2026. október 29., csütörtök · Kutatás

A Meta öt amerikai egyetemmel köt partnerséget tudományos kutatásokhoz

A Meta bejelentette, hogy öt amerikai egyetemmel – a Caltechhel, az Ohio State University orvosi karával, a Louisiana State Universityvel, az Indiana Universityvel és az UTHealth Houstonnal – partnerségben 2 millió dollár támogatást nyújt kutatásokhoz, amelyek a vállalat AI-modelljeit, köztük a Muse-sorozatot és a SAM számítógépes látás modellt használják. A projektek orvosi, fizikai, kémiai, biológiai és matematikai problémákra fókuszálnak, például csecsemők tracheostomia-monitorozására, demenciában szenvedők kommunikációs mintáinak elemzésére és a szívelégtelenség korai felismerésére. A Caltechen egy matematikus a Meta szerint a MathDB Frontier nevű, több mint 86 900 kutatási szintű nyitott problémát tartalmazó adatbázist építi a modellek matematikai érvelésének teszteléséhez. A vállalat szerint az egyetemek saját kutatási kérdéseikkel kerestek meg a Metát, amely ehhez biztosított modelleket és eszközöket.

Miért fontos?

A Meta közlése szerint a résztvevő egyetemek saját intézményi környezetükben futtatják a modelleket, és a beteg- és klinikai adatok nem kerülnek megosztásra a Metával.

Források

Meta AI Research Kutatás Meta Newsroom Hivatalos

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. október 29., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Meta: hibás tesztkörnyezet miatt AI-modell tört fel egy valódi weboldalt

A Meta közlése szerint a Muse Spark 1.1 nevű nagy nyelvi modell egy kiadás előtti verzióját a külső kiértékelő cég, az Irregular tesztelte kiberbiztonsági képességek szempontjából, biztonsági korlátozások nélkül, zárt környezetben. A vállalat szerint konfigurációs hiba miatt a modell hozzáférést kapott a nyílt internethez, és a fiktív célpont neve helyett tévedésből egy valódi weboldal nevét kapta feladatul. A Meta állítása szerint a modell ezt valós célpontnak hitte, biztonsági rést talált és kihasznált, adatokhoz fért hozzá, és megváltoztatta az oldal adatbázisát. A cég közlése szerint az Irregular más vállalatok modelljeinél is hasonló viselkedést tapasztalt ugyanekkor, a hibát elhárították, az érintett felet értesítették, a tesztelés pedig kizárólag az Irregular infrastruktúráján zajlott.

Kutatók szerint adatszivárgás torzítja a ritka betegségeket diagnosztizáló AI-rendszerek eredményeit

Egy nem lektorált kutatási anyag (preprint) szerzői 60 000-nél több klinikai esetet felhasználva auditálták a ritka betegségek diagnosztizálására használt, nagy nyelvi modellekre épülő AI-rendszereket. A kutatók azt állítják, hogy a szigorú, adathalmazok közötti elkülönítés bevezetése után az ágensalapú rendszerek Recall@1 mutatója 54,3 százalékról 40,3 százalékra esett vissza, míg a felügyelt osztályozók pontossága 42,9 százalékról 16,7 százalékra csökkent külső kohorszokon tesztelve. A szerzők szerint ez azt jelzi, hogy a korábbi magas benchmark-eredmények jelentős részben a jelölt-térben megjelenő adatszivárgásból, nem pedig valódi orvosi következtetésből fakadnak. A tanulmány azt is állítja, hogy a modellek a klinikai leírásokban szereplő, utólagos terápiás nyomokat használják fel a diagnózis kitalálásához, és javasol egy szigorúbb, adatelkülönítésen alapuló értékelési keretrendszert.

A Tencent TGR-EvoDAG rendszere önállóan fejleszti az ajánlóalgoritmusokat

Kutatók bemutatták a TGR-EvoDAG nevű, több ügynökös kódfejlesztési keretrendszert, amely irányított aciklikus gráfként modellezi a generatív ajánlórendszerek algoritmusainak automatikus fejlesztését. A szerzők szerint a módszer figyelembe veszi az egyes fejlesztési szakaszok eltérő GPU-költségeit, és kezelni tudja azokat az újításokat, amelyek átmenetileg rontják a metrikákat, mielőtt a későbbi lépések kiaknáznák azok előnyeit. A nem lektorált, arXiv-on közzétett tanulmány szerint az Amazon nyilvános adatkészletein a rendszer akár 37,4%-kal javította az offline metrikákat, és 19,7%-kal növelte az Agent4Rec szimulált felhasználói elégedettségét a legjobb alapmodellhez képest. A szerzők szerint a Tencent kereskedelmi médiaplatformján végzett bevezetés során a rendszer 12,16%-os relatív javulást ért el az offline Hit@1 mutatóban, és 0,40 százalékpontos, statisztikailag szignifikáns növekedést hozott az online kattintási arányban.

Az Ai2 szerint megbízhatatlanok az AI-modellek a kutatási ötletek újdonságának megítélésében

Az Ai2 kutatólabor a Hugging Face blogján közzétett tanulmánya szerint a nagy nyelvi modellek megbízhatatlanul ítélik meg, hogy egy kutatási ötlet valóban újszerű-e. A kutatók hat LLM-et – a GPT-5.1, GPT-5.2, GPT-5.4, valamint a Claude Sonnet 4.5, Claude Opus 4.5 és Claude Opus 4.6 modelleket – teszteltek egy saját, ICLR 2026-os bírálatokból épített benchmarkon, amely 154 magas és 145 alacsony újdonságtartalmú kutatási ötletet tartalmaz. Az Ai2 szerint a promptban végzett apró módosítások – néhány szó megváltoztatása – akár 50 százalékpontnál is nagyobb mértékben befolyásolták, hogy a modell helyesen azonosította-e a két ötlet közül az újszerűbbet. A tanulmány azt is megállapította, hogy a visszakeresés és a hosszabb gondolkodási idő nem javítja következetesen az ítéleteket, sőt két célzottan erre épített értékelő rendszer rosszabbul teljesített, mint egy egyszerűen promptolt Claude Opus 4.6.