Компьютерная наука > Искусственный интеллект [представлен 14 октября 2026 года] Название: Open-world AI: a Tale of Three generity View PDF HTML (экспериментальный) Резюме: Закрытый мир просит МА о специализированной компетентности и позволяет ему производить данные iid, как предполагает его теория: фиксированные лицензии на критерии, собирающие примеры до выполнения задачи. Открытый мир требует универсальности -- - взяться за задачи, для которых машина не была построена из нескольких примеров и с незначительными предыдущими от человека дизайнера -- -- и предлагает данные, которые сгруппированы, а не перевернуты. Его задачи заранее не известны, поэтому машина должна делать выводы в процессе обучения (первое требование). Для моделирования задач как совместного использования скрытых факторов и разукрупнения цели подготовки мы получаем еще два: *богатое представление*, сохранение более чем iid обобщения требует, и прогнозное смещение, которое увязывает вводимые ресурсы и результаты в соответствующие маломерные группы. Анализ также свидетельствует о необходимости последовательного внутреннего обучения и выгодах длительных контекстов, охватывающих соответствующие задачи. Мы проверяем эти требования на языковых моделях вплоть до 8В, спрашивая о том, имеет ли модель собственность (качественное) или сколько она выигрывает (количественно). Модели, отвечающие предъявляемым требованиям, улучшаются по мере накопления данных о связанных с ними задачах; остальное ухудшается и ни масштаб,…
Open-world AI: история трех требований
arXiv: 261.20.20782v1 Annualce Type: New Humber Brieflow: The Secretary World просит МА специализироваться и позволяет ему производить данные iid, как предполагает его теория: фиксированные лицензии на критерии для сбора примеров до тех пор, пока не будет выполнена задача. Открытый мир требует универсальности -- - взяться за задачи, для которых машина не была построена из нескольких примеров и с незначительными предыдущими от человека дизайнера -- -- и предлагает данные, которые сгруппированы, а не перевернуты. Его задачи заранее не известны, поэтому машина должна делать выводы в процессе обучения (первое требование). Для моделирования задач как совместного использования скрытых факторов и разукрупнения цели подготовки мы получаем еще два: *богатое представление*, сохранение более чем iid обобщения требует, и прогнозное смещение, которое увязывает вводимые ресурсы и результаты в соответствующие маломерные группы. Анализ также свидетельствует о необходимости последовательного внутреннего обучения и выгодах длительных контекстов, охватывающих соответствующие задачи. Мы проверяем эти заявления на языковых моделях до 8B, спрашивая, не является ли а