AI FRONTIER
Signals worth understanding before they become obvious.
Risolto un problema matematico di 31 anni: la congettura KLS
Un ricercatore di Microsoft Research e un collaboratore hanno dimostrato la congettura di Kannan-Lovász-Simonovits (KLS), mostrando che il limite è una costante fissa indipendente dalla dimensione, rimuovendo un importante ostacolo teorico per gli algoritmi randomizzati.
- La congettura KLS, proposta nel 1995, prevedeva che il miglior taglio iperpiano e il miglior taglio di qualsiasi forma differiscano al massimo di una costante universale, indipendentemente dalla dimensione.
- Il miglior risultato precedente, stabilito nel luglio 2026, consentiva che tale limite crescesse lentamente con la dimensione; questa dimostrazione elimina la dipendenza dalla dimensione.
- La dimostrazione completa è apparsa nella versione del 4 ottobre 2026 dell'articolo, e lo stesso giorno sono comparsi una dimostrazione parallela indipendente e una formalizzazione in Lean 4.
Con la KLS dimostrata, molti risultati di geometria convessa, probabilità e informatica teorica che prima assumevano la congettura possono ora essere enunciati in modo incondizionato.
LitPivot: sviluppare idee di ricerca attraverso la contestualizzazione dinamica nel panorama della letteratura
Ai2, con collaboratori della University of Pennsylvania, ha sviluppato LitPivot, un sistema che utilizza articoli recuperati tramite Asta Paper Finder per organizzare la letteratura attorno alla parte di una proposta in fase di modifica, offrire critiche supportate da estratti e suggerire revisioni che i ricercatori po...
- I partecipanti hanno riportato una comprensione più forte della letteratura circostante e miglioramenti auto-riferiti maggiori nella novità e nell'utilità delle loro idee con LitPivot rispetto alla baseline.
- LitPivot separa un'idea di ricerca nel suo problema, nel contributo proposto e nel piano di valutazione, e ogni aspetto ha il proprio insieme e la propria classifica di rilevanza della letteratura correlata.
- LitPivot sarà presentato a UIST 2026 a Detroit.
Per chi sviluppa assistenti di ricerca, LitPivot mostra che legare la selezione della letteratura alla revisione dell'idea in un ciclo iterativo migliora la fondatezza delle idee su lavori precedenti rispetto a un recupero una tantum.
Profilazione di TorchNeuron (parte 1): profilazione a livello di sistema su AWS Trainium
Un tutorial del blog Hugging Face mostra come usare torch.profiler con il backend Neuron per analizzare sistematicamente le prestazioni di inferenza su AWS Trainium, confrontando il tempo dispositivo in tre implementazioni di RMSNorm.
- Il backend Neuron utilizza il punto di estensione PrivateUse1 di PyTorch, e il pacchetto torch_neuronx registra Neuron come backend nativo di PyTorch.
- L'implementazione naive di RMSNorm in PyTorch mostra un totale Self NEURON di 2,355 ms nella tabella key_averages(), con aten::mul che rappresenta il 49,5%.
- torch.rms_norm viene abbassato a una singola operazione aten::_fused_rms_norm con un tempo Self NEURON di 403,3 μs.
- La RMSNorm naive compilata con torch.compile(backend="neuron") appare come una singola Torch-Compiled Region con un tempo Self NEURON di 375,5 μs.
Per gli sviluppatori di IA, il tutorial dimostra che key_averages() individua i punti caldi del tempo dispositivo e che la fusione o torch.compile può ridurre il tempo dispositivo di RMSNorm a circa un sesto dell'implementazione naive.
Previsione d'insieme con i modelli per serie temporali IBM Granite
Granite Timeseries Ensemble combina quattro modelli Granite preaddestrati in un'unica interfaccia di previsione estensibile che restituisce previsioni mediane e quantiliche, senza riaddestramento e senza pesi d'insieme calibrati.
- PatchTST-FM-r2 mantiene il punteggio CRPS/MWQL aggregato più basso, pari a 0,467, mentre l'IQR Ensemble ottiene il rango CRPS medio più basso tra queste sei previsioni.
- La ricetta memorizza la configurazione dell'insieme anziché pesi dei modelli uniti e scarica i quattro checkpoint dei membri in fase di esecuzione, quindi la prima esecuzione richiede tempo aggiuntivo.
- Le previsioni restituiscono per impostazione predefinita quantili da 0,1 a 0,9, dove i quantili 0,1 e 0,9 definiscono un intervallo di previsione centrale con copertura nominale dell'80%.
Per gli sviluppatori questo insieme offre un'impostazione predefinita ragionevole che fornisce una precisione aggregata comparabile o migliore senza sapere in anticipo quale architettura si adatti ai propri dati, al costo di maggior tempo d...
Proteggere il nostro ambiente di addestramento dei modelli frontier
OpenAI spiega come ha rafforzato il contenimento per l'addestramento e la valutazione dei modelli frontier, inclusi ambienti offline e red-teaming ad alto impiego di calcolo.
- OpenAI dichiara di aver rafforzato il contenimento per l'addestramento e la valutazione dei modelli frontier.
- Le misure includono ambienti offline.
- Le misure includono red-teaming ad alto impiego di calcolo.
Per i team che addestrano modelli frontier, contenimento e red-teaming nelle fasi di addestramento e valutazione diventano requisiti ingegneristici accanto al lavoro sulle capacità.
I modelli OpenAI arrivano su Google Cloud
OpenAI e Google Cloud portano modelli di frontiera e flussi di lavoro Codex nel Model Garden di Gemini, disponibili tramite Google Cloud Marketplace.
- OpenAI e Google Cloud portano modelli di frontiera e flussi di lavoro Codex nel Model Garden di Gemini.
- I modelli e i flussi di lavoro saranno disponibili tramite Google Cloud Marketplace.
Per gli sviluppatori di IA, i modelli di frontiera di OpenAI e i flussi di lavoro Codex diventano accessibili tramite il percorso di approvvigionamento e distribuzione di Google Cloud.