محققان به تازگی بنچمارک جدیدی به نام «YOMI-Bench» را معرفی کردهاند که به طور اختصاصی روی درکِ خوانش (Reading) و آواشناسی کانجی در مدلهای زبانی متمرکز است. نکته جالب اینجاست که زبان ژاپنی به دلیل داشتنِ سیستم نوشتاری پیچیده و کانجیهایی با چندین نوع خوانش متفاوت، همیشه چالش بزرگی برای LLMها بوده است. نتایج تستها …
🇯🇵 بنچمارک جدید برای سنجش هوش ژاپنی مدلهای زبانی! 🧠 ادامه مطلب »
بسیاری فکر میکنند اگر یک مدل هوش مصنوعی به چند زبان مسلط باشد، پس فرهنگ پشت آن زبانها را هم میفهمد! اما محققان در پژوهش جدیدی به نام «MSQA» ثابت کردند که این فقط یک «توهم» است. نتایج این تحقیق نشان میدهد که:✅ هوش مصنوعی در درک دانش بومی و فرهنگهای غیرانگلیسیزبان ضعیف عمل میکند.✅ …
🧠 آیا هوش مصنوعی واقعاً فرهنگهای مختلف را درک میکند؟ ادامه مطلب »
اگر در حوزه توسعه سیستمهای بازیابی اطلاعات (RAG) فعالیت میکنید، یک مقاله علمی جدید منتشر شده که زاویه دید متفاوتی به «بودجهبندی توکنها» دارد. این تحقیق معتقد است معیارهای سنتی مثل «recall» برای مدلهای هوش مصنوعی که محدودیت تعداد توکن دارند، کافی نیستند. نویسندگان شاخص جدیدی به نام «answer-in-context» معرفی کردهاند که دقت پیشبینی پاسخ …
🧠 بهینهسازی حرفهای سیستمهای RAG؛ فراتر از یادآوری ساده! ادامه مطلب »
یکی از چالشهای بزرگ مدلهای زبانی (LLM) و سیستمهای ترجمه ماشینی، درک «استعارهها»ست؛ مفاهیمی که به خاطر پیچیدگیهای فرهنگی و معنایی، همیشه برای هوش مصنوعی گیجکنندهاند. 🌏 به تازگی چارچوب جدیدی به نام MetaHOPE معرفی شده که با تمرکز بر خطاهای ترجمه استعارهها، به متخصصان کمک میکند بفهمند مدلهایی مثل GPT-5.4 یا GoogleMT کجا دچار …
💡 ارزیابی دقیقتر ترجمههای هوش مصنوعی با MetaHOPE ادامه مطلب »
محققان به تازگی روی یک متدولوژی جدید برای دستهبندی و تحلیل اخبار حوادث طبیعی کار کردهاند. این پژوهش نشان میدهد که چطور میتوان با استفاده از روشهای یادگیری ماشین (NLP) و تحلیل خوشهای (Clustering)، اخبار مرتبط با بلایای طبیعی را بهطور دقیقتر و فارغ از محدودیتهای جستجوهای سنتی، گردآوری کرد. این تحقیق نشان میدهد که …
📊 استفاده از NLP برای تحلیل هوشمند اخبار حوادث! ادامه مطلب »
محققان در یک پژوهش جدید، چالشهای استفاده از مدلهای هوش مصنوعی (مانند Llama 3.3) در پردازش متون پزشکی را بررسی کردهاند. این مطالعه نشان میدهد که اضافه کردن یک «حافظه الگویی» (Pattern Memory) برای فیلتر کردن خروجیها، میتواند به جای اتکای صرف به تأییدکنندههای سنگین، دقت و کارایی مدلها را در تشخیصهای بالینی تا حد …
🧠 بهینهسازی مدلهای هوش مصنوعی در محیطهای بالینی! ادامه مطلب »
آیا تا به حال به این فکر کردهاید که چرا برخی پستهای شبکههای اجتماعی بیشتر از بقیه روی ما اثر میگذارند؟ پژوهش جدیدی منتشر شده که با استفاده از هوش مصنوعی بررسی میکند چگونه فنون بلاغی قدیمی (Ethos و Pathos) در پیامهای شبکههای اجتماعی باعث تغییر درک مخاطبان میشوند. نکته جالب اینجاست که حتی وقتی …
🧠 هوش مصنوعی چگونه نگاه ما به پیامها را تغییر میدهد؟ ادامه مطلب »
محققان در پروژه جدید MultiSynt/MT قدم بزرگی برای شکستن سد زبان در هوش مصنوعی برداشتهاند. این پروژه یک دیتاسِت عظیم شامل ۴.۸ تریلیون توکن ترجمه شده به ۳۶ زبان اروپایی منتشر کرده است. نکته هیجانانگیز اینجاست که مدلهای آموزشدیده با این دادهها، با مصرف ۷۲ درصد توکن کمتر، به همان قدرت مدلهای فعلی رسیدهاند! این …
🚀 جهش بزرگ در آموزش مدلهای چندزبانه با دادههای سنتتیک! ادامه مطلب »
یکی از بزرگترین چالشهای سیستمهای RAG، مسئله «توهم» (Hallucination) است. تا امروز اکثر ابزارهای تشخیص توهم روی متنهای طبیعی تمرکز داشتند، اما یک مقاله جدید در arXiv راهکار تازهای ارائه داده است. این پژوهش روی تشخیص توهم در سطح «اسپن» (Span-level) تمرکز دارد و نه تنها متن، بلکه کد، خروجی ابزارهای توسعهدهنده و دادههای ساختاریافته …
🔍 چطور توهمهای هوش مصنوعی را در کد و دادههای ساختاریافته مهار کنیم؟ ادامه مطلب »
تا حالا دقت کردید وقتی از یک هوش مصنوعی میخواهید در نقش یک شخصیت خاص (Persona) به سوالات چندگزینهای پاسخ دهد، چقدر ممکن است دچار نوسان و تناقض شود؟ 🧐 یک پژوهش جدید روی «نسلهای شخصیتمحور» (Persona-driven Generations) نشان داده که استفاده از شخصیتهای مختلف در پاسخدهی به سوالات، باعث بروز ناپایداریهای عجیبی میشود. یافتههای …
🧠 چرا شخصیتهای هوش مصنوعی همیشه قابلاعتماد نیستند؟ ادامه مطلب »
بهترین اخبار کسب و کار
