9401 articoli
Il paper introduce la Direct Consistency Optimization (DCO), un metodo basato sul reinforcement learning che migliora significativamente la coerenza delle conoscenze nei modelli linguistici multilingue senza richiedere un modello di ricompensa esplicito.
Il paper propone che il consolidamento della memoria non serva solo a stabilizzare le rappresentazioni, ma ottimizzi la generalizzazione attraverso una "dimenticanza predittiva" che comprime selettivamente le informazioni per conservare solo ciò che prevede esiti futuri, un processo iterativo reso necessario dai vincoli di codifica ad alta fedeltà e validato da simulazioni in modelli biologici e linguistici.
Questo studio valuta l'impatto delle tecniche di aumento dei dati e di potenziamento delle caratteristiche sulla rilevazione dell'odio, dimostrando che il modello open-source gpt-oss-20b ottiene i risultati migliori in generale, mentre l'aumento dei dati potenzia significativamente anche i classificatori tradizionali come Delta TF-IDF, pur confermando che la rilevazione dell'odio implicito rimane più complessa di quella esplicita.
Questa ricerca dimostra che i modelli linguistici su larga scala, in particolare Llama 3.2, superano significativamente i metodi tradizionali nella classificazione multiclasse di contenuti illeciti complessi e squilibrati sui marketplace online, offrendo strumenti più efficaci e scalabili per la sicurezza digitale.
Questo studio dimostra che, contrariamente all'assunto comune, l'uso del modello di enhancement audio SAM-Audio come pre-elaborazione per sistemi ASR zero-shot basati su Whisper peggiora sistematicamente le prestazioni di riconoscimento, rivelando una fondamentale discrepanza tra la qualità acustica percepita dall'uomo e la robustezza necessaria per l'elaborazione automatica.
Questo lavoro propone un'evoluzione del modello Dreamer basata su metodi probabilistici che permettono l'esplorazione parallela di stati latenti e il mantenimento di ipotesi distinte per futuri mutualmente esclusivi, ottenendo su MPE SimpleTag un miglioramento del punteggio del 4,5% e una riduzione del 28% della varianza rispetto al metodo standard.
Questo studio propone un framework di valutazione a due livelli per analizzare l'efficacia dei modelli AI nel simulare le domande specifiche dei giudici durante le arringhe orali, rivelando che, sebbene le domande generate siano percepite come realistiche e coprano bene i temi legali sostanziali, i modelli presentano ancora carenze significative come la scarsa diversità e la sycophancy che i metodi di valutazione ingenui non riescono a rilevare.
Questo documento presenta "Model Medicine", un quadro clinico interdisciplinare che applica principi biologici e medici per diagnosticare, trattare e prevenire disturbi nei modelli di intelligenza artificiale, introducendo una tassonomia di discipline, strumenti diagnostici come la "Neural MRI" e framework terapeutici per gestire la complessità dei sistemi AI.
Questo articolo presenta un framework di adattamento periodico per la rilevazione di furti nei negozi basato sulla postura, che utilizza il nuovo dataset reale RetailS per abilitare un rilevamento di anomalie scalabile, a bassa latenza e adattivo su dispositivi IoT di bordo, superando le prestazioni dei metodi offline tradizionali.
Questo studio dimostra che, sebbene i modelli linguistici multimodali possano essere adattati per il rilevamento di anomalie video tramite istruzioni specifiche, soffrono di un forte bias conservativo in modalità zero-shot che ne limita l'utilità pratica a causa di una scarsa capacità di recupero (recall) in ambienti reali.
Questo articolo presenta un sistema neuro-simbolico che combina il modello linguistico Gemini Deep Think con una ricerca ad albero e feedback numerico per risolvere autonomamente un problema aperto nella fisica teorica, derivando nuove soluzioni analitiche esatte per lo spettro di potenza della radiazione gravitazionale emessa dalle stringhe cosmiche.
Il paper propone "Interactive Benchmarks", un nuovo paradigma di valutazione unificato che misura l'intelligenza dei modelli attraverso processi interattivi sotto vincoli di budget, dimostrando che tale approccio offre una valutazione più robusta e fedele rispetto ai benchmark standard saturi.
Questo articolo propone il paradigma "Memoria come Ontologia" e l'architettura costituzionale Animesis per ridefinire la memoria degli agenti AI non come un semplice strumento funzionale, ma come il fondamento ontologico dell'identità digitale che garantisce la continuità del sé attraverso le transizioni dei modelli.
Il paper presenta CONE, un modello ibrido pre-addestrato che utilizza un nuovo algoritmo di embedding composito per codificare numeri, intervalli e gaussiane insieme alle loro unità e attributi, preservando le relazioni semantiche e di distanza e ottenendo risultati superiori rispetto agli stati dell'arte in compiti di ragionamento numerico su dataset diversificati.
Il paper presenta DARE, un modello di recupero distribuzionale-aware che, integrato con un nuovo agente LLM per R e un database di pacchetti curato, migliora significativamente il recupero di funzioni statistiche e la generazione di codice, colmando il divario tra l'automazione dei LLM e l'ecosistema statistico di R.
Questo articolo propone un'evoluzione della teoria della Situational Awareness di squadra per affrontare le nuove sfide poste dall'IA agenziale, distinguendo tra continuità e tensioni strutturali per definire un'agenda di ricerca che garantisca un allineamento dinamico e continuo tra umani e AI in scenari aperti e incerti.
HiMAP-Travel è un framework di pianificazione gerarchico multi-agente che risolve i problemi di pianificazione a lungo termine con vincoli rigidi, come budget e diversità, suddividendo il compito in coordinamento strategico ed esecuzione parallela dei giorni, ottenendo prestazioni superiori rispetto alle soluzioni sequenziali esistenti.
Il paper propone Mind-ParaWorld, un nuovo framework e benchmark interattivo che valuta gli agenti di ricerca in un "mondo parallelo" generato sinteticamente per superare le sfide di obsolescenza dei dati, ambiguità di attribuzione e variabilità delle fonti, rivelando come le prestazioni attuali siano limitate dalla capacità di giudicare la sufficienza delle prove e di prendere decisioni sul momento di arresto.
MOOSEnger è un agente AI specializzato che, combinando generazione basata su recupero di documenti e strumenti di parsing e validazione deterministici, trasforma le richieste in linguaggio naturale in file di input MOOSE eseguibili, raggiungendo un tasso di successo del 93% rispetto all'8% ottenuto da un modello linguistico puro.
Il paper presenta SharedLLM, un framework innovativo che estende la finestra contestuale dei modelli linguistici fino a 128K token tramite un meccanismo di "self-injection" a due livelli che comprime e recupera informazioni in modo efficiente, ottenendo prestazioni superiori con un ridotto footprint di memoria e velocità di inferenza notevolmente aumentate.