AI FRONTIER
Signals worth understanding before they become obvious.
31 साल पुरानी गणितीय चुनौती का समाधान: KLS अनुमान
Microsoft Research के एक शोधकर्ता और एक सहयोगी ने Kannan-Lovász-Simonovits (KLS) अनुमान को सिद्ध किया, यह दिखाते हुए कि सीमा आयाम से स्वतंत्र एक निश्चित स्थिरांक है, जिससे रैंडमाइज़्ड एल्गोरिद्म के लिए एक बड़ी सैद्धांतिक बाधा हट गई।
- 1995 में प्रस्तावित KLS अनुमान ने भविष्यवाणी की थी कि सर्वोत्तम हाइपरप्लेन कट और किसी भी आकार के सर्वोत्तम कट के बीच अंतर आयाम की परवाह किए बिना एक सार्वभौमिक स्थिरांक से अधिक नहीं होता।
- जुलाई 2026 में स्थापित पिछला सर्वश्रेष्ठ परिणाम इस सीमा को आयाम के साथ धीरे-धीरे बढ़ने देता था; यह प्रमाण आयाम पर निर्भरता को समाप्त करता है।
- लेखकों ने मानव-निर्देशित एजेंटिक प्रक्रिया से 100 से अधिक संभावित दृष्टिकोणों की खोज की, जिसमें AI उपकरणों ने व्युत्पत्तियों, पांडुलिपि तैयारी और आंतरिक प्रमाण जाँच में सहायता की।
- पूर्ण प्रमाण 4 अक्टूबर 2026 के पेपर संस्करण में प्रकाशित हुआ, और उसी दिन एक स्वतंत्र समानांतर प्रमाण तथा एक Lean 4 औपचारिकरण सामने आया।
KLS सिद्ध होने से उत्तल ज्यामिति, प्रायिकता और सैद्धांतिक कंप्यूटर विज्ञान के कई परिणाम, जो पहले इस अनुमान को मान्यता के रूप में मानते थे, अब बिना शर्त प्रस्तुत किए जा सकते हैं।
LitPivot: साहित्य परिदृश्य में गतिशील संदर्भीकरण के माध्यम से शोध विचारों का विकास
Ai2 ने पेंसिल्वेनिया विश्वविद्यालय के सहयोगियों के साथ LitPivot विकसित किया है, जो Asta Paper Finder से प्राप्त पत्रों का उपयोग करके किसी प्रस्ताव के संपादित किए जा रहे भाग के आसपास साहित्य को व्यवस्थित करता है, अंशों द्वारा समर्थित आलोचनाएँ देता है, और ऐसे संशोधन सुझाता है जिन्हें शोधकर्ता स्वीकार, संपादित या अस्वीकार...
- प्रतिभागियों ने बेसलाइन की तुलना में LitPivot के साथ आसपास के साहित्य की अधिक मजबूत समझ और अपने विचारों की नवीनता और उपयोगिता में अधिक स्व-रिपोर्ट किए गए सुधार बताए।
- LitPivot एक शोध विचार को उसकी समस्या, प्रस्तावित योगदान और मूल्यांकन योजना में अलग करता है, और प्रत्येक पहलू का संबंधित साहित्य का अपना सेट और प्रासंगिकता रैंकिंग होती है।
- LitPivot को डेट्रॉइट में UIST 2026 में प्रस्तुत किया जाएगा।
शोध सहायक बनाने वालों के लिए, LitPivot दिखाता है कि साहित्य चयन को विचार संशोधन से एक पुनरावृत्त लूप के रूप में जोड़ना एक बार की रिट्रीवल की तुलना में विचारों को पूर्व कार्य में बेहतर आधारित करता है।
TorchNeuron प्रोफाइलिंग (भाग 1): AWS Trainium पर सिस्टम-स्तरीय प्रोफाइलिंग
Hugging Face ब्लॉग का एक ट्यूटोरियल दिखाता है कि Neuron बैकएंड के साथ torch.profiler का उपयोग करके AWS Trainium पर इन्फरेंस प्रदर्शन का व्यवस्थित विश्लेषण कैसे करें, और RMSNorm के तीन कार्यान्वयनों में डिवाइस समय की तुलना करता है।
- Neuron बैकएंड PyTorch के PrivateUse1 एक्सटेंशन पॉइंट का उपयोग करता है, और torch_neuronx पैकेज Neuron को PyTorch के नेटिव बैकएंड के रूप में रजिस्टर करता है।
- PyTorch में सरल RMSNorm कार्यान्वयन key_averages() तालिका में 2.355 ms का Self NEURON कुल दिखाता है, जिसमें aten::mul का हिस्सा 49.5% है।
- torch.rms_norm एक ही aten::_fused_rms_norm ऑपरेशन में लोअर होता है, जिसका Self NEURON समय 403.3 μs है।
- torch.compile(backend="neuron") से कंपाइल किया गया सरल RMSNorm एक Torch-Compiled Region के रूप में दिखता है, जिसका Self NEURON समय 375.5 μs है।
AI बिल्डरों के लिए यह ट्यूटोरियल दर्शाता है कि key_averages() से डिवाइस-समय के हॉटस्पॉट खोजे जा सकते हैं और फ्यूज़न या torch.compile RMSNorm के डिवाइस समय को सरल कार्यान्वयन के लगभग छठे हिस्से तक घटा सकता है।
IBM Granite समय-श्रेणी मॉडलों के साथ एन्सेम्बल पूर्वानुमान
Granite Timeseries Ensemble चार पूर्व-प्रशिक्षित Granite मॉडलों को एक विस्तारणीय पूर्वानुमान इंटरफ़ेस में जोड़ता है, जो बिना पुनः प्रशिक्षण और बिना फिट किए गए एन्सेम्बल भार के माध्यिका और क्वांटाइल पूर्वानुमान लौटाता है।
- डिफ़ॉल्ट रेसिपी चार आर्किटेक्चर को जोड़ती है: Granite PatchTST-FM-r1 (Patched Transformer), Granite PatchTST-FM-r2 (Patched Conformer), Granite FlowState-r1.1 (state-space मॉडल) और Granite TTM-r3 (Tiny Time Mixers)।
- PatchTST-FM-r2 अब भी सबसे कम समग्र CRPS/MWQL स्कोर 0.467 बनाए रखता है, जबकि IQR Ensemble इन छह पूर्वानुमानों में सबसे कम औसत CRPS Rank प्राप्त करता है।
- रेसिपी मर्ज किए गए मॉडल भार के बजाय एन्सेम्बल कॉन्फ़िगरेशन संग्रहीत करती है और रनटाइम पर चार सदस्य चेकपॉइंट डाउनलोड करती है, इसलिए पहले रन में अतिरिक्त समय लगता है।
- पूर्वानुमान डिफ़ॉल्ट रूप से 0.1 से 0.9 तक क्वांटाइल लौटाते हैं, जहाँ 0.1 और 0.9 क्वांटाइल नाममात्र 80% कवरेज वाला केंद्रीय पूर्वानुमान अंतराल परिभाषित करते हैं।
निर्माताओं के लिए यह एन्सेम्बल एक व्यावहारिक डिफ़ॉल्ट प्रदान करता है जो पहले से यह जाने बिना कि कौन-सी आर्किटेक्चर उनके डेटा के लिए उपयुक्त है, तुलनीय या बेहतर समग्र सटीकता देता है, लेकिन चार सदस्य चेकपॉइंट लोड करने से अनुमान समय और मेमोरी ...
हमारे फ्रंटियर मॉडल प्रशिक्षण वातावरण को सुरक्षित बनाना
OpenAI बताता है कि उसने फ्रंटियर मॉडल प्रशिक्षण और मूल्यांकन के लिए कंटेनमेंट कैसे मजबूत किया, जिसमें ऑफ़लाइन वातावरण और उच्च-कंप्यूट रेड-टीमिंग शामिल हैं।
- OpenAI कहता है कि उसने फ्रंटियर मॉडल प्रशिक्षण और मूल्यांकन के लिए कंटेनमेंट मजबूत किया।
- उपायों में ऑफ़लाइन वातावरण शामिल हैं।
- उपायों में उच्च-कंप्यूट रेड-टीमिंग शामिल है।
फ्रंटियर मॉडल प्रशिक्षित करने वाली टीमों के लिए प्रशिक्षण और मूल्यांकन के दौरान कंटेनमेंट और रेड-टीमिंग क्षमता-कार्य के साथ-साथ इंजीनियरिंग आवश्यकता बन रहे हैं।
OpenAI मॉडल Google Cloud पर आ रहे हैं
OpenAI और Google Cloud, Gemini के Model Garden में फ्रंटियर मॉडल और Codex वर्कफ़्लो ला रहे हैं, जो Google Cloud Marketplace के ज़रिए उपलब्ध होंगे।
- OpenAI और Google Cloud, Gemini के Model Garden में फ्रंटियर मॉडल और Codex वर्कफ़्लो ला रहे हैं।
- ये मॉडल और वर्कफ़्लो Google Cloud Marketplace के ज़रिए उपलब्ध होंगे।
AI बिल्डरों के लिए OpenAI के फ्रंटियर मॉडल और Codex वर्कफ़्लो Google Cloud की खरीद और परिनियोजन प्रक्रिया से सुलभ हो जाते हैं।