Apple ML Research
Источник AI-новостей. Материалы автоматически отбираются и адаптируются редакцией Hamidun News.
Последние публикации
Apple разобралась, когда on-policy distillation помогает обучению моделей
Исследователи Apple ML выяснили, при каких условиях on-policy distillation эффективна для обучения reasoning-моделей, а при каких может быть неэффективна или даже контрпродуктивна.
Self-Reflective Program Search: Apple улучшила работу LLM с длинными контекстами
Apple ML Research опубликовала исследование метода Self-Reflective Program Search, который улучшает работу языковых моделей при обработке длинных контекстов через рекурсивное разложение на подзапросы.
Apple разработала TGPO для обучения видео-моделей пониманию времени
Apple ML Research представила метод TGPO, который учит видео-модели понимать порядок и эволюцию событий в эгоцентрическом видео с помощью подкрепления временного мышления.
Уязвимость ИИ: один нейрон обходит защиту больших нейросетей — Apple
Исследователи Apple показали, что защиту LLM можно полностью обойти, воздействуя на один нейрон — без дообучения и модификации промптов, на семи моделях двух семейств.
ИИ для оценки интерфейсов: метод FlowEval от Apple
Apple ML Research разработала FlowEval — фреймворк для автоматической оценки AI-сгенерированных интерфейсов на основе сравнения навигационных траекторий с реальными сайтами.
Apple ML Research представила Weblica — масштабируемую среду для обучения визуальных веб-агентов
Apple выпустила фреймворк Weblica, который воспроизводит интерактивные состояния веб-страниц и генерирует обучающие среды через LLM — чтобы надёжно обучать AI-агентов, работающих в браузере.
Apple разработала MT-EditFlow для многошагового AI-редактирования изображений
Исследователи Apple ML Research представили MT-EditFlow — систему на основе обучения с подкреплением, которая решает проблему накопления ошибок при итеративном редактировании изображений.
LensVLM: нейросеть для текста на сжатых изображениях
Apple ML Research предложила LensVLM — фреймворк, который позволяет визуально-языковым моделям читать мелкий текст на сжатых изображениях без потери точности.
Как дообучить ИИ на новых задачах без потери способностей
DynaMiCS от Apple формулирует подбор данных при дообучении как задачу с ограничениями — чтобы сохранить инструкции, знания и безопасность модели при адаптации к новым доменам.
Как работает Mixture-of-Experts: архитектура современных нейросетей
Исследователи Apple обнаружили, что токены в MoE-архитектурах задействуют ничтожную долю теоретически возможных маршрутов, — и предложили архитектуру для исправления этого.
Нейросеть для речи работает как текстовая — исследование Apple
Apple ML Research выяснила, что речевые модели на непрерывной диффузии масштабируются так же предсказуемо, как авторегрессионные, и ввела метрику pJSD.
Apple ML Research решила проблему деградации ASR-моделей на длинных аудиозаписях
Apple ML Research опубликовала метод Segmental Attention Decoding — четыре архитектурных изменения, решающих главную проблему нейросетей при обработке длинных аудиозаписей.
Apple опубликовала Fortress — фреймворк стабилизации рекомендательных систем через обрезку признаков
Apple ML Research описала Fortress — систему, которая устраняет временную нестабильность рекомендательных моделей, выявляя и удаляя признаки, создающие непоследовательные предсказания.
Apple ML Research исследует причины расхождений разметчиков данных AI-безопасности
Apple ML Research разработала метод анализа расхождений между разметчиками данных безопасности — людьми, обучающими AI-модели различать допустимый и опасный контент.
Apple ML Research предложила метод обобщения ML-моделей на новые домены без разметки
Исследователи Apple ML Research разработали подход к domain generalization, который опирается на немаркированные данные нового домена вместо дорогостоящей разметки.
Нейросеть эффективнее: как Apple оптимизировала инференс
Apple ML Research представила фреймворк Conformal Thinking: метод автоматически управляет токенным бюджетом reasoning-моделей, гарантируя заданный уровень ошибок при минимальных вычислениях.
Apple ML Research: как диффузионные модели учатся выбирать токены без ручных эвристик
Apple ML Research предлагает заменить ручные эвристики выбора токенов в диффузионных языковых моделях на обучаемые политики — чтобы устранить нестабильность и необходимость ручного подбора параметров.
Apple ML Research предложила MemoryLLM — интерпретируемую «память» для трансформеров
Исследователи Apple описали блоки прямого распространения в LLM как нейронную память поиска и предложили метод их изолированного анализа — без учёта механизма самовнимания.
Apple ML Research: мультиагентные LLM-команды сдерживают экспертных агентов
Apple ML Research доказала: самоорганизующиеся команды языковых моделей не дают синергии — они сдерживают экспертных агентов, а не усиливают их.