AI výskum

Nový paper A2RD rieši slabinu dlhých generovaných videí: model po čase stráca dej, objekty aj kontinuitu. Autori spájajú multimodálnu pamäť, segmentové generovanie a priebežné samoopravovanie priamo počas inferencie.

Apple Machine Learning Research predstavilo benchmark SFI-Bench, ktorý testuje, či multimodálne modely chápu nielen polohu objektov, ale aj ich funkciu. Nový video set s viac než 1700 otázkami má odhaliť, ako ďaleko sú dnešné MLLM od prakticky použiteľnej priestorovej inteligencie pre agentov a robotiku.

ServiceNow na Hugging Face rozobralo migráciu z vLLM V0 na V1 pri RL tréningu modelov a ukázalo, že kľúčové nie sú len nové optimalizačné schémy, ale najmä korektné logproby, runtime defaulty a správa váh počas behu.

Apple Machine Learning Research ukazuje, že tlak na lacnejší serving nemusí ísť len cez kvantizáciu či skracovanie kontextu. Nová práca skúša zmenšiť KV cache po hĺbke siete a zachovať pritom výkon aj priepustnosť.

Štúdia z Harvard Medical School a Beth Israel Deaconess naznačuje, že model o1 vedel pri prvom triážnom rozhodovaní trafiť presnú alebo veľmi blízku diagnózu častejšie než dvojica internistov. Autori však zároveň varujú, že zaujímavý benchmark ešte nie je dôkaz pripravenosti nasadiť AI na reálne život-ohrozujúce rozhodnutia.

Apple zverejnil výskum PORTool, ktorý sa snaží zlepšiť tréning agentov pracujúcich s externými nástrojmi. Namiesto odmeňovania len podľa finálneho výsledku rozdeľuje zásluhu aj po jednotlivých krokoch, aby model lepšie pochopil, ktoré volania nástrojov boli skutočne užitočné.

Apple predstavilo ParaRNN, framework, ktorý má odstrániť kľúčové úzke miesto klasických rekurentných sietí. Firma tvrdí, že pri tréningu nelineárnych RNN dosiahla zrýchlenie až 665-krát a otvorila cestu k sedemmiliardovým modelom s konkurencieschopnou perplexitou.