جدیدترین مقالات تحقیقاتی هوش مصنوعی از arXiv را کشف کنید — به‌روزرسانی خودکار روزانه برای پژوهشگران و علاقه‌مندان.
کدک‌های صوتی عصبی، از اجزای کلیدی در مدل‌سازی زبان گفتار هستند. با این حال، نرخ فریم بالای آن‌ها منجر به افزایش طول دنباله‌ها و هزینه محاسباتی می‌شود. کدک‌های نرخ فریم پویا این مشکل را از طریق یک مرحله فشرده‌سازی مؤثر کا…
نظارت بر زنجیره‌ی تفکر (CoT) یک استراتژی ایمنی است که در آن، استدلال یک مدل زبانی بزرگ را به عنوان یک «عامل» در نظر می‌گیرند و توسط یک «نظارتگر» (اغلب یک مدل زبانی دیگر) بررسی می‌کنند تا نشانه‌های برنامه‌ریزی ناامن، فریب…
Counterfactual regret minimization (CFR) is one of the few large numerical workloads that still runs faster on CPUs than on GPUs. Each iteration sweeps a game tree with up to billions of states in millions of small, inte…
تعمیم‌پذیری تحت جابجایی توزیع همچنان چالشی اساسی در یادگیری ماشین مدرن است؛ با این حال، نظریه محدودیت‌های یادگیری موجود تنها در چارچوب‌های محدود و ایده‌آفرینی‌شده معتبر است و از داده‌های نمونه قابل برآورد نیست. در این مق…
Camera traps often run in the field on edge hardware with limited or no connectivity, making small, locally-deployable vision-language models (VLMs) -- not frontier-scale ones -- the practically relevant class to evaluat…
هوش مصنوعی مولد، شیوه‌ی رساندن شرکت‌ها به مشتریان را تغییر می‌دهد؛ با این حال، داده‌های بازاریابی استاندارد، میزان دیده‌شدن نام شرکت و توجه کاربران به آن را در پاسخ‌های تولیدشده ثبت نمی‌کنند. ما برای تخمین اثرات علّی، مد…
هوش مصنوعی عاملی در حال گذار از اجرای وظایف محدود به سوی سیستم‌هایی است که حالت‌های مهم را حفظ می‌کنند، به کار خود ادامه می‌دهند و در سراسر مرزهای وظایف تطبیق می‌یابند. این تغییر، چالشی درونی برای کنترل‌کننده ایجاد می‌کن…
مدل‌های پایهٔ بینایی‌ـ‌زبان (VLMs) دانش گسترده‌ای درباره جهان از خود نشان می‌دهند؛ بااین‌حال، تبدیل این دانش به کنترل روبوت همچنان چالشی دشوار است. ما Show-Harness را معرفی می‌کنیم؛ نمونه‌ای از Harness جسمانی (Embodied H…
ما به مسئله‌ی حرکت روبات انسان‌شبیه در محیط‌های داخلی پرزرق و برق می‌پردازیم. برخلاف روش‌های رایج که مسیریابی را به‌عنوان یک مسأله‌ی برنامه‌ریزی مسیر دوبعدی مدل می‌کنند، حرکت انسان‌شبیه در فضاهای پرزرق و برق نیازمند تنظی…
مدل‌های زبانی بزرگ (LLM) به‌طور فزاینده به‌عنوان عوامل (agents) مستقر می‌شوند که در افق‌های طولانی برنامه‌ریزی می‌کنند و از طریق ابزارهای خارجی عمل می‌کنند. اکثر عوامل، از طریق تولید بی‌محدود، بر تاریخچهٔ تجمعی اقدامات ت…