Publicado em 5 de outubro de 2025, o volume 124 de uma seleção semanal aborda embeddings generativos com escalonamento no momento do teste e retrievers eficientes para documentos visuais.
Um estudo treina um gerador de dicas e um solver condicionado a elas com reinforcement learning. O relato aponta 44% mais acurácia em matemática no AIME 2025 do que o RL com cadeias longas.
Post publicado em 4 de outubro de 2025 apresenta um artigo que descreve três etapas do grokking em adição modular e propõe um limiar de exemplos para a generalização.
Publicado em 3 de outubro de 2025, o post apresenta o Dragon Hatchling, modelo com conexões que armazenam memória de curto prazo por aprendizado Hebbiano, e sua versão otimizada para GPU.
Publicado em 3 de outubro de 2025, o registro apresenta o RLAD, um framework de aprendizado por reforço com dois jogadores para descobrir dicas em linguagem natural que estruturam a exploração do raciocínio.
Publicado em 2 de outubro de 2025, ckit.h é apresentado como um pequeno kit de itens essenciais para projetos em C, que engenheiros podem avaliar como fonte de utilitários reutilizáveis.
A arquitetura Dragon Hatchling combina partículas neuronais de interação local, uma rede biologicamente inspirada e uma estrutura scale-free, com foco em interpretabilidade.
Um post de blog reúne kernels, gráficos, profiling e temas relacionados, oferecendo uma possível visão geral para engenheiros que estudam programação de GPUs.
Publicado em 30 de setembro de 2025, o post apresenta uma interface compartilhada para descobrir e chamar ferramentas de pesquisa locais e remotas via MCP. A biblioteca reúne mais de 600 ferramentas e inclui uma demonstração de descoberta de medicamentos.
Publicado em 29 de setembro de 2025, o material trata da hierarquia de memória de GPUs, do modelo de programação CUDA e da inspeção de PTX/SASS para orientar o compilador em kernels de matmul.
Em publicação de 29 de setembro de 2025, a Thinky Machines destaca escolhas de configuração de LoRA para fine-tuning em reinforcement learning, incluindo taxas de aprendizado 10 vezes maiores e LoRA em todas as camadas.
Publicado em 27 de setembro de 2025, o relato descreve uma abordagem que reduz iterativamente a energia atribuída a candidatos para o próximo token. Em testes com 44 milhões de parâmetros no RedPajama-Data-v2, ela superou transformers vanilla do mesmo tamanho em três de quatro benchmarks.
Publicado em 26 de setembro de 2025, o texto da Modal descreve a engenharia reversa do FlashAttention-4 e atribui um ganho de desempenho de 20% a mudanças no cálculo e na execução.
Publicação de 25 de setembro de 2025 apresenta o RLPT, que usa recompensas pelo próximo segmento para treinar modelos com dados de pré-treinamento, sem novas anotações humanas. O texto relata ganhos em benchmarks para o Qwen3-4B-Base.