8048 articoli
Il paper presenta Ptychi-Evolve, un framework autonomo che utilizza modelli linguistici di grandi dimensioni e meccanismi evolutivi per scoprire e ottimizzare automaticamente nuove funzioni di regolarizzazione per la ptychografia, ottenendo ricostruzioni di immagini superiori rispetto ai metodi convenzionali.
Lo studio introduce la suite di valutazione CoT-Control per dimostrare che i modelli di ragionamento attuali possiedono una capacità significativamente inferiore di controllare i propri processi di pensiero rispetto all'output finale, offrendo un motivo per l'ottimismo riguardo alla monitorabilità, sebbene il meccanismo sottostante rimanga poco compreso.
Il paper sostiene che, sebbene l'IA prometta avanzamenti senza precedenti nelle scienze climatiche, il suo attuale sviluppo concentrato nel Nord globale rischia di esacerbare le disuguaglianze Nord-Sud, richiedendo un approccio centrato sui dati, infrastrutture digitali pubbliche e co-produzione della conoscenza per garantire una resilienza sistemica equa.
Questo studio presenta i risultati di un'indagine globale su larga scala per analizzare le percezioni e le aspettative riguardo alla rappresentazione culturale nell'IA generativa, proponendo definizioni operative di cultura e raccomandazioni per lo sviluppo di sistemi più inclusivi e sensibili alle specificità culturali.
Il paper presenta LTLGuard, un approccio modulare che combina la generazione di modelli linguistici compatti con la verifica simbolica formale per tradurre in modo efficiente e affidabile requisiti informali in specifiche corrette in logica temporale lineare (LTL).
Questo studio dimostra che il campionamento Best-of-N, quando opportunamente calibrato, è statisticamente e computazionalmente ottimale per massimizzare il tasso di vittoria (win-rate) nell'allineamento dei modelli linguistici, e propone una variante pratica che elimina il rischio di reward hacking mantenendo prestazioni ottimali.
Il documento presenta TML-Bench, un benchmark per agenti di data science su compiti di apprendimento automatico tabulare che valuta le prestazioni di dieci modelli LLM open source su competizioni Kaggle, rivelando che MiniMax-M2.1 ottiene i migliori risultati complessivi e che le prestazioni migliorano all'aumentare del tempo a disposizione.
Il paper propone SCORE, un metodo di fusione di modelli che risolve i conflitti tra sottospazi causati da distribuzioni diverse proiettando le matrici dei task su una base ortogonale condivisa, migliorando così la generalizzazione di dominio rispetto alle tecniche esistenti.
Il paper propone SAHA, un nuovo framework di jailbreak che sfrutta le vulnerabilità negli strati profondi delle Large Language Models intervenendo direttamente sulle attention heads attraverso una strategia di selezione basata sull'impatto dell'ablazione e una perturbazione consapevole dei confini, ottenendo un aumento significativo del tasso di successo rispetto agli stati dell'arte.
Il paper propone l'ipotesi di sicurezza disaccoppiata (DSH), dimostrando che i meccanismi di sicurezza nei grandi modelli linguistici operano su due assi geometrici distinti (riconoscimento ed esecuzione) e sfruttando questa separazione per sviluppare un attacco di rimozione del rifiuto che raggiunge prestazioni all'avanguardia.
Il paper introduce PVminer, un benchmark e un modello LLM supervisionato (PVminerLLM) che supera i metodi basati su prompt per estrarre in modo strutturato e scalabile le esperienze dei pazienti da testi generati dagli stessi, raggiungendo prestazioni elevate anche con modelli di dimensioni ridotte.
Questo studio valuta l'efficacia di un framework di "nudge" personalizzato per la diversità, combinando un algoritmo di calibrazione duale e suggerimenti generati da LLM, dimostrando che tali interventi possono aumentare la diversità di consumo delle notizie e influenzare positivamente le abitudini di lettura degli utenti verso un equilibrio tra notizie nazionali e internazionali.
Il paper presenta BM25-V, un metodo di recupero immagini che applica il punteggio Okapi BM25 alle attivazioni sparse di parole visive derivate da un Auto-Encoder Sparse su feature di Vision Transformer, ottenendo un recupero ad alta precisione e interpretabilità che funge da efficiente primo stadio per il riordinamento denso senza necessità di addestramento aggiuntivo.
Il paper propone "Proof-of-Guardrail", un sistema che utilizza ambienti di esecuzione attendibili (TEE) per fornire prove crittografiche verificabili che le risposte degli agenti AI sono state filtrate da specifici guardrail open-source, garantendo l'integrità del processo di sicurezza senza rivelare la logica proprietaria dell'agente, pur evidenziando i rischi residui di inganno da parte di sviluppatori malevoli.
Il paper presenta StreamWise, un sistema di serving adattivo e modulare che ottimizza l'orchestrazione di modelli generativi multimodali su hardware eterogeneo per abilitare la creazione di podcast video in tempo reale, bilanciando dinamicamente latenza, costi e qualità.
Questo articolo introduce il concetto di "collasso dell'ambiguità" nei modelli linguistici di grandi dimensioni, delineando una tassonomia dei rischi epistemici che ne derivano a livello di processo, output ed ecosistema, e proponendo principi di mitigazione per preservare la negoziazione umana del significato nelle interpretazioni di termini controversi.
Il paper presenta MaCS, un semplice framework di regolarizzazione che migliora la calibrazione e la robustezza dei modelli di visione artificiale imponendo un margine tra le classi e la coerenza delle previsioni su input perturbati, senza richiedere modifiche architetturali o dati aggiuntivi.
Il paper presenta Lexara, un toolkit guidato dagli utenti per valutare i modelli linguistici nell'analisi visiva conversazionale, che integra casi di test realistici, metriche interpretabili per la qualità visiva e linguistica e un'interfaccia interattiva per superare le attuali limitazioni tecniche e metodologiche.
Questo studio analizza come il modello linguistico GPT-J-6B rappresenti internamente il concetto di fiducia, rivelando che la sua allineamento strutturale corrisponde maggiormente al modello socio-cognitivo di Castelfranchi rispetto ad altri modelli umani.
Questo studio propone un modello di apprendimento profondo basato su ensemble che integra CNN e Vision Transformers per la classificazione di immagini telerilevate, superando i limiti delle architetture singole e ottenendo prestazioni superiori su diversi dataset grazie a un'efficiente gestione delle risorse computazionali.