U suradnji s HHMI Janelia i Harvardom, predstavljamo ZAPBench, skup podataka i benchmark aktivnosti cijelog mozga s razlučivosti pojedinačnih stanica na larvi ribe zebrice, kako bismo omogućili razvoj i usporedbu preciznijih modela aktivnosti mozga.
U svijetu umjetne inteligencije, velika jeznička modela (LLMs) postaju sve važniji alat u zdravstvu, posebno u odgovaranju na pitanja vezana za medicinu i zdravstvo. Ovi modeli pokazuju potencijal u različitim medicinskim testovima i formatima, a njihova primjena se proširuje kroz različite izvore.
Uvod
Umjetna inteligencija u zdravstvu već niz godina mijenja način na koji liječnici, znanstvenici i pacijenti pristupaju dijagnostici, liječenju i upravljanju podacima. U današnje vrijeme, razvoj prilagođenih AI rješenja nije rezerviran samo za velike korporacije—vrlo je dostupno i manjim timovima ili istraživačkim institucijama zahvaljujući open-source modelima.
Xu, studentski istraživači, Google Research
Predstavljamo LSM-2 s Adaptivnim i Naslijeđenim Maskiranjem (AIM), novu samonadzornu metodu učenja koja uči iz nepotpunih podataka nosivih senzora, postižući izvanredne rezultate u klasifikaciji, regresiji i generativnim zadacima bez eksplicitne imputacije.
– Ali Behrouz, Student Istraživač, Meisam Razaviyayn, Istraživački Zaposlenik, i Vahab Mirrokni, VD i Google Fellow, Google Istraživanje
Predstavljamo arhitekturu Titans i okvir MIRAS, koji omogućuju AI modelima da rade mnogo brže i upravljaju ogromnim kontekstima ažurirajući svoje jezgro pamćenja dok je aktivno pokrenuto.
Januar 28, 2026 Yubin Kim, Praktikant za istraživanje, i Xin Liu, Senior istraživač, Google Istraživanje
U ovom članku, istražujemo kako se skaliraju agenatni sustavi i kada su najefikasniji. Kroz kontroliranu evaluaciju od 180 konfiguracija agenata, izvodimo prve kvantitativne principe skaliranja za AI agenatne sustave, otkrivajući da multi-agentna koordinacija dramatično poboljšava performanse na paraleliziranim zadacima, ali ih ometi na sekvencijalnim.
Veliki modeli jezika (LLM) postaju sve točniji u odgovaranju na teže pitanja kada im se dopusti više vremena za razmišljanje o potencijalnim rješenjima. Istraživači mogu omogućiti modelu da provede više vremena razmišljajući o potencijalnim rješenjima, ali uobičajeni pristupi koji LLM-u daju ovu sposobnost postavljaju fiksni računarski budžet za svaki problem, nezavisno od njegove složenosti.
MIT Schwarzman College of Computing i Mohamed bin Zayed University of Artificial Intelligence (MBZUAI) nedavno su proslavili pokretanje MIT–MBZUAI suradničkog programa istraživanja, novog poduhvata koji jača temelje umjetne inteligencije i ubrzava njenu primjenu u pritisnutim znanstvenim i društvenim izazovima.
U svijetu umjetne inteligencije, posebno u području velikih jezičnih modela (LLM-ova), težnja k preciznosti i učinkovitosti stalno je prisutna. Kako bi se poboljšala točnost odgovora na složena pitanj
Veliki jezični modeli (LLM) agenti počinju pohranjivati sve što vide, ali mogu li stvarno poboljšati svoje politike tijekom testiranja iz tih iskustava umjesto samo ponavljanja kontekstnih prozora? Is
U današnje vrijeme, razvoj umjetne inteligencije (UI) i posebno generativnih modela poput GPT-5 donosi nevjerojatne mogućnosti u mnogim područjima – od prepoznavanja slika i videa do automatskog razum
Razvoj složenog softvera u današnje vrijeme često nailazi na probleme kao što su nečitljivost koda, teškoće pri izmjenama i nesigurnost u funkcionalnost.
U 2026.
AI-pogonjeni empirijski softver predstavlja revoluciju u znanstvenim istraživanjima, omogućujući brže testiranje hipoteza i otkrivanje novih rješenja.