7179 articoli
Il paper introduce un nuovo framework e dataset per valutare l'informatività orientata alle decisioni dei modelli visione-linguaggio nel settore alberghiero, rivelando che, sebbene le prestazioni migliorino con un fine-tuning specifico, i modelli attuali non sono intrinsecamente consapevoli delle esigenze informative degli utenti.
Il paper introduce CCR-Bench, un nuovo benchmark progettato per valutare la capacità dei modelli linguistici di seguire istruzioni complesse in scenari reali, evidenziando come gli attuali modelli di punta presentino ancora carenze significative nel gestire l'interazione intricata tra contenuti, formati e flussi di controllo logico.
Questo articolo introduce un quadro teorico basato sul filtraggio particellare per analizzare e migliorare i metodi di inferenza parallela nei modelli linguistici, identificando sia criteri per garantire l'accuratezza del campionamento sia limiti fondamentali intrinseci a tali approcci.
Il paper introduce VLM-SubtleBench, un nuovo benchmark progettato per valutare la capacità dei modelli visione-linguaggio di distinguere sottili differenze visive in ambiti diversificati come quello medico e industriale, rivelando un significativo divario tra le prestazioni attuali dei modelli e quelle umane.
Il paper propone l'segmentazione delle immagini come banco di prova visivo per la formazione di coalizioni nei giochi edonici, dimostrando come un parametro di granularizzazione influenzi le strutture di equilibrio e permettendo di valutare la capacità di recupero delle coalizioni rispetto a una verità di base.
Il paper propone un nuovo approccio che sfrutta la capacità di LaCAM* di costruire una mappa del traffico dinamica e leggera durante la ricerca, superando i limiti computazionali e la staticità dei metodi precedenti basati su percorsi guida per ottenere soluzioni di qualità superiore in problemi di ricerca di percorsi multi-agente.
Questo studio presenta un quadro decisionale probabilistico che combina modelli di intelligenza artificiale con un modello statistico delle aspettative degli agricoltori per generare previsioni monsoniche più accurate, le quali sono state implementate con successo nel 2025 per fornire informazioni cruciali a 38 milioni di agricoltori indiani.
Il paper introduce SMGI, una teoria strutturale dell'intelligenza artificiale generale che ridefinisce l'apprendimento come evoluzione controllata dell'interfaccia di apprendimento, formalizzando un modello meta-strutturale che unifica e generalizza approcci esistenti come l'empirical risk minimization, il reinforcement learning e i modelli basati su prior di programma.
Il lavoro presenta EveryQuery, un modello fondazionale per le cartelle cliniche elettroniche che, attraverso un preaddestramento condizionato al compito, abilita inferenze zero-shot dirette e più efficienti rispetto ai metodi autoregressivi, ottenendo prestazioni superiori nella maggior parte dei compiti predittivi clinici, inclusi quelli relativi a eventi rari.
Il paper presenta un framework di autonomia puramente visiva per la navigazione broncoscopica robotizzata, basato su agenti gerarchici a lungo e breve termine e un critico di modello del mondo, che ha dimostrato la fattibilità preclinica raggiungendo con successo obiettivi anatomici in modelli fantasma, polmoni ex vivo e modelli viventi senza l'uso di tracciamento esterno.
Il paper presenta Ares, un framework che ottimizza l'efficienza degli agenti LLM selezionando dinamicamente il livello di ragionamento necessario per ogni singolo passo, riducendo così i costi di inferenza fino al 52,7% senza compromettere significativamente il successo dei compiti.
Il paper introduce Rel-MOSS, un nuovo approccio di apprendimento profondo relazionale che affronta il problema dello squilibrio delle classi nei database relazionali mediante un sintetizzatore di minoranza guidato dalle relazioni e un controllore di gate relazionale, ottenendo prestazioni superiori rispetto agli stati dell'arte su 12 dataset.
Il paper propone IMSE, un metodo di adattamento al test che sfrutta gli esperti spettrali intrinseci dei Vision Transformers tramite la decomposizione SVD e una perdita di massimizzazione della diversità, ottenendo prestazioni all'avanguardia con un numero di parametri aggiornabili drasticamente ridotto.
Il paper presenta SWE-Fuse, un framework di addestramento che combina apprendimento da traiettorie prive di issue e RLVR consapevole dell'entropia per superare le descrizioni dei problemi di bassa qualità, ottenendo risultati significativamente superiori rispetto agli agenti basati su LLM esistenti nel benchmark SWE-bench Verified.
Il documento propone l'adozione di agenti AI supervisionati basati su deep learning come nuova evoluzione del metodo scientifico per gestire la complessità dei dati moderni, illustrando attraverso il sistema Dr. Sai dell'Istituto di Fisica delle Alte Energie dell'Accademia Cinese delle Scienze come tale paradigma estenda le capacità cognitive dei ricercatori senza sostituirli.
Il paper presenta ELLMob, un framework basato su LLM auto-allineati e sul primo dataset annotato con eventi, progettato per generare traiettorie umane realistiche che bilanciano efficacemente le abitudini individuali con i vincoli imposti da eventi su larga scala come tifoni, pandemie e Olimpiadi.
Il documento presenta PSTNet, una rete neurale leggera e fisicamente strutturata che integra principi aerodinamici fondamentali per stimare in tempo reale l'intensità della turbolenza atmosferica su microcontrollori, offrendo un'alternativa efficiente e più accurata ai modelli tradizionali per i sistemi di guida aerei.
Il paper presenta EvoStage, un nuovo paradigma evolutivo che combina agenti multipli, una prospettiva globale-locale e un design algoritmico a stadi guidato da LLM per superare i limiti dei metodi attuali, ottenendo risultati superiori rispetto agli esperti umani e allo stato dell'arte in compiti complessi come il posizionamento dei chip e l'ottimizzazione bayesiana.
Il paper presenta HILA, un framework che integra un ciclo di ottimizzazione della politica duale per addestrare agenti multi-LLM a decidere metacognitivamente quando collaborare con esperti umani, trasformando il feedback in apprendimento continuo e superando i limiti delle conoscenze statiche dei modelli pre-addestrati.
Il paper presenta VORL-EXPLORE, un approccio ibrido di apprendimento e pianificazione che migliora l'esplorazione multi-robot in ambienti dinamici accoppiando l'allocazione dei compiti con l'esecuzione locale tramite un segnale di fedeltà condiviso, riducendo così la contesa e adattandosi autonomamente agli ostacoli non stazionari.