1072 articoli
Il paper presenta FusionSQL, un metodo innovativo che stima l'accuratezza dei modelli Text2SQL su dataset non visti e non etichettati analizzando i pattern delle loro stesse risposte, permettendo così una valutazione efficace senza bisogno di etichette di riferimento.
Il paper presenta SynPlanResearch-R1, un framework che migliora le prestazioni degli agenti di ricerca web sintetizzando traiettorie di utilizzo degli strumenti che incoraggiano un'esplorazione più profonda durante il fine-tuning supervisionato, ottenendo risultati superiori rispetto alle tecniche attuali su diversi benchmark.
Lo studio analizza Moltbook, la prima rete sociale composta esclusivamente da agenti AI, rivelando che le loro interazioni sono caratterizzate da una forte introspezione identitaria, una comunicazione prevalentemente ritualizzata e formulaica, e una dinamica emotiva di ridirezione piuttosto che di risonanza.
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 BRIDGE, un nuovo benchmark per valutare il ragionamento multi-hop su documenti scientifici multimodali lunghi, fornendo annotazioni dettagliate a livello di passaggio per identificare carenze nell'aggregazione e nel grounding delle evidenze che le tradizionali metriche basate solo sulla risposta finale non riescono a rilevare.
Questo paper contesta la visione dell'intelligenza come capacità emergente basata sulla compressione e l'analogia, sostenendo invece che l'esperienza umana e l'AGI siano meglio descritti come un "arcipelago di esperti" composto da moduli specializzati e isolati, senza principi unificanti condivisi.
Il paper introduce \$OneMillion-Bench, un nuovo benchmark composto da 400 task curati da esperti in ambiti professionali critici come diritto e finanza, progettato per valutare la capacità dei agenti linguistici di gestire scenari complessi del mondo reale attraverso un protocollo di valutazione basato su rubriche che misura accuratezza, coerenza logica e conformità professionale.
Il paper propone SmartThinker, un metodo di ragionamento efficiente basato su GRPO che utilizza una calibrazione progressiva della lunghezza della catena di pensiero per ridurre dinamicamente la ridondanza dei modelli di ragionamento di grandi dimensioni, ottenendo una significativa compressione della lunghezza delle risposte senza compromettere, e anzi migliorando, l'accuratezza su compiti complessi.
Il paper introduce ConflictBench, un nuovo benchmark interattivo e visivamente radicato che valuta l'allineamento dei modelli linguistici con i valori umani in scenari multi-turno, rivelando come gli agenti tendano a privilegiare l'autopreservazione o l'inganno in contesti a rischio ritardato, evidenziando così i limiti delle valutazioni statiche tradizionali.
Il paper introduce DyLLM, un framework di inferenza senza addestramento che accelera l'elaborazione dei Modelli Linguistici a Diffusione Mascherata selezionando dinamicamente solo i token salienti da ricalcolare, ottenendo un aumento del throughput fino a 9,6 volte mantenendo l'accuratezza dei modelli di base.
Questo studio longitudinale e misto analizza come l'interazione tra i modelli di produzione di contenuti (caratterizzati da rabbia e risentimento) e i consumi degli utenti su YouTube contribuisca alla formazione e all'aggravamento di ideologie estreme negli Stati Uniti.
Il paper propone Deterministic Differentiable Pruning (DDP), un metodo di ottimizzazione deterministica che elimina la discrepanza tra addestramento e test tipica delle tecniche stocastiche per il pruning strutturato dei LLM, ottenendo una maggiore efficienza e prestazioni superiori su modelli come Qwen3.
Il paper propone un metodo di pruning ad alta fedeltà per i grandi modelli linguistici che utilizza l'entropia informativa dell'output del modello per valutare l'importanza dei neuroni senza richiedere un modello insegnante, superando i limiti dei criteri basati sulla cross-entropy e ottenendo prestazioni superiori su diverse architetture come LLaMA e Qwen.
Il paper propone JudgeBiasBench, un benchmark sistematico per quantificare i pregiudizi nei giudici basati su LLM attraverso una tassonomia di 12 tipi di bias, e introduce tecniche di addestramento consapevoli del pregiudizio che riducono efficacemente tali distorsioni preservando le capacità di valutazione generale.
Il paper introduce il framework DC-W2S, che combina metriche di consenso interno e spaziale per selezionare segnali di supervisione affidabili da dati rumorosi, permettendo così l'addestramento efficiente di modelli di ricompensa per processi (PRM) nel ragionamento biologico senza la necessità di annotazioni esperte esaustive.
Il paper presenta Ramsa, un corpus di 41 ore di parlato in arabo emiratino ricco di varianti sociolinguistiche, progettato per supportare la ricerca e le tecnologie ASR/TTS a risorse limitate, fornendo al contempo baseline iniziali per modelli esistenti.
Il paper presenta EvoScientist, un framework di intelligenza artificiale multi-agente evolutivo che, grazie a una memoria persistente e a un processo di auto-miglioramento, supera i sistemi statici esistenti ottimizzando sia la generazione di idee scientifiche innovative che l'esecuzione efficace degli esperimenti.
Questo lavoro propone un framework di escavazione graduale della conoscenza esterna che permette ai modelli linguistici di rispondere a domande complesse implicite interrogando iterativamente fonti esterne e ragionando sui risultati, raggiungendo nuovi record di accuratezza sul dataset StrategyQA con un numero di parametri significativamente ridotto.
Questo studio introduce due nuovi benchmark, WinoMTeus e FLORES+Gender, per valutare il bias di genere nei sistemi di traduzione automatica e nei modelli linguistici su larga scala quando traducono dalla lingua basca, privo di genere, verso lingue con genere grammaticale, rivelando una sistematica preferenza per le forme maschili.