AI výskum

Nová práca o multimodálnom claim extraction posúva fact-checking bližšie k realite sociálnych sietí, kde sa tvrdenia šíria v kombinácii textu a obrazov. Pre médiá, platformy aj obranné tímy ide o dôležitý stavebný blok proti modernej dezinformácii.

Práca BASIS navrhuje spôsob, ako odpojiť pamäťové nároky backpropagácie od dĺžky sekvencie a batchu cez vyvážené skicovanie aktivácií. Ak sa výsledky potvrdia, môže ísť o praktický posun pre tréning dlhokontextových modelov na obmedzenom hardvéri.

Nová práca LACE navrhuje, aby sa paralelné reasoning trajektórie pri inferencii navzájom ovplyvňovali cez cross-thread attention. Namiesto viacerých izolovaných pokusov tak vzniká koordinované hľadanie riešenia s potenciálom znížiť redundantné chyby.

TII cez Hugging Face spustil QIMMA, arabský leaderboard, ktorý najprv validuje samotné benchmarky a až potom hodnotí modely. Signál je dôležitý pre firmy, ktoré chcú merať jazykové modely na menej pokrytých jazykoch oveľa spoľahlivejšie.

Komparatívna štúdia na arXiv porovnáva Integrated Gradients, Attention Rollout a SHAP a ukazuje, že rôzne explainability metódy ponúkajú iný kompromis medzi stabilitou, výpočtovou cenou a interpretovateľnosťou.

Paper „The Spectral Geometry of Thought“ tvrdí, že v skrytých aktiváciách transformerov existujú opakujúce sa spektrálne vzory rozlišujúce reasoning od faktickej odpovede a že môžu pomôcť odhadnúť správnosť ešte pred finálnym výstupom.

Nový paper na arXiv analyzuje kanadský federálny register AI systémov a tvrdí, že samotná evidencia technických opisov nestačí, ak zakrýva ľudské rozhodovanie, neistotu a sociotechnický kontext nasadenia.

Výskumníci ukazujú, že vysoké Brain Score dosahujú aj modely trénované na veľmi odlišných štruktúrovaných dátach vrátane genómu či kódu. To spochybňuje jednoduché tvrdenie, že metrika automaticky znamená hlbšiu podobnosť jazykových modelov s ľudským spracovaním jazyka.

Štúdia porovnávajúca Integrated Gradients, Attention Rollout a SHAP upozorňuje, že pri diagnostike jazykových modelov neexistuje univerzálne vysvetlenie. Najstabilnejšie sa podľa autorov ukazujú gradientové atribúcie, kým attention a model-agnostic prístupy majú vlastné kompromisy.

Paper Think Multilingual, Not Harder tvrdí, že code-switching v reasoning modeloch nemusí byť chyba, ale užitočné správanie. Autori pripravili dátovo úsporný framework, ktorým chcú modely naučiť prepínať jazyky vtedy, keď to zlepšuje samotné uvažovanie.

Práca GIST navrhuje spôsob, ako z mobilného point cloudu a sémantických výberov vytvoriť mapu, s ktorou si vedia poradiť ľudia aj embodied AI. Cieľom nie je len rozpoznávanie objektov, ale praktická orientácia v hustých priestoroch ako obchody, sklady či nemocnice.

DeepER-Med navrhuje agentický workflow pre medicínsky výskum, v ktorom je práca s dôkazmi explicitná a kontrolovateľná. Popri samotnom systéme prináša aj dataset otázok DeepER-MedQA, ktorým chce merať, či AI vie nielen sumarizovať literatúru, ale aj opierať závery o kvalitné podklady.