2384 articoli
Questo studio dimostra che gli analisti AI autonomi possono replicare a basso costo la diversità analitica umana, rivelando come le scelte metodologiche influenzino i risultati e proponendo nuove norme di trasparenza che includano la segnalazione multiverso e la divulgazione completa dei prompt.
Il paper presenta LAVIDA, un framework end-to-end per la rilevazione di anomalie video in zero-shot che utilizza un Multimodal Large Language Model (MLLM) e un campionatore di esposizione alle anomalie addestrato esclusivamente su dati sintetici per raggiungere prestazioni all'avanguardia su diversi benchmark.
Il paper presenta PatchDenoiser, un framework di denoising ultra-leggero ed efficiente basato su patch multi-scala che, superando i limiti dei metodi tradizionali e delle architetture profonde, elimina il rumore nelle immagini TC a bassa dose preservando i dettagli anatomici con una ridotta complessità computazionale e un consumo energetico significativamente inferiore.
Il paper introduce Hubscan, uno scanner di sicurezza open-source progettato per rilevare il "hubness poisoning" nei sistemi Retrieval-Augmented Generation (RAG) attraverso un'architettura multi-rilevatore che combina analisi statistiche, valutazioni di stabilità e adattabilità a diversi database vettoriali, ottenendo prestazioni elevate nel identificare contenuti dannosi su benchmark e dataset reali.
Il paper presenta AMLRIS, una strategia di apprendimento mascherato consapevole dell'allineamento che migliora la segmentazione di immagini riferite filtrando i pixel non allineati durante l'addestramento senza richiedere modifiche architetturali o overhead inferenziale.
Il paper propone un agente minimale per la dimostrazione automatica di teoremi che, pur adottando un'architettura semplificata rispetto agli stati dell'arte, ottiene prestazioni competitive grazie a un approccio iterativo che migliora l'efficienza dei campioni e riduce i costi, rendendo il codice sorgente disponibile come riferimento open-source per la comunità.
Il documento rivela che l'allineamento alla sicurezza dei modelli linguistici di grandi dimensioni genera un "pregiudizio di rifiuto difensivo", portandoli a negare ingiustificatamente assistenza a compiti legittimi di cybersecurity quando questi contengono termini sensibili, un problema che peggiora con le autorizzazioni esplicite e che richiede un approccio basato sull'intento piuttosto che sulla semplice similarità semantica.
Il paper introduce CARE, un framework agentico che migliora l'accountability clinica nel ragionamento medico multimodale decomponendo il compito in moduli specializzati per l'estrazione di evidenze visive e l'uso di ricompense verificabili, ottenendo prestazioni superiori rispetto agli stati dell'arte.
Il paper propone SEED-SET, un framework di progettazione sperimentale bayesiana che combina valutazioni oggettive e giudizi soggettivi degli stakeholder per testare in modo scalabile ed efficiente l'allineamento etico dei sistemi autonomi in ambiti ad alto rischio.
Il paper introduce BrandFusion, un innovativo framework multi-agente che risolve le sfide dell'integrazione di marchi nei video generati da testo, garantendo al contempo la fedeltà semantica, il riconoscimento del brand e un inserimento contestuale naturale per abilitare la monetizzazione commerciale.
Questo studio presenta la prima valutazione completa del fine-tuning efficiente dei parametri (PEFT) per l'analisi del codice multitasking, dimostrando che un singolo modulo PEFT condiviso può eguagliare o superare il fine-tuning completo offrendo un ottimo compromesso tra prestazioni e efficienza, pur essendo il successo dipendente da fattori come la stabilità del compito e la complementarità, e superando le capacità di modelli LLM generici di grandi dimensioni in compiti di analisi.
Il paper propone il "Targeted Reasoning Unlearning" (TRU), un nuovo metodo che utilizza obiettivi di ragionamento espliciti per rimuovere in modo preciso e spiegabile conoscenze indesiderate dai modelli linguistici, preservando al contempo le loro capacità generali e migliorando la robustezza rispetto agli attacchi.
Il paper presenta AraModernBERT, un modello encoder-only adattato all'arico che dimostra come l'inizializzazione tramite transtokenizzazione e la modellazione nativa di contesti lunghi fino a 8.192 token migliorino significativamente le prestazioni nel modellamento linguistico e in diverse attività di comprensione del linguaggio naturale.
Il paper presenta MoE-SpAc, un framework di inferenza per modelli MoE su dispositivi edge eterogenei che sfrutta la Speculative Decoding come sensore predittivo per l'allocazione della memoria, ottenendo un significativo miglioramento delle prestazioni rispetto alle soluzioni esistenti.
Uno studio empirico su quattro modelli linguistici avanzati rivela che quelli con minore accuratezza mostrano un'eccessiva sovrastima delle proprie capacità, analogamente all'effetto Dunning-Kruger osservato nella cognizione umana, sollevando preoccupazioni per il loro utilizzo sicuro in contesti ad alto rischio.
Questo studio quantifica le allucinazioni nei modelli linguistici su testi medici, rivelando che LLaMA-70B-Instruct genera risposte non supportate dal 19,7% delle volte nonostante l'alta plausibilità, e dimostra una correlazione tra minori tassi di allucinazione e una maggiore preferenza da parte dei clinici.
Il paper propone un framework che ottimizza la trasformazione delle caratteristiche guidato dai modelli linguistici di grandi dimensioni attraverso un ciclo chiuso di evoluzione delle dimostrazioni e selezione della diversità, superando i limiti dei metodi esistenti e ottenendo prestazioni superiori su diversi benchmark tabulari.
Questo lavoro propone una pipeline che collega l'analisi dei circuiti neurali alle spiegazioni in linguaggio naturale per i modelli linguistici, dimostrando che è possibile generare spiegazioni fedeli e di alta qualità per l'identificazione di oggetti indiretti, pur rivelando la presenza di meccanismi di backup distribuiti e la scarsa correlazione tra la confidenza del modello e la fedeltà della spiegazione.
Il documento introduce la System Hallucination Scale (SHS), uno strumento psicometrico leggero e incentrato sull'utente per valutare in modo rapido e interpretabile il comportamento allucinatorio dei modelli linguistici su larga scala dal punto di vista dell'interazione reale, distinguendosi dai tradizionali rilevatori automatici.
Il paper propone un'architettura a due stadi che utilizza LLaMA-3.1-8B-Instruct per la segmentazione e un Legal-Roberta-Large fine-tuned per la classificazione delle clausole nei contratti di non divulgazione, ottenendo risultati elevati in termini di precisione e automazione.