Найдено записей: 14
'Сравнение Focal Loss и BCE на примере датасета с дисбалансом 99:1 показывает, как Focal Loss улучшает обнаружение редкого класса и более информативные разделяющие границы.'
'Короткое сравнение PyTorch и TensorFlow в 2025 по удобству разработки, производительности и возможностям продакшн-деплоя, чтобы помочь с выбором фреймворка.'
Google AI и Институт геномики UC Santa Cruz выпустили DeepPolisher — инструмент глубокого обучения, значительно снижающий ошибки в сборках геномов и повышающий точность эталонных человеческих геномов.
Техническое сравнение MoE моделей Qwen3 30B-A3B от Alibaba и GPT-OSS 20B от OpenAI с акцентом на архитектурные особенности и рекомендации по применению.
Исследователи MIT разработали метод стабильного обучения больших трансформеров через липшицевы ограничения и спектральную регуляцию весов с оптимизатором Muon, исключая необходимость нормализаций.
Falcon-H1 от TII — гибридная модель, объединяющая внимание и модели состояний, достигающая результатов, сопоставимых с ведущими LLM на 70 миллиардов параметров, с оптимизацией эффективности и масштабируемости.
GenSeg — инновационный генеративный ИИ-фреймворк, значительно повышающий качество сегментации медицинских изображений при нехватке размеченных данных за счет создания оптимизированных синтетических наборов.
Радиальное внимание представляет новый механизм разреженного внимания, который сокращает затраты на обучение в 4,4 раза и время инференса в 3,7 раза в видео-диффузионных моделях, позволяя создавать более длинные видео без потери качества.
Google DeepMind представила AlphaGenome — новую модель глубокого обучения, которая с высокой точностью предсказывает регуляторное влияние мутаций в ДНК по множеству биологических параметров, превосходя существующие решения.
Узнайте о лучших книгах по искусственному интеллекту для 2025 года, охватывающих основы, продвинутые техники, этические вопросы и перспективы развития ИИ.
Новая AI-технология представляет дифференцируемые MCMC-слои, позволяющие нейросетям эффективно обучаться с приближенными комбинаторными решателями и значительно улучшать результаты в сложных задачах оптимизации, например маршрутизации.
Meta выпустила KernelLLM — 8-миллиардную модель, которая автоматизирует преобразование PyTorch модулей в эффективные Triton GPU ядра, превосходя более крупные модели в бенчмарках.
Исследователи из Mila и Университета Монреаля представили FoX — новую версию трансформера с обучаемыми forget gate, которая улучшает качество и эффективность моделирования длинных контекстов без потерь в скорости.
Исследователи Microsoft показали, что оптимизатор Muon существенно ускоряет гроккинг в моделях трансформеров, обеспечивая более быстрый переход от запоминания к обобщению по сравнению с AdamW.