181 सामग्री
Anthropic ने स्वतंत्र टीमों के लिए $5 मिलियन आवंटित किए हैं: वे अध्ययन करेंगी कि मॉडल उपयोगकर्ताओं की भावनात्मक स्थिति को कैसे प्रभावित करते हैं, और अपनी मूल्यांकन पद्धतियों को सार्वजनिक रूप से प्रकाशित करेंगी। यह कार्यक्रम मॉडलों तक पहुंच और तकनीकी सहायता भी प्रदान करता है, और शोधकर्ताओं से आवेदन 21 सितंबर तक स्वीकार किए जाते हैं।
नया ScienceFlow फ्रेमवर्क AI-एजेंटों को बहु-घंटीय शोध कार्यों में लक्ष्य न खोने में मदद करता है: कार्य को पुनर्प्राप्त करने योग्य खंडों में विभाजित किया जाता है, और संसाधनों का आवंटन वास्तविक रूप से पुष्टि की गई प्रगति के आधार पर किया जाता है। MLE-bench पर इसने प्रकाशित दृष्टिकोणों में सर्वश्रेष्ठ परिणाम दिखाया।
शोधकर्ता Text-to-SQL क्षेत्र को एक समेकित लीडरबोर्ड के रूप में देखने का सुझाव देते हैं, जहाँ परिणाम SQL क्वेरी उत्पन्न करने में मॉडल की स्वायत्तता की डिग्री के अनुसार वितरित किए जाते हैं। वे Spider पर माप करते हैं और दिखाते हैं कि सफलताएँ हमेशा अन्य बेंचमार्क पर स्थानांतरित नहीं होती हैं, और स्वायत्तता स्थिरता प्रदान करती है, लेकिन इसके लिए काफी कम्प्यूटेशनल संसाधनों की आवश्यकता होती है।
मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के इंजीनियरों ने एक AI उपकरण बनाया है जो अवलोकन अभिलेखों में अनुपस्थित चरम मौसम परिदृश्य उत्पन्न करता है। मॉडल पिछली आपदाओं के डेटा पर प्रशिक्षण के बिना उनकी संभावित तीव्रता, अवधि और क्षेत्र का आकलन करता है।
नए शोध के लेखकों का तर्क है कि स्वायत्त वैज्ञानिक प्रणालियों को केवल दुर्लभ अंतिम परिणाम पर निर्भर रहने के बजाय, फ़ज़र्स की तरह, मध्यवर्ती प्रगति के सघन संकेतों पर आधारित होना चाहिए। यह दृष्टिकोण एजेंट को अपरंपरागत परिकल्पनाओं का पता लगाने और बेंचमार्क के अनुरूप अति-अनुकूलन से बचने में सक्षम बनाता है।
ISWC 2026 के लेख में लेखकों ने एक उपकरण प्रस्तुत किया जो LLM की सामान्य क्वेरी को मान्य SHACL-बाधाओं में बदलने की क्षमता को मापता है, यह ध्यान में रखते हुए कि समान नियम अलग-अलग दिख सकते हैं। चार मॉडलों पर किए गए परीक्षणों से पता चला: वे सिंटैक्स को आसानी से संभाल लेते हैं, लेकिन अक्सर जटिल बाधाओं के अर्थ को नहीं समझ पाते।
शोधकर्ताओं ने पाया कि LLM को अनसीखाने (unlearning) के मानक तरीके कुछ ही भूले हुए उदाहरणों पर फिर से प्रशिक्षण देने पर आसानी से विफल हो जाते हैं। उनके द्वारा प्रस्तावित Margin Calibration तकनीक एक गैर-संतृप्त मार्जिन दंड जोड़ती है और विभिन्न मॉडलों और डेटासेटों पर ऐसे हमलों की सफलता को काफी हद तक कम कर देती है।
एक नया बेंचमार्क अंग्रेजी और अरबी में 100 प्रश्न-उत्तर परिदृश्य पेश करता है, जो ऑपरेटर के वास्तविक डेटा—वेबसाइट, SQL डेटाबेस और वेब आर्काइव—के आसपास बनाए गए हैं। 12 मॉडलों पर परीक्षण से पता चला कि सबसे अच्छा मॉडल भी केवल 71% कार्यों को हल करता है, और दृश्य श्रेणियों में परिणाम 30% से नीचे गिर जाता है।
कैलटेक की प्रोफेसर और उनके सहयोगी ने बेजोस-समर्थित परियोजना में हिस्सेदारी छोड़कर अपना खुद का स्टार्टअप शुरू किया। नई कंपनी का लक्ष्य ऐसे मॉडल बनाना है जो रोबोटिक्स, सेमीकंडक्टर और जलवायु के लिए भौतिक घटनाओं की भविष्यवाणी करते हैं।
