Pereiti prie turinio
2026 m. lapkričio 22 d., sekmadienis
Tenesys AI News
Prenumerata

Apple

Naujausios naujienos, modeliai ir jų pokyčiai.

Naujausios naujienos

Tyrimai· Svarbu

„Apple“ pristatė „Depth Pro 2“ tikslesniam gylio vertinimui iš vieno vaizdo

„Apple“ pristatė „Depth Pro 2“ – naują monokulinio gylio vertinimo metodą, leidžiantį apdoroti nuotraukas ir vaizdo įrašus natūralia raiška. Modelis išsprendžia tradicinį konfliktą tarp aštrių objektų kraštų ir laikino stabilumo tarp kadrų. Jis užtikrina tikslų gylį metrais, nereikalaudamas kameros metaduomenų.

Apple Machine Learning
Tyrimai· Svarbu· 🧪 Verta testuoti

Atrastos matematinės kalbos modelių derinimo ribos

Tyrėjai nustatė teorines maksimalaus atlygio padidėjimo ribas derinant kalbos modelius esant fiksuotiems KL-divergencijos apribojimams. Tyrimas rodo, kad „best-of-N“ atrankos metodas priartėja prie šių teorinių ribų, o įprasti stiprinamojo mokymosi metodai, tokie kaip PPO ir GRPO, šiuo metu pasiekia suboptimalius rezultatus.

Apple Machine Learning
Modeliai· Svarbu· 🧪 Verta testuoti

RAG paieškos optimizavimas naudojant neuroninių tinklų maršrutizatorius

„Apple“ tyrėjai pristatė būdą pagreitinti maksimalios vidinės sandaugos paiešką (MIPS) RAG sistemose, naudojant mažus, konkrečiai užduočiai optimizuotus neuroninius tinklus. Apmokius modelius (SupportNet ir KeyNet) pagal užklausų pasiskirstymą, pasiekiamas didesnis tikslumas ir mažesnė delsa, palyginus su tradiciniu klasterizavimu.

Apple Machine Learning
Tyrimai· Svarbu· 🧪 Verta testuoti

Efektyvus internetinis mokymasis stiprinant mobiliųjų įrenginių agentų navigaciją

„Apple“ tyrėjai pristatė naują mobiliųjų UI agentų mokymo infrastruktūrą, kuri atskiria navigacijos logiką nuo vizualinio atpažinimo. Naudojant žingsninį atlygį iš LLM vertintojo ir naują GiGPPO vertinimo metodą, šie agentai pasižymi didesniu patikimumu nei modeliai, apmokyti tik stacionariais duomenimis.

Apple Machine Learning

„Apple“ pristatė GHARP realaus laiko 3D galvos animacijai

„Apple“ pristatė GHARP – naują 3D žmonių galvų animacijos metodą, pagrįstą dviejų pakopų „Gaussian Splatting“ architektūra. Atskyrus statinį tapatybės atkūrimą nuo lengvo, mobiliesiems įrenginiams optimizuoto mimikos prognozavimo, modelis pasiekia aukščiausius rezultatus „Ava-256“ standarte išlaikydamas efektyvumą.

Apple Machine Learning

„Apple“ parodė, kaip trilijono parametrų klasės LLM veikia lokaliai per Mac Studio klasterius su MLX

„Apple“ MLX komanda paskelbė našumo testus, rodančius, kad dideli atvirojo svorio modeliai – įskaitant beveik trilijono parametrų MoE modelį „Muse Spark Open“ – veikia Mac Studio aparatinėje įrangoje, tiek vienu įrenginiu, tiek paskirstytai iki keturių Mac Studio per naują RDMA-over-Thunderbolt tvarkyklę. Naujas M5 Ultra lustas su dedikuotais GPU „Neural Accelerators“ ir 1,2 TB/s atminties pralaidumu pasiekia iki 4,6 karto greitesnį pirmojo tokeno laiką ir 1,6 karto greitesnį generavimo greitį lyginant su ankstesniu M3 Ultra. Modeliams, netelpantiems viename įrenginyje, MLX dabar palaiko pipeline ir tensor paralelizaciją keliuose „Mac“ per Thunderbolt RDMA, leidžiant keturių Mac Studio klasteriui generuoti daugiau nei 36 tokenus per sekundę 816 mlrd. parametrų modeliui.

Apple Machine Learning
Tyrimai· 🧪 Verta testuoti

Apple tyrėjai siūlo savarankiškai sprendžiantį kontekstą glaudinantį metodą ilgai veikiantiems AI agentams

Apple ML tyrėjai paskelbė NeurIPS straipsnį apie SELFCOMPACT – karkasą, leidžiantį kalbos modelių agentams patiems nuspręsti, kada ir kaip glaudinti sukauptą kontekstą, vietoj fiksuoto intervalo glaudinimo pagal žetonų skaičių. Metodas derina modelio iškviečiamą glaudinimo įrankį su lengvu taisyklių rinkiniu, nurodančiu, kada glaudinti (kai použduotis išspręsta) ir kada susilaikyti (vidury išvedimo ar įstrigus). Testuotas šešiuose etalonuose ir septyniuose modeliuose, jis prilygo arba lenkė fiksuoto intervalo glaudinimą naudodamas gerokai mažiau žetonų.

Apple Machine Learning

Apple tyrėjai siūlo paversti neveikiančias Mac GPU bendru išvados klasteriu

Naujame Apple mokslinio tyrimo straipsnyje pristatomas Minions – sistema, kuri sujungia nenaudojamą GPU galią skirtinguose Apple Silicon Mac kompiuteriuose į vieną paskirstytą debesį mašininio mokymosi išvadoms vykdyti. Vietoj papildomos GPU įrangos pirkimo komandos galėtų panaudoti laisvą skaičiavimo galią jau turimuose macOS įrenginiuose. Autoriai teigia, kad sistema užtikrina užduočių paskirstymą, atsparumą gedimams ir efektyvų resursų naudojimą, siūlydama alternatyvą, kai dedikuotų GPU resursų trūksta arba jie brangūs.

Apple Machine Learning

Apple paskelbė NeurIPS straipsnį apie greitą vaizdų generavimą, išlaikantį tikslią tikimybių matematiką

Apple tyrėjai kartu su kolegomis iš Pensilvanijos universiteto ir UIUC pristatė naują generatyvinio modeliavimo metodą, vadinamą Normalizing Trajectory Models (NTM), straipsnyje, priimtame NeurIPS konferencijai. Skirtingai nei įprasti difuzijos modeliai, kurie remiasi daugybe mažų Gauso triukšmo šalinimo žingsnių, NTM kiekvieną žingsnį traktuoja kaip lanksčią, apgręžiamą transformaciją, išlaikančią tikslų tikimybių skaičiavimą – tai dažniausiai prarandama greituose keleto žingsnių metoduose, kurie remiasi distiliacija ar priešiškuoju mokymu. Pasak straipsnio, NTM gali pasiekti ar pranokti stiprias teksto-į-vaizdą bazines sistemas naudojant tik keturis atrankos žingsnius.

Apple Machine Learning

„Apple“ tyrėjai pristatė rubrikomis pagrįstą metodą agentams mokyti keliose aplinkose

„Apple“ tyrėjai kartu su Singapūro nacionaliniu universitetu paskelbė straipsnį apie RISED – naują LLM agentų mokymo sistemą, skirtą tuo pačiu metu mokytis keliose skirtingose interaktyviose aplinkose. Vietoj to, kad remtųsi tik skaitiniais atlygio signalais, RISED naudoja LLM teisėją, kuris kiekvieną mokymo bandymą pažymi rubrikomis, apibūdinančiomis elgseną, o tada šias žymas naudoja treniruočių duomenims atrinkti ir papildomai priežiūrai suteikti. Autoriai teigia, kad RISED pasiekia aukščiausią vidutinį sėkmės rodiklį tarp aplinkų, palyginti su esamais metodais, ir kiekvienoje testuotoje aplinkoje užima pirmą arba antrą vietą.

Apple Machine Learning