AI FRONTIER
Signals worth understanding before they become obvious.
Memecahkan tantangan matematika berusia 31 tahun: konjektur KLS
Seorang peneliti Microsoft Research dan seorang kolaborator membuktikan konjektur Kannan-Lovász-Simonovits (KLS), menunjukkan bahwa batasnya adalah konstanta tetap yang tidak bergantung pada dimensi, menghapus hambatan teoretis utama bagi algoritma teracak.
- Konjektur KLS yang diajukan pada 1995 memprediksi bahwa potongan hiperbidang terbaik dan potongan terbaik dari bentuk apa pun berbeda tidak lebih dari konstanta universal, tanpa memandang dimensi.
- Hasil terbaik sebelumnya yang ditetapkan pada Juli 2026 membiarkan batas tersebut tumbuh perlahan seiring dimensi; pembuktian ini menghilangkan ketergantungan pada dimensi.
- Para penulis menggunakan proses agentik yang diarahkan manusia untuk menjelajahi lebih dari 100 pendekatan kandidat, dengan alat AI membantu derivasi, penyiapan manuskrip, dan pemeriksaan bukti internal.
- Pembuktian lengkap muncul dalam versi 4 Oktober 2026 dari makalah, dan pada hari yang sama muncul pembuktian paralel independen serta formalisasi Lean 4.
Dengan terbuktinya KLS, banyak hasil dalam geometri konveks, probabilitas, dan ilmu komputer teoretis yang sebelumnya mengasumsikan konjektur ini kini dapat dinyatakan tanpa syarat.
LitPivot: Mengembangkan ide riset melalui kontekstualisasi dinamis dalam lanskap literatur
Ai2, bersama kolaborator di University of Pennsylvania, mengembangkan LitPivot, sistem yang menggunakan makalah yang diambil melalui Asta Paper Finder untuk mengorganisasi literatur di sekitar bagian proposal yang sedang diedit, menawarkan kritik yang didukung kutipan, dan menyarankan revisi yang dapat diterima, diedit...
- Partisipan melaporkan pemahaman yang lebih kuat tentang literatur di sekitarnya dan peningkatan yang dilaporkan sendiri lebih besar pada kebaruan dan kegunaan ide mereka dengan LitPivot dibandingkan dengan baseline.
- LitPivot memisahkan ide riset menjadi masalah, kontribusi yang diusulkan, dan rencana evaluasi, dan setiap faset memiliki kumpulan serta peringkat relevansi literatur terkaitnya sendiri.
- LitPivot akan dipresentasikan di UIST 2026 di Detroit.
Bagi pengembang asisten riset, LitPivot menunjukkan bahwa mengikat pemilihan literatur ke revisi ide sebagai loop iteratif meningkatkan landasan ide pada karya sebelumnya dibandingkan pengambilan sekali jalan.
Profiling TorchNeuron (Bagian 1): profiling tingkat sistem di AWS Trainium
Tutorial blog Hugging Face menunjukkan cara menggunakan torch.profiler dengan backend Neuron untuk menganalisis performa inferensi di AWS Trainium secara sistematis, membandingkan waktu perangkat pada tiga implementasi RMSNorm.
- Backend Neuron menggunakan titik ekstensi PrivateUse1 PyTorch, dan paket torch_neuronx mendaftarkan Neuron sebagai backend native PyTorch.
- Implementasi naif RMSNorm di PyTorch menunjukkan total Self NEURON 2,355 ms pada tabel key_averages(), dengan aten::mul menyumbang 49,5%.
- torch.rms_norm diturunkan menjadi satu operasi aten::_fused_rms_norm dengan waktu Self NEURON 403,3 μs.
- RMSNorm naif yang dikompilasi dengan torch.compile(backend="neuron") muncul sebagai satu Torch-Compiled Region dengan waktu Self NEURON 375,5 μs.
Bagi pembangun AI, tutorial ini menunjukkan bahwa key_averages() dapat menemukan titik panas waktu perangkat dan bahwa fusi atau torch.compile dapat memangkas waktu perangkat RMSNorm menjadi sekitar seperenam implementasi naif.
Peramalan ansambel dengan model deret waktu IBM Granite
Granite Timeseries Ensemble menggabungkan empat model Granite yang telah dilatih sebelumnya ke dalam satu antarmuka peramalan yang dapat diperluas dan mengembalikan peramalan median serta kuantil tanpa pelatihan ulang dan tanpa bobot ansambel yang disesuaikan.
- Resep default menggabungkan empat arsitektur: Granite PatchTST-FM-r1 (Patched Transformer), Granite PatchTST-FM-r2 (Patched Conformer), Granite FlowState-r1.1 (model ruang keadaan), dan Granite TTM-r3 (Tiny Time Mixers).
- PatchTST-FM-r2 masih mempertahankan skor CRPS/MWQL agregat terendah yaitu 0,467, sementara IQR Ensemble mencapai CRPS Rank rata-rata terendah di antara keenam peramalan ini.
- Resep ini menyimpan konfigurasi ansambel alih-alih bobot model yang digabung dan mengunduh empat checkpoint anggota saat runtime, sehingga eksekusi pertama memerlukan waktu tambahan.
- Peramalan secara default mengembalikan kuantil dari 0,1 hingga 0,9, di mana kuantil 0,1 dan 0,9 mendefinisikan interval peramalan pusat dengan cakupan nominal 80%.
Bagi pengembang, ansambel ini menawarkan default yang masuk akal yang memberikan akurasi agregat setara atau lebih baik tanpa harus mengetahui sebelumnya arsitektur mana yang cocok untuk data mereka, dengan konsekuensi waktu inferensi dan m...
Mengamankan lingkungan pelatihan model frontier kami
OpenAI menjelaskan bagaimana pihaknya memperkuat pengurungan untuk pelatihan dan evaluasi model frontier, termasuk lingkungan offline dan red-teaming berdaya komputasi tinggi.
- OpenAI menyatakan telah memperkuat pengurungan untuk pelatihan dan evaluasi model frontier.
- Langkah tersebut mencakup lingkungan offline.
- Langkah tersebut mencakup red-teaming berdaya komputasi tinggi.
Bagi tim yang melatih model frontier, pengurungan dan red-teaming pada tahap pelatihan dan evaluasi menjadi kebutuhan rekayasa setara dengan pengembangan kemampuan.
Model OpenAI akan hadir di Google Cloud
OpenAI dan Google Cloud menghadirkan model frontier dan alur kerja Codex ke Model Garden Gemini, tersedia melalui Google Cloud Marketplace.
- OpenAI dan Google Cloud menghadirkan model frontier dan alur kerja Codex ke Model Garden Gemini.
- Model dan alur kerja tersebut akan tersedia melalui Google Cloud Marketplace.
Bagi pengembang AI, model frontier OpenAI dan alur kerja Codex menjadi dapat diakses melalui jalur pengadaan dan penerapan Google Cloud.