AI FRONTIER
Signals worth understanding before they become obvious.
Resolver um desafio matemático de 31 anos: a conjectura KLS
Um pesquisador da Microsoft Research e um colaborador provaram a conjectura de Kannan-Lovász-Simonovits (KLS), mostrando que o limite é uma constante fixa independente da dimensão, o que remove um importante obstáculo teórico para algoritmos randomizados.
- A conjectura KLS, proposta em 1995, previa que o melhor corte por hiperplano e o melhor corte de qualquer forma diferem em no máximo uma constante universal, independentemente da dimensão.
- O melhor resultado anterior, estabelecido em julho de 2026, permitia que esse limite crescesse lentamente com a dimensão; esta prova elimina a dependência da dimensão.
- Os autores usaram um processo agêntico dirigido por humanos para explorar mais de 100 abordagens candidatas, com ferramentas de IA auxiliando em derivações, preparação do manuscrito e verificações internas da prova.
- A prova completa foi publicada na versão de 4 de outubro de 2026 do artigo, e no mesmo dia surgiram uma prova paralela independente e uma formalização em Lean 4.
Com a KLS provada, muitos resultados de geometria convexa, probabilidade e ciência da computação teórica que antes assumiam a conjectura agora podem ser enunciados incondicionalmente.
LitPivot: desenvolver ideias de pesquisa por meio de contextualização dinâmica no panorama da literatura
A Ai2, com colaboradores da Universidade da Pensilvânia, desenvolveu o LitPivot, um sistema que usa artigos recuperados pelo Asta Paper Finder para organizar a literatura em torno da parte de uma proposta que está sendo editada, oferecer críticas apoiadas por trechos e sugerir revisões que os pesquisadores podem aceita...
- Os participantes relataram uma compreensão mais forte da literatura ao redor e maiores melhorias autorrelatadas na novidade e utilidade de suas ideias com o LitPivot do que com a linha de base.
- O LitPivot separa uma ideia de pesquisa em seu problema, contribuição proposta e plano de avaliação, e cada faceta tem seu próprio conjunto e classificação de relevância de literatura relacionada.
- O LitPivot será apresentado na UIST 2026 em Detroit.
Para quem constrói assistentes de pesquisa, o LitPivot mostra que vincular a seleção de literatura à revisão da ideia como um ciclo iterativo melhora a fundamentação das ideias em trabalhos anteriores em comparação com uma recuperação única...
Profiling do TorchNeuron (parte 1): profiling em nível de sistema no AWS Trainium
Um tutorial do blog da Hugging Face mostra como usar o torch.profiler com o backend Neuron para analisar sistematicamente o desempenho de inferência no AWS Trainium, comparando o tempo de dispositivo em três implementações de RMSNorm.
- O backend Neuron usa o ponto de extensão PrivateUse1 do PyTorch, e o pacote torch_neuronx registra o Neuron como backend nativo do PyTorch.
- A implementação ingênua de RMSNorm em PyTorch mostra um total Self NEURON de 2,355 ms na tabela key_averages(), com aten::mul representando 49,5%.
- torch.rms_norm é reduzido a uma única operação aten::_fused_rms_norm com tempo Self NEURON de 403,3 μs.
- A RMSNorm ingênua compilada com torch.compile(backend="neuron") aparece como uma única Torch-Compiled Region com tempo Self NEURON de 375,5 μs.
Para os desenvolvedores de IA, o tutorial demonstra que key_averages() localiza hotspots de tempo de dispositivo e que a fusão ou o torch.compile pode reduzir o tempo de dispositivo do RMSNorm para cerca de um sexto da implementação ingênua...
Previsão por conjunto com modelos de séries temporais IBM Granite
O Granite Timeseries Ensemble combina quatro modelos Granite pré-treinados em uma interface de previsão extensível que retorna previsões medianas e quantílicas, sem retreinamento e sem pesos de conjunto ajustados.
- O PatchTST-FM-r2 mantém a menor pontuação CRPS/MWQL agregada, com 0,467, enquanto o IQR Ensemble alcança o menor ranking CRPS médio entre essas seis previsões.
- A receita armazena a configuração do conjunto em vez de pesos de modelo mesclados e baixa os quatro checkpoints dos membros em tempo de execução, portanto a primeira execução exige tempo adicional.
- As previsões retornam por padrão quantis de 0,1 a 0,9, em que os quantis 0,1 e 0,9 definem um intervalo de previsão central com cobertura nominal de 80%.
Para os desenvolvedores, este conjunto oferece um padrão sensato que entrega precisão agregada comparável ou melhor sem saber de antemão qual arquitetura se adequa aos seus dados, ao custo de maior tempo de inferência e memória por carregar...
Protegendo nosso ambiente de treinamento de modelos de fronteira
A OpenAI explica como reforçou o confinamento do treinamento e da avaliação de modelos de fronteira, incluindo ambientes offline e red-teaming de alto custo computacional.
- A OpenAI afirma ter reforçado o confinamento do treinamento e da avaliação de modelos de fronteira.
- As medidas incluem ambientes offline.
- As medidas incluem red-teaming de alto custo computacional.
Para equipes que treinam modelos de fronteira, confinamento e red-teaming nas fases de treinamento e avaliação passam a ser requisitos de engenharia ao lado do trabalho de capacidades.
Modelos da OpenAI chegam ao Google Cloud
A OpenAI e o Google Cloud estão trazendo modelos de fronteira e fluxos de trabalho do Codex para o Model Garden do Gemini, disponíveis pelo Google Cloud Marketplace.
- A OpenAI e o Google Cloud estão trazendo modelos de fronteira e fluxos de trabalho do Codex para o Model Garden do Gemini.
- Os modelos e fluxos de trabalho estarão disponíveis pelo Google Cloud Marketplace.
Para os desenvolvedores de IA, os modelos de fronteira da OpenAI e os fluxos de trabalho do Codex passam a ser acessíveis pelo caminho de aquisição e implantação do Google Cloud.