Голос разума: как обуздать галлюцинации в аудио-языковых моделях

Для системы AHA разработан унифицированный конвейер обработки данных, начинающийся с формирования общего пула аудио-вопросов, извлечённого из сложных акустических сцен и шаблонов детального рассуждения, склонных к галлюцинациям, который затем разделяется на два взаимодополняющих подхода: построение пар предпочтений для DPO путем сопоставления выбранных ответов, полученных из подписей, с отвергнутыми, сгенерированными языковой моделью и содержащими специфические галлюцинаторные паттерны, и создание строгой эталонной системы QA за счет сбора проверенных человеком истинных значений и аннотирования типов галлюцинаций.

Новый подход AHA позволяет повысить надежность больших аудио-языковых моделей, устраняя ошибки в понимании временных последовательностей и снижая склонность к выдумыванию информации.

Предсказывая будущее: как обучить ИИ мыслить шире

Обучение модели прогнозирования повышает точность и калибровку как на открытых вопросах в тестовом наборе, так и на внешнем бенчмарке FutureX, позволяя OpenForecaster8B конкурировать с гораздо более крупными моделями, имеющими ограничение знаний до мая 2025 года.

Новое исследование демонстрирует эффективный подход к обучению больших языковых моделей прогнозированию открытых вопросов, используя тщательно отобранные данные и алгоритмы обучения с подкреплением.

Солнечный прогноз: Искусственный интеллект на службе возобновляемой энергии

В марте 2018 года наблюдались значительные региональные различия в уровне глобального горизонтального облучения (GHI) по всей территории Вьетнама, что указывает на сложную пространственную динамику солнечной радиации в этот период времени.

Новое исследование демонстрирует, как современные алгоритмы глубокого обучения позволяют с высокой точностью прогнозировать солнечную активность, что критически важно для стабильной работы энергосистем.