2026 articoli
Il paper presenta SpiroLLM, il primo modello linguistico multimodale in grado di analizzare le serie temporali degli spirogrammi per generare rapporti diagnostici interpretabili e clinicamente validati per la BPCO, superando le limitazioni dei modelli attuali grazie all'integrazione di segnali fisiologici e dati testuali.
Il paper propone MultiRole-R1, un framework di addestramento che migliora il ragionamento su domande soggettive e persino su compiti matematici avanzati introducendo la diversità di prospettive e di token come segnale di ricompensa, superando i limiti dei modelli attuali ottimizzati solo con reward verificabili.
Questo lavoro sfida la convinzione che l'apprendimento mnemonico ostacoli la generalizzazione, dimostrando che i grandi modelli linguistici possono reinterpretare dati memorizzati meccanicamente attraverso un processo di "memorizza-poi-generalizza", aprendo nuove prospettive sia per l'iniezione efficiente di conoscenze che per i relativi rischi di sicurezza.
Il paper presenta DeepSieve, un framework RAG basato su agenti che utilizza un LLM come router della conoscenza per scomporre query complesse, filtrare le informazioni irrilevanti e migliorare la precisione e la profondità del ragionamento rispetto ai metodi tradizionali.
Il paper presenta Uni-CoT, un framework unificato che combina pianificazione macro e esecuzione micro per abilitare un ragionamento multimodale coerente tra testo e immagini, ottenendo prestazioni all'avanguardia con un addestramento efficiente su 8 GPU.
Lo studio dimostra che per i modelli linguistici Mixture-of-Experts, l'ottimizzazione delle capacità di ragionamento richiede un bilanciamento congiunto tra i FLOPs attivi e il rapporto tra token totali e parametri, superando le tradizionali leggi di scalabilità basate solo sulla perdita di pre-addestramento.
Il paper propone EigenBench, un metodo di benchmarking "black-box" che valuta l'allineamento ai valori dei modelli linguistici aggregando i loro giudizi reciproci tramite EigenTrust, ottenendo risultati coerenti con le valutazioni umane e senza richiedere etichette di verità fondamentale.
Il paper propone GACD, un metodo di decodifica basato sull'inferenza che utilizza gradienti di primo ordine per stimare e mitigare i bias testuali e visivi, riducendo così le allucinazioni nei modelli linguistici multimodali senza necessità di riaddestramento.
Il paper propone DQO, un nuovo metodo di addestramento basato sui processi puntuali determinantal (DPP) che ottimizza congiuntamente la qualità e la diversità semantica delle risposte dei grandi modelli linguistici, risolvendo il problema della ridotta varietà delle output tipico dell'apprendimento per rinforzo.
Il paper presenta BinaryShield, il primo sistema di intelligence sulle minacce che preserva la privacy, permettendo la condivisione sicura di impronte digitali degli attacchi tra servizi LLM separati da confini normativi tramite una pipeline innovativa che combina redazione PII, embedding semantico, quantizzazione binaria e risposta randomizzata, ottenendo prestazioni superiori rispetto alle soluzioni esistenti.
Il paper introduce SVDecode, un metodo di decoding leggero e teoricamente fondato che allinea la distribuzione di output dei grandi modelli linguistici a quella del compito tramite un vettore di guida estratto dai gradienti di divergenza KL, migliorando le prestazioni di adattamento senza richiedere parametri aggiuntivi oltre agli adattatori PEFT.
Questo studio su larga scala dimostra che l'uso dei grandi modelli linguistici come generatori di codice supera le strategie di prompting tradizionali per l'inferenza su grafi, offrendo prestazioni superiori su dati complessi e sfatando il mito del loro fallimento in grafi eterofili, mentre la loro capacità di adattamento flessibile tra struttura, attributi e etichette fornisce linee guida fondamentali per futuri approcci.
Il paper presenta PMark, un nuovo metodo di filigrana semantica per i grandi modelli linguistici che, grazie a un framework teorico basato su funzioni proxy e vincoli multipli, garantisce robustezza contro le parafrasi e assenza di distorsioni rispetto ai testi originali.
Il paper introduce GTO (Group Tree Optimization), un nuovo metodo di addestramento che allinea la politica di un modello di bozza alla sua decodifica ad albero tramite una ricompensa basata sull'albero e un addestramento di gruppo, migliorando significativamente la lunghezza di accettazione e la velocità di inferenza rispetto agli approcci esistenti.
Il paper propone T2PAM e il suo algoritmo leggero ROSA, che sfruttano il feedback utente in tempo reale per aggiornare efficientemente i parametri di un LLM durante la conversazione, migliorando le prestazioni nelle interazioni multi-turno senza costose ottimizzazioni iterative.
Questo lavoro propone un approccio innovativo che consente di condurre molteplici esperimenti di preaddestramento in un'unica esecuzione, riducendo drasticamente i costi computazionali e permettendo di replicare risultati precedenti e esplorare nuove aree di ricerca con impatti minimi sulle prestazioni del modello.
Il paper introduce e analizza il concetto matematico originale di "insiemi di livello dinamici", derivato implicitamente dal lavoro del 2012 sulla computazione non calcolabile di Turing, spiegando come il principio di auto-modificabilità, che riconfigura un insieme logico invariante tramite un processo fisico non calcolabile ad ogni passo, permetta di superare i limiti classici della computazione probabilistica.
Il paper presenta FeynTune, una serie di 20 modelli linguistici specializzati per la fisica teorica delle alte energie, ottenuti tramite l'adattamento fine di Llama-3.1 su abstract di arXiv, che superano il modello base e i principali LLM commerciali nel completamento di testi di fisica teorica.
Questo studio presenta un benchmark sperimentale che rivela come le strategie di filtraggio dei dati, sebbene efficaci nel ridurre i contenuti dannosi per la sicurezza dei modelli linguistici, abbiano l'effetto collaterale di aumentare la sottorappresentazione dei gruppi vulnerabili alla discriminazione nei dataset di addestramento.
Nonostante ChatGPT offra un miglioramento temporaneo delle prestazioni creative, la sua assenza comporta un rapido ritorno ai livelli di base e, più preoccupante, genera una persistente omogeneizzazione dei contenuti che limita la creatività umana a lungo termine.