13625 papers
De kruising tussen C++ en kunstmatige intelligentie vormt een fascinerend speelveld waar snelle code en slimme algoritmen samenkomen. Hier worden de fundamenten gelegd voor systemen die niet alleen snel rekenen, maar ook complex leren en beslissen. Deze artikelen duiken in de technische kern van hoe programmeurs de prestaties van AI-modellen maximaliseren, vaak door de onderliggende software te optimaliseren voor specifieke hardware.
Op Gist.Science bewaken we deze stroom van nieuwe inzichten die dagelijks op arXiv verschijnen. Wij verwerken elk nieuw preprint in dit domein om zowel heldere, alledaagse uitleg als diepgaande technische samenvattingen te bieden. Zo maken we de complexe wereld van systeemoptimalisatie voor AI toegankelijk voor een breed publiek, zonder de wetenschappelijke nauwkeurigheid te verliezen.
Hieronder vindt u de meest recente papers die in deze categorie zijn verwerkt, direct uit de bron van arXiv.
In dit paper stellen de auteurs UniMixer voor, een verenigde architectuur die attention-, TokenMixer- en factorisatiemachine-methoden voor aanbevelingssystemen combineert in één schaalbaar raamwerk om de efficiëntie en prestaties te optimaliseren.
Dit paper presenteert een framework dat Item Response Theory uitbreidt met taakkenmerken en een decompositie van agent-vaardigheden om de prestaties van LLM-coding agents op individuele taken nauwkeurig te voorspellen, waardoor benchmarkontwerpers taakmoeilijkheid efficiënter kunnen kalibreren.
Dit paper introduceert twee adaptieve cascade-algoritmen, SUPG-IT en GAMCAL, die de kosten van het uitvoeren van semantische SQL-query's met grote taalmodellen in gedistribueerde streaming-systemen drastisch verlagen door onzekere rijen dynamisch naar een duurder model te routeren, terwijl ze tegelijkertijd hoge kwaliteit en schaalbaarheid garanderen zonder inter-worker communicatie.
Procela is een nieuw Python-framework dat mechanische simulaties in staat stelt hun eigen aannames te testen en de modelstructuur dynamisch aan te passen onder onzekerheid door runtime mutaties toe te passen, zoals het toevoegen van nieuwe mechanismen, het verwijderen van falende mechanismen, het aanpassen van resolutiebeleid en het wijzigen van de causale graaf met automatische terugkeer bij mislukking, wat leidt tot aanzienlijk betere voorspellingen bij de verspreiding van antimicrobiële resistentie.
Het paper introduceert Unbrowse, een gedeelde route-grafiek die agents in staat stelt om bestaande interne APIs van websites direct aan te roepen in plaats van langzame en onbetrouwbare browser-automatisering, wat leidt tot aanzienlijke snelheidswinsten en een economisch model dat rational adoptie garandeert.
Het paper introduceert HiLL, een framework dat tijdens versterkingslering een adaptieve hint-generatiebeleid en een redeneer-beleid gezamenlijk traint om het probleem van 'advantage collapse' op te lossen door hints te genereren die specifiek zijn afgestemd op de fouten van het model en waarbij de overdraagbaarheid naar de situatie zonder hints wordt geoptimaliseerd.
Dit paper introduceert AutoEG, een volledig geautomatiseerd multi-agent framework dat bekende kwetsbaarheden in black-box webapplicaties succesvol exploiteert door triggerlogica te extraheren en exploits iteratief te verfijnen, wat resulteert in een aanzienlijk hogere succesrate dan bestaande methoden.
Dit onderzoek introduceert een driedimensionaal schaalingskader om de optimale verdeling van een vast gegevensbudget tussen pretraining en retrieval-augmented generation (RAG) te bepalen, waarbij wordt aangetoond dat de meerwaarde van retrieval sterk afhangt van de modelgrootte, het taaktype en de mate van pretraining-saturatie.
Het paper introduceert CircuitProbe, een methode die reasoning-circuits in transformermodellen binnen enkele minuten voorspelt op basis van activatiestatistieken, waardoor de zoektijd met drie tot vier orde van grootte wordt verkort en een praktische schalingstechniek voor kleine taalmodellen wordt geboden.
Dit paper introduceert GRASP, een nieuw kader voor multi-agent samenwerking dat door middel van actieve gedeelde perceptie en het afleiden van een consensusgradiënt de niet-stationariteit en convergentieproblemen oplost die ontstaan door passieve waarneming van beleidswijzigingen.