Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #592

large language models (LLMs)

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

63

RESEARCH · 1 ИСТОЧН. · Microsoft Research

EvoLib: превращение опыта в эволюционирующие знания

Microsoft Research опубликовала материал об EvoLib — подходе, призванном превращать накопленный опыт в эволюционирующие знания, извлекая повторно используемые умения и инсайты, которые помогают LLM обучаться и адаптироваться к задачам после развертывания. В статье делается акцент на том, что LLM не становятся умнее лишь за счёт хранения большего объёма памяти, и EvoLib предлагается как способ повторного использования опыта для долгосрочной адаптации.

6.0

REGULATION · 1 ИСТОЧН. · WIRED AI

Указ Трампа направляет федеральные закупки на «правдивый» ИИ в рамках политики «Preventing Woke AI»

Администрация Трампа опубликовала 28-страничный план по ИИ и указ «Preventing Woke AI in the Federal Government», в котором предлагается при федеральных закупках отдавать предпочтение так называемым «правдивым» системам ИИ и пересмотреть приказы эпохи Байдена с целью исключить упоминания о дезинформации, разнообразии, равных возможностях и изменении климата. Комментаторы предупреждают, что директива может вынудить компании подстраивать поведение моделей под политическое определение «правды» со стороны администрации; пока крупные ИТ‑компании публично не возражали, некоторые дали нейтральные или позитивные оценки.

7.0

RESEARCH · 1 ИСТОЧН. · Google Research

Google Research представила «Talk like a Graph» и бенчмарк GraphQA для кодирования графов для LLM

Исследователи Google (Бахаре Фатеми и Брайан Пероззи) предложили способы преобразования графов в текстовое представление, понятное большим языковым моделям, и представили бенчмарк GraphQA с задачами на рассуждение по графам и генераторами графов. Они отмечают, что производительность LLM зависит от метода кодирования, типа задачи и структуры графа, и выбор подходящего кодирования может повысить точность на графовых задачах примерно до 60%.

7.0