يقدم باحث إنفيديا ن. هوروكس نماذج أخطاء الكاشف الموسعة (EDEMs) المصممة للتعامل مع البرامج الكمية المتسامحة مع الأخطاء التي تحتوي على دوائر مستقرة وأخطاء بولي عشوائية. تتيح هذه النماذج تحليل الأخطاء بالتأليف تسلسلياً ومتوازياً، مما يعكس بنية التنفيذ الفعلي للدائرة.
يقترح الباحثون Onyx، وهو نهج فعال من حيث التكلفة لبحث الجيران الأقربين التقريبي (ANN) غير المدرك للقرص، يوازن بين عرض النطاق وعدد الوصولات عن طريق عكس تصميم أنظمة ORAM-ANN الأكثر تقدمًا.
يقدم الباحثون Privatar، وهو إطار عمل يُعيد بناء الأفاتار من النظارات إلى أجهزة محلية غير موثوقة مع الحماية من اعتراض البيانات. يستفيد النظام من المعرفة المتخصصة في إعادة بناء الأفاتار لتحقيق إرسال خارجي خاص بشكل مثبت بأقل تكلفة أداء.
قدم باحثون من إنفيديا نظام GPIR، الذي يسرّع الاسترجاع الخاص للمعلومات (PIR) على وحدات معالجة الرسومات من خلال معالجة الحساب العالي على جانب الخادم وحركة مرور الذاكرة الكامنة في البروتوكولات القائمة على الشبكات. يستخدم النظام نموذج تنفيذ هجينًا يدرك المراحل، حيث يبدل ديناميكيًا بين kernels على مستوى العملية وعلى مستوى المرحلة لتعظيم إعادة استخدام البيانات داخل الشريحة.
تقدم دراسة جديدة توصيفًا موحدًا على مستوى النظام للحوسبة الآمنة متعددة الأطراف (MPC) والتشفير المتجانس الكامل (FHE) لاستدلال تعلم الآلة الذي يحافظ على الخصوصية. تقيم العمل متغيرين لـ MPC — تحويل المشاركة الحسابية/الثنائية ومشاركة الدوال السرية — جنبًا إلى جنب مع FHE عبر نماذج CNN و Transformer متعددة.
توضح ورقة موقف من باحثي إنفيديا رؤية لتأمين وكلاء الذكاء الاصطناعي ضد هجمات الحقن غير المباشر للبرومبت، حيث تؤدي التعليمات الخبيثة المضمنة في بيانات غير موثوقة إلى إجراءات خطيرة. يجادل المؤلفون بأن الدفاع الفعال يتطلب الانتقال من إصلاحات النماذج المعزولة إلى بنية نظام شاملة.
أطلقت Anthropic نموذج Claude Sonnet 5.5، الذي ينتج مخرجات أسرع بنسبة تزيد عن 30% من Sonnet 5 ويقلل استخدام الرموز لتخفيض التكاليف بنسبة تصل إلى 30% لكل مهمة. وافقت AMD على استحواذها على World Labs بمبلغ 8.2 مليار دولار، مما يجلب فريق أبحاث الذكاء المكاني الخاص بـ Fei-Fei Li إلى الداخل.
أطلقت إنفيديا نموذج Kumo Tabular، وهو نموذج أساسي مفتوح المصدر لتصنيف البيانات الجدولية والانحدار عليها، ويعمل عبر التعلم في السياق دون الحاجة إلى التدريب أو هندسة الميزات. تم تدريبه مسبقاً حصرياً على بيانات اصطناعية مولّدة بواسطة النماذج السببية الهيكلية، ويتوفر النموذج بثلاثة أحجام تتراوح بين 28 مليون و215 مليون معلمة.
يُعد Holo4 سلسلة جديدة من النماذج الوكيلة من شركة H، متوفرة بحجم 27B كثيف وحجم 35B-A3B مختلط الخبراء. تتفاعل هذه النماذج مع البرمجيات عبر أي واجهة—واجهات المستخدم الرسومية، والبرمجيات المصدر، وMCP، أو واجهات برمجة التطبيقات—وتعمل على أجهزة سطح المكتب، والمتصفح، وAndroid، والبيئات المعزولة باستخدام نفس النموذج.
أعلنت إنفيديا رسمياً عن نيتها استحواذ منصة التعلم الآلي هوجينغ فيس في صفقة بقيمة 12.9 مليار دولار.
طور الباحثون خط أنابيب ما بعد التدريب لنماذج اللغة الكبيرة يمكّنها من تحقيق أداء بحصول على الميدالية الذهبية في البرمجة التنافسية. ومن خلال الجمع بين الضبط الدقيق الخاضع للإشراف، والتعلم المعزز، واستراتيجية جديدة مدفوعة بالملاحظات تُدعى GenCorrect، يتفوق النظام على أفضل المتسابقين البشر في مجموعة مسائل أولمبياد المعلوماتية 2026.
طورت NVIDIA خطوط أنابيب ما بعد التدريب لنماذجها اللغوية Nemotron-3-Nano-CC وNemotron-3-Ultra-CC لتتفوق في البرمجة التنافسية. ومن خلال الجمع بين تنسيق المشكلات واسع النطاق، وآثار الاستدلال الاصطناعية، والضبط الدقيق الخاضع للإشراف، والتعلم التعزيزي، أنشأ الفريق أنظمة متخصصة قادرة على استدلال خوارزمي عالي المستوى.
طورت NVIDIA خط أنابيب ما بعد التدريب لنماذجها اللغوية Nemotron-3، مما مكنها من تحقيق أداء على مستوى الميدالية الذهبية في الأولمبياد الدولي للمعلوماتية (IOI). يجمع هذا النهج بين تنسيق المشكلات واسع النطاق، وآثار الاستدلال الاصطناعية، والضبط الدقيق الخاضع للإشراف، والتعلم المعزز.
قدّم باحثون من إنفيديا ومعهد ماساتشوستس للتكنولوجيا وجامعة أكسفورد إطار عمل Physis-Lang، الذي يعزز نماذج العالم المرئي من خلال دمج لغة فيزيائية تتطور ذاتياً في التسميات. يعامل هذا النهج اللغة الفيزيائية على أنها تمثيل قابل للتحسين يُستخدم لتنقية البيانات، وتدريب النموذج، والاستدلال لتصحيح الأخطاء الفيزيائية في الفيديوهات المُولَّدة.
تقوم ديبسيك بتدريب نماذجها باستخدام عتاد Ascend 950 من هواوي. يأتي هذا التحول بعد بيان من ليانغ وينفنغ صدر قبل 26 شهراً حول ضرورة أن يتقدم شخص ما إلى الواجهة.
أطلقت شركة NVIDIA نموذج Nemotron-Labs-3-Competitive-Coding، وهو متخصص في البرمجة التنافسية ومُعدّل بدقة من نموذج NVIDIA-Nemotron-3-Ultra-550B-A55B. تم تدريب النموذج على آثار استدلال اصطناعية مُستخلصة من GLM-5.2 وخضع للتقييم المباشر على مجموعة مسائل IOI 2026.
أطلقت إنفيديا منصة أمان الوكلاء المفتوحة من إنفيديا، وهي منصة برمجيات مفتوحة لأمن وكلاء الذكاء الاصطناعي تجمع بين وقت التشغيل الآمن OpenShell مع Sentry، وهو مشرف مراقبة خارج النطاق على وحدات معالجة البيانات BlueField-4 DPUs. صُمم النظام لمنع "الانحراف"، وهو وضع فشل يتجاوز فيه الوكلاء ضوابط طبقة التطبيق، من خلال وضع إنفاذ الأمان خارج نطاق وصول الوكيل.
أطلقت إنفيديا (NVIDIA) صندوق الرمال OpenShell، وهو صندوق رمال مفتوح المصدر مصمم لتوفير حدود وقت تشغيل حقيقية لوكلاء الذكاء الاصطناعي المحليين والمفتوحين بدلاً من الاعتماد فقط على قواعد المطالبة. وتفيد الشركة بأن أكثر من 100 شركة انضمت إلى هذه الطبقة الأمنية، على الرغم من عدم مشاركة OpenAI.
أطلقت إنفidia نموذج Nemotron 3 Diarization، وهو نموذج مفتوح الأوزان لتصنيف المتحدثين، متاح على Hugging Face بموجب ترخيص OpenMDW الإصدار 1.1. يتعقب النموذج ذو الـ 100 مليون معلمة ما يصل إلى 8 متحدثين متداخلين في الوقت الفعلي أو في الأوضاع غير المتزامنة باستخدام نقطة تفتيش واحدة.
يتيح MuJoCo Warp (MJWarp)، المبنية على NVIDIA Warp، تشغيل نماذج MuJoCo المتوافقة على نطاق وحدة معالجة الرسومات، مما يمكّن من تطوير مئات أو آلاف بيئات المحاكاة المستقلة في استدعاء واحد. ينقل هذا الهيكل التركيز من تقليل زمن الاستجابة لبيئة واحدة إلى تحسين الإنتاجية الإجمالية، وهو ما يدعم التعلم التعزيزي وأخذ العينات واسعة النطاق.