Tech Meridian
← К СУЩНОСТЯМ
КОМПАНИЯ · ENTITY #402
Хронология связанных событий, источники и контекст из новостной базы.
В статье на arXiv (2610.41112v1) исследуются три подхода к калибровке формата HiFloat4 (HiF4) — HiGPTQ, HiAutoRound и HiFlatQuant. Авторы сообщают, что эти методы сокращают разрыв по точности с BF16 до менее чем 1% и превосходят NVFP4 на различных моделях и задачах по сравнению с прямым переводом в HiF4.
Статья (arXiv:2610.33103v1) метаанализирует 102 оценочных результата из 11 исследований по 32 языковым моделям, чтобы проверить компоненты теории перспектив. Обнаружено умеренное боязнь потерь (объединённое λ = 1.26, 95% ДИ 1.06–1.46), близкие к линейным или зависящие от метода функции оценки для эффекта убывающей чувствительности, и человеческий «обратный S» в искажении вероятностей (γ ≈ 0.81–0.84) при меньшем объёме данных.
Препринт arXiv:2610.06971v1 описывает AegisFlow — многоагентную систему, где агент Watchdog собирает телеметрию, а Repair-агент на базе LLM автоматически генерирует, тестирует и развёртывает патчи в цифровых двойниках с использованием Parallel Shadow Patching (MAPE-K). Авторы сообщают о снижении среднего времени на исправление на 98,1% (с ~170 до 3,2 минуты), общем успехе патчей 92% и показателях по сценариям: 96% для сдвигов JSON-схем, 98% для пунктуационных изменений и 85% для Shadow DOM; система заявлена как независимая от способа развёртывания и плагин-совместимая.
В статье представлен ProcessLight — фреймворк с LLM, разбивающий решения для управления светофорами на проверяемые семантические шаги, и STeP-PO — алгоритм усиленного обучения, присваивающий по-шаговые преимущества на основе качества и важности шагов для оптимизации токенов рассуждений вместо оценки только по итогам; в экспериментах на нескольких реальных наборах данных авторы отмечают улучшения, код опубликован на GitHub.
В статье на arXiv предложена схема маршрутизации с учётом углеродного следа, которая распределяет запросы на вызов функций по трёхуровневой edge‑cloud архитектуре, используя LLM на периферии и в облаке. Лёгкий k‑NN предсказатель в едином семантико‑лексическом пространстве оценивает для каждого запроса точность, задержку и потребляемую мощность и, учитывая текущую углеродную интенсивность сети, направляет запрос на наименее углеродоёмкий уровень; в оценках заявлено сопоставимое с облаком качество при снижении выбросов примерно в 4× в среднем.
Статья рассматривает LLM как правила обработки информации и вводит метрику «information processing gap» для количественной оценки отклонений от байесовских обновлений при обновлении вероятностных убеждений LLM под влиянием новых данных. Авторы проводят обширные эксперименты, изучающие внутренние (не)последовательности в поведении LLM при обновлении убеждений, что важно для таких ответственных областей, как медицина, наука и право.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.