1071 articoli
Il paper presenta HeartAgent, un sistema autonomo specializzato in cardiologia che migliora significativamente l'accuratezza diagnostica e la spiegabilità rispetto ai metodi esistenti e agli esperti non assistiti, fornendo diagnosi differenziali affidabili e trasparenti basate su dati clinici reali.
Il paper presenta mAceReason-Math, un dataset multilingue di oltre 10.000 problemi matematici di alta qualità tradotti in 14 lingue e ottimizzati per l'addestramento tramite Reinforcement Learning con Ricompense Verificabili (RLVR), colmando il divario attuale di risorse non inglesi adatte alle capacità dei modelli moderni.
Il paper dimostra che la robustezza dei grandi modelli linguistici rispetto alla tokenizzazione a livello di carattere è resa possibile da un meccanismo di "recupero delle parole", identificato tramite analisi meccanicistica, che ricostruisce le identità dei token canonici dai caratteri di input e si basa su un'attenzione interna critica tra i caratteri appartenenti allo stesso token.
Questo lavoro propone l'uso di Large Language Models per generare annotazioni MQM semplificate, che vengono poi impiegate per addestrare un modello COMET, ottenendo così prestazioni competitive nella valutazione della qualità della traduzione (MTQE) a livello di segmento per le coppie linguistici cinese-inglese e inglese-tedesco, pur riducendo i costi di inferenza rispetto all'uso diretto degli LLM.
Questo studio presenta una pipeline assistita da LLM che trasforma quattro protocolli di identificazione delle metafore in script di regole eseguibili e interpretabili per il cinese, dimostrando che la scelta del protocollo è il fattore dominante nella variabilità dei risultati e che tale approccio garantisce trasparenza e riproducibilità senza compromettere le prestazioni.
Il paper presenta LuxBorrow, un'analisi di 27 anni di articoli RTL in lussemburghese che, attraverso un approccio focalizzato sul prestito linguistico, rivela come il lussemburghese rimanga la lingua matrice nonostante la pervasività del multilinguismo, evidenziando un'intensità di mescolanza moderata ma crescente nel tempo e una predominanza degli adattamenti morfologici e ortografici di origine francese.
Il paper presenta il Multilingual Reasoning Gym, un'estensione procedurale che genera problemi di ragionamento verificabili in 14 lingue con validazione di madrelingua, mantenendo la scalabilità e l'utilità per l'apprendimento per rinforzo e la valutazione dei modelli multilingue.
Il paper presenta PivotAttack, un framework "inside-out" efficiente che utilizza un algoritmo Multi-Armed Bandit per identificare e perturbare strategicamente gruppi di token chiave (Pivot Sets), superando le strategie esistenti negli attacchi testuali hard-label sia in termini di successo che di efficienza delle query.
Il paper presenta EvoKernel, un framework agenziale auto-evolutivo basato su un approccio di memoria guidata dal valore che supera la scarsità di dati nella sintesi di kernel per architetture NPU, migliorando drasticamente la correttezza e le prestazioni attraverso un processo di stesura iniziale e raffinamento continuo.
Il paper propone , un modello di valore generalista che fonde adattivamente una previsione a priori con medie empiriche da rollouts sparsi tramite test statistici in tempo reale, ottenendo una stima del baseline a bassa varianza che supera significativamente GRPO e DAPO su sei benchmark di ragionamento matematico.
Il documento presenta SiDiaC-v.2.0, il più ampio corpus diacronico in lingua singalese a oggi, che copre un arco temporale dal 1800 al 1955 con 244.000 parole provenienti da 185 opere letterarie, offrendo una risorsa fondamentale per l'elaborazione del linguaggio naturale in una lingua a bassa risorsa grazie a un rigoroso processo di pulizia, normalizzazione e annotazione.
Il paper presenta un nuovo corpus bilingue (inglese/tedesco) di record bibliografici annotati con l'Integrated Authority File (GND) e una tassonomia machine-actionable, progettato per abilitare la classificazione multi-etichetta consapevole dell'ontologia e supportare catalogatori umani tramite assistenti AI trasparenti e valutabili.
Il paper introduce ARMADA, un framework efficiente di distillazione della conoscenza cross-modale che trasferisce competenze da grandi modelli visione-linguaggio (inclusi modelli black-box) a modelli linguistici puri, ottenendo miglioramenti significativi nelle prestazioni senza richiedere pre-addestramento multimodale o modifiche al modello insegnante.
GLM-OCR è un modello multimodale compatto ed efficiente da 0,9 miliardi di parametri che, combinando un encoder visivo e un decoder linguistico con un innovativo meccanismo di previsione multi-token e una pipeline a due stadi, raggiunge prestazioni all'avanguardia nell'analisi e trascrizione di documenti reali, adattandosi sia a dispositivi edge che a sistemi di produzione su larga scala.
Il paper presenta LLM2Vec-Gen, un approccio auto-supervisionato che genera embedding rappresentando le potenziali risposte di un LLM invece del solo input, ottenendo prestazioni all'avanguardia su MTEB, riducendo i contenuti dannosi e migliorando le capacità di ragionamento senza richiedere dati etichettati.
Il paper introduce TOSSS, un nuovo benchmark basato sul database CVE per valutare la capacità dei Large Language Models di selezionare frammenti di codice sicuri rispetto a quelli vulnerabili, fornendo un punteggio di sicurezza complementare alle valutazioni esistenti.
Questo studio sistematico analizza l'impatto delle fonti e dei modelli di feedback sulla pseudo-relevance feedback basata su LLM, rivelando che la scelta del modello è cruciale e che l'uso esclusivo di testo generato dall'LLM offre la soluzione più efficiente in termini di costi, mentre il feedback derivato dal corpus risulta più vantaggioso quando si utilizzano documenti candidati da un recuperatore iniziale robusto.
Questo studio sfida l'assunto che l'alto accordo tra valutatori LLM garantisca affidabilità, rivelando un'"illusione di valutazione" basata su euristiche superficiali e proponendo il framework MERG, che genera rubriche dinamiche fondate su conoscenze di dominio per ottenere valutazioni più significative e coerenti.
Il paper presenta IsalGraph, un metodo che codifica la struttura di qualsiasi grafo finito e semplice in una stringa compatta e isomorfismo-invariante tramite un alfabeto di nove istruzioni, dimostrando che la distanza di Levenshtein tra queste stringhe si correla fortemente con la distanza di modifica dei grafi (GED) e rendendole adatte a ricerche di similarità, generazione e modellazione linguistica.
Il paper presenta COMIC, un sistema AI completamente automatizzato che genera video comici brevi imitando gli sketch show, utilizzando una popolazione di agenti ispirati ai ruoli di produzione e critici LLM allineati alle preferenze del pubblico per ottimizzare la qualità e la diversità degli output.