AI výskum

Výskum Aletheia spochybňuje bežný zvyk pripájať LoRA adaptéry rovnomerne na všetky vrstvy transformera. Namiesto toho si cez ľahký gradientový prieskum vyberá vrstvy najrelevantnejšie pre danú úlohu a hlási citeľné zrýchlenie tréningu bez veľkej straty kvality.

Práca PolicyBank rieši problém, ktorý agentickým systémom hrozí v každej firme: pravidlá v prirodzenom jazyku sú neúplné, nejednoznačné a model ich často chápe „poslušne, ale nesprávne“. Autori preto navrhujú pamäťový mechanizmus, ktorý si cez testovanie a spätnú väzbu spresňuje výklad politiky ešte pred ostrou prevádzkou.

Nová práca LACE navrhuje, aby sa paralelné reasoning vetvy počas inferencie navzájom ovplyvňovali. Namiesto viacerých izolovaných pokusov tak vzniká koordinované hľadanie riešenia, ktoré podľa autorov citeľne zvyšuje presnosť na náročných úlohách.

Databricks zverejnilo OfficeQA, benchmark zameraný na grounded reasoning nad veľkými podnikovými korpusmi PDF a tabuliek. Firma tvrdí, že práve tu dnešné agenty zlyhávajú výraznejšie než na populárnych olympiádových či kódovacích testoch.

AI21 tvrdí, že budúcnosť agentov nie je v jednom veľkom black-boxe, ale v modulárnom rozdelení na reasoning, plánovanie a exekúciu. Takáto architektúra má zlepšiť auditovateľnosť, diagnostiku chýb aj praktické ladenie enterprise workflow.

AI21 opisuje nový typ skreslenia pri hodnotení coding agentov: posudzovateľ môže uprednostniť riešenie, ktoré vyzerá ako referenčná odpoveď, aj keď funkčne zlyhá. Téme dodáva váhu aj skoršie stanovisko OpenAI k obmedzeniam SWE-bench Verified.

Artificial Analysis spustil AA-AgentPerf, nový benchmark pre AI hardvér a inferenčné stacky. Namiesto krátkych dotazov používa reálne agentické trajektórie s dlhým kontextom, takže lepšie ukazuje, čo infraštruktúra zvládne v produkcii.

Nová práca sa vracia k téme uncertainty quantification pri konvolučných sieťach. Autori tvrdia, že bootstrap nad convexified neural networks môže ponúknuť konzistentnejší a výpočtovo úspornejší odhad neistoty pre rizikové nasadenia.

Nová práca na kontinuálnych multi-timescale agentoch ukazuje, že pridané moduly na self-monitoring či seba-predikciu neprinášajú samy osebe merateľný zisk. Zlepšenie sa objaví až vtedy, keď sú tieto signály priamo zapojené do rozhodovacej cesty agenta.

ArcDeck je multiagentový systém, ktorý pri prevode vedeckého článku do slidov najprv rekonštruuje logiku argumentu a až potom skladá osnovu a vizuály. Signálom je, že lepší výsledok neprichádza len z väčšieho modelu, ale zo štruktúry workflow.

Práca o continuous-time multi-timescale agentoch spochybňuje obľúbenú predstavu, že stačí pridať self-monitoring a agent bude automaticky robustnejší. Autori ukazujú, že pomocné metakognitívne moduly samy o sebe nepriniesli významné zlepšenie, pokiaľ neboli hlbšie zapracované do architektúry rozhodovania.

Práca na arXive tvrdí, že aj silné jazykové modely vrátane GPT-4o majú väčší problém s abstraktným významom, než sa často predpokladá. Výsledok je dôležitý najmä preto, že odhaľuje slabinu, ktorú nezakryjú bežné benchmarky ani všeobecný dojem z plynulého textu.