AI FRONTIER
Signals worth understanding before they become obvious.
Giải bài toán lớn 31 năm của toán học: giả thuyết KLS
Một nhà nghiên cứu của Microsoft Research và một cộng sự đã chứng minh giả thuyết Kannan-Lovász-Simonovits (KLS), cho thấy cận là một hằng số cố định không phụ thuộc vào số chiều, loại bỏ một trở ngại lý thuyết lớn đối với thuật toán ngẫu nhiên.
- Giả thuyết KLS được đề xuất năm 1995 dự đoán rằng lát cắt siêu phẳng tốt nhất và lát cắt tốt nhất của bất kỳ hình dạng nào khác nhau không quá một hằng số phổ quát, bất kể số chiều.
- Kết quả tốt nhất trước đó, được thiết lập vào tháng 7 năm 2026, cho phép cận này tăng chậm theo số chiều; chứng minh này loại bỏ sự phụ thuộc vào số chiều.
- Các tác giả đã dùng quy trình tác tử do con người định hướng để khám phá hơn 100 hướng tiếp cận ứng viên, với công cụ AI hỗ trợ suy diễn, chuẩn bị bản thảo và kiểm tra chứng minh nội bộ.
- Chứng minh đầy đủ xuất hiện trong phiên bản ngày 4 tháng 10 năm 2026 của bài báo, và cùng ngày đó xuất hiện một chứng minh song song độc lập cùng một hình thức hóa bằng Lean 4.
Khi KLS được chứng minh, nhiều kết quả trong hình học lồi, xác suất và khoa học máy tính lý thuyết trước đây giả định giả thuyết này nay có thể được phát biểu vô điều kiện.
LitPivot: Phát triển ý tưởng nghiên cứu thông qua ngữ cảnh hóa động trong bối cảnh tài liệu
Ai2, cùng các cộng tác viên tại Đại học Pennsylvania, đã phát triển LitPivot, một hệ thống sử dụng các bài báo truy xuất qua Asta Paper Finder để tổ chức tài liệu xung quanh phần đang được chỉnh sửa của một đề xuất, đưa ra phê bình được hỗ trợ bằng trích đoạn và đề xuất chỉnh sửa mà nhà nghiên cứu có thể chấp nhận, chỉ...
- Người tham gia báo cáo hiểu biết mạnh hơn về tài liệu xung quanh và mức cải thiện tự báo cáo lớn hơn về tính mới và tính hữu ích của ý tưởng khi dùng LitPivot so với đường cơ sở.
- LitPivot tách một ý tưởng nghiên cứu thành vấn đề, đóng góp đề xuất và kế hoạch đánh giá, và mỗi khía cạnh có tập hợp cùng xếp hạng mức liên quan của tài liệu riêng.
- LitPivot sẽ được trình bày tại UIST 2026 ở Detroit.
Đối với người xây dựng trợ lý nghiên cứu, LitPivot cho thấy việc gắn lựa chọn tài liệu với chỉnh sửa ý tưởng thành một vòng lặp lặp lại cải thiện nền tảng tài liệu của ý tưởng so với truy xuất một lần.
Profiling TorchNeuron (Phần 1): profiling cấp hệ thống trên AWS Trainium
Một hướng dẫn trên blog Hugging Face chỉ cách dùng torch.profiler với backend Neuron để phân tích có hệ thống hiệu năng suy luận trên AWS Trainium, so sánh thời gian thiết bị giữa ba cách triển khai RMSNorm.
- Backend Neuron dùng điểm mở rộng PrivateUse1 của PyTorch, và gói torch_neuronx đăng ký Neuron làm backend gốc của PyTorch.
- Cách triển khai RMSNorm ngây thơ trong PyTorch cho thấy tổng Self NEURON là 2,355 ms trong bảng key_averages(), với aten::mul chiếm 49,5%.
- torch.rms_norm được hạ xuống thành một phép toán aten::_fused_rms_norm duy nhất với thời gian Self NEURON là 403,3 μs.
- RMSNorm ngây thơ được biên dịch bằng torch.compile(backend="neuron") xuất hiện dưới dạng một Torch-Compiled Region với thời gian Self NEURON là 375,5 μs.
Với các nhà phát triển AI, hướng dẫn này cho thấy key_averages() có thể định vị điểm nóng thời gian thiết bị và việc hợp nhất hoặc torch.compile có thể giảm thời gian thiết bị của RMSNorm xuống khoảng một phần sáu so với cách triển khai ngâ...
Dự báo theo tập hợp với các mô hình chuỗi thời gian IBM Granite
Granite Timeseries Ensemble kết hợp bốn mô hình Granite đã được huấn luyện trước vào một giao diện dự báo có thể mở rộng, trả về dự báo trung vị và phân vị mà không cần huấn luyện lại và không cần trọng số tập hợp được điều chỉnh.
- PatchTST-FM-r2 vẫn giữ điểm CRPS/MWQL tổng hợp thấp nhất là 0,467, trong khi IQR Ensemble đạt CRPS Rank trung bình thấp nhất trong sáu dự báo này.
- Công thức lưu trữ cấu hình tập hợp thay vì trọng số mô hình đã hợp nhất và tải bốn checkpoint thành viên khi chạy, do đó lần chạy đầu tiên cần thêm thời gian.
- Dự báo mặc định trả về các phân vị từ 0,1 đến 0,9, trong đó phân vị 0,1 và 0,9 xác định khoảng dự báo trung tâm với độ bao phủ danh nghĩa 80%.
Đối với nhà phát triển, tập hợp này cung cấp một mặc định hợp lý mang lại độ chính xác tổng hợp tương đương hoặc tốt hơn mà không cần biết trước kiến trúc nào phù hợp với dữ liệu của họ, với cái giá là thời gian suy luận và bộ nhớ tăng do t...
Bảo vệ môi trường huấn luyện mô hình frontier của chúng tôi
OpenAI giải thích cách họ tăng cường ngăn chặn cho việc huấn luyện và đánh giá mô hình frontier, bao gồm môi trường ngoại tuyến và red-teaming tiêu tốn nhiều tính toán.
- OpenAI cho biết đã tăng cường ngăn chặn cho việc huấn luyện và đánh giá mô hình frontier.
- Các biện pháp bao gồm môi trường ngoại tuyến.
- Các biện pháp bao gồm red-teaming tiêu tốn nhiều tính toán.
Với các nhóm huấn luyện mô hình frontier, ngăn chặn và red-teaming trong huấn luyện và đánh giá đang trở thành yêu cầu kỹ thuật song hành với phát triển năng lực.
Các mô hình OpenAI sắp có mặt trên Google Cloud
OpenAI và Google Cloud đưa các mô hình tiên tiến và quy trình Codex vào Model Garden của Gemini, có sẵn qua Google Cloud Marketplace.
- OpenAI và Google Cloud đưa các mô hình tiên tiến và quy trình Codex vào Model Garden của Gemini.
- Các mô hình và quy trình này sẽ có sẵn qua Google Cloud Marketplace.
Đối với nhà phát triển AI, các mô hình tiên tiến của OpenAI và quy trình Codex trở nên dễ tiếp cận qua kênh mua sắm và triển khai của Google Cloud.