решений на длинных горизонтах. Она измеряет способность выбирать лучший путь на точках ветвления без знания будущих исходов, показывая, что современные модели плохо справляются, и что вкус можно улучшить с помощью дистилляции.

позавчераDaily Papers

Document Retrieval-Aware Chunking (D-RAC): Универсальная интеграция корпоративных документов с использованием нормализации PDF и мультимодального преобразования в Markdown

В статье представлена методика Document Retrieval-Aware Chunking (D-RAC), которая эффективно обрабатывает корпоративные документы, нормализуя их в PDF и преобразуя в оптимизированный для поиска Markdown с использованием мультимодельной ИИ. Этот подход сохраняет структуру документа, снижает затраты на токены и повышает эффективность фрагментации.

3 дня назадDaily Papers

Все в одном: многоязычное распознавание текста в сцене с учетом письменности

В этой статье представлена система распознавания текста в сцене, охватывающая несколько языков, использующая архитектуру Mixture-of-Experts (MoE), учитывающую письменность. Система ScriptMoE превосходит существующие методы на задачах распознавания многоязычного текста, используя большой синтетический датасет и легковесную архитектуру, которая делит визуальный кодировщик, а декодирование выполняется специализированными экспертами для каждой письменности.

3 дня назадDaily Papers

CodeMidas: Масштабирование агентных сред для программирования с подкреплением на основе кода самого по себе

CodeMidas — агентный пайплайн, преобразующий реализованную функциональность в открытых кодовых базах в исполняемые среды для обучения с подкреплением (RL), используя только исходный код в качестве входных данных. Он генерирует 5 545 тренировочных задач из 3 185 кодовых баз, охватывающих 23 языка и 15 технических областей, улучшая производительность на нескольких кодовых бенчмарках при обучении MiMo-V2.5 с использованием GRPO.

6 дней назадLessWrong

А что если не цепи?

Этот пост исследует замешательство автора относительно того, как нейронные сети, особенно большие языковые модели (LLM), выполняют и учатся вычислениям. Он подвергает сомнению традиционный подход к механической интерпретации, основанный на цепях, утверждая, что «цепи» и «вычисления» могут не быть наиболее подходящей основой для понимания LLM. Эссе обсуждает представительный дрейф как ключевую проблему для анализа цепей на основе весов и предлагает «ко-селекционистскую» точку зрения на цепи как возникающие единицы. Автор также размышляет о том, как концепция «универсальности» должна влиять на объяснения функционирования LLM.

позавчера