1072 articoli
Il paper presenta RexDrug, un framework basato su modelli linguistici di grandi dimensioni potenziati dal ragionamento che, attraverso una strategia di addestramento a due stadi con agenti multipli e apprendimento per rinforzo, supera gli attuali limiti nell'estrazione automatica di combinazioni di farmaci n-ari dalla letteratura biomedica.
Lo studio dimostra che il ragionamento in uno spazio latente continuo supera il Chain-of-Thought esplicito, specialmente per le lingue a risorse limitate e in contesti zero-shot, offrendo al contempo una compressione dei passaggi di ragionamento fino a 50 volte più efficiente grazie alla maggiore invarianza linguistica delle rappresentazioni latenti.
Il documento presenta TildeOpen LLM, un modello fondazionale open-weight da 30 miliardi di parametri ottimizzato per 34 lingue europee attraverso tecniche di apprendimento curricolare e bilanciamento dei dati, che dimostra prestazioni superiori rispetto ai modelli esistenti, in particolare per le lingue baltiche, finoro-ugriche e slave, con una significativa riduzione degli errori linguistici.
Il paper presenta CoPaLink, un approccio automatizzato che migliora la riproducibilità dei flussi di lavoro bioinformatici collegando le menzioni degli strumenti nei testi scientifici alle loro implementazioni nel codice eseguibile.
Il paper sostiene che le attuali valutazioni degli attacchi di ricostruzione contro le tecniche di rimozione dei dati personali (PII) siano inaffidabili a causa di perdite e contaminazioni dei dati, e che la necessità di accedere a dati privati per una valutazione oggettiva impedisca alla comunità di ricerca di affrontare il problema in modo trasparente e riproducibile.
Il paper presenta DualTurn, un modello preaddestrato su audio conversazionale a doppio canale che genera autonomamente le future interazioni vocali per imparare dinamiche naturali di turno e prevedere azioni di agente con prestazioni superiori rispetto agli approcci esistenti.
Questo studio introduce la Matrice di Transfer Cross-Lingual (CLTM), un metodo sistematico per quantificare le interazioni cross-linguistiche in compiti paralinguistici come l'identificazione del genere e la verifica del parlante, rivelando attraverso l'uso di un encoder multilingue basato su HuBERT che l'efficacia del transfer dipende in modo sistematico sia dal compito specifico che dalle lingue coinvolte.
Il documento presenta Fibration Policy Optimization (FiberPO), un quadro teorico unificato che combina un nuovo obiettivo di censura delle policy (APC-Obj) e una struttura algebrica a fascio (FBG) per ottimizzare i modelli linguistici su più scale gerarchiche, garantendo stabilità e maggiore efficienza nei token attraverso un controllo dei trust region composito.
Questo studio dimostra che la sensibilità delle spiegazioni dei modelli Transformer alla casualità del training è statisticamente significativa e varia in base al contesto sintattico, alle classi e ai compiti, risultando rispettivamente minima, media e massima.
Il paper propone un framework di riconoscimento del parlato audiovisivo (AVSR) per scenari privi di risorse, che utilizza stream visivi sintetici generati tramite sincronizzazione labiale su immagini statiche per addestrare modelli su lingue come il catalano, ottenendo prestazioni vicine allo stato dell'arte e superiori ai baselines audio-only.
Il paper presenta CoFiCot, un framework adattivo che ottimizza l'uso delle risorse computazionali durante l'inferenza dei LLM classificando dinamicamente la difficoltà delle query per applicare strategie di raffinamento differenziate e stateful, risolvendo così il paradosso dell'allocazione uniforme delle risorse.
Questo paper presenta il sistema NCL-UoR per SemEval-2026 Task 5, dimostrando che un approccio di prompting strutturato con regole decisionali esplicite supera i metodi basati su embedding e sul fine-tuning nel valutare la plausibilità dei sensi delle parole.
Questo studio su larga scala, condotto su 172 miliardi di token con il metodo RIKER, rivela che i modelli linguistici mostrano tassi di allucinazione non trascurabili che aumentano drasticamente con la lunghezza del contesto, mentre la scelta del modello è il fattore dominante rispetto a temperatura, dimensioni o piattaforma hardware.
Il paper propone AdaCultureSafe, un nuovo framework e dataset che integra conoscenze culturali specifiche per migliorare la sicurezza culturale dei modelli linguistici, rivelando che la sicurezza non deriva automaticamente dalla conoscenza e presentando un metodo per fondere attivamente i due aspetti nella generazione delle risposte.
Questo studio valuta l'efficacia delle revisioni di proposte di sovvenzione basate su LLM attraverso perturbazioni strutturate, rivelando che l'approccio sezione per sezione supera le alternative ma che i sistemi attuali mostrano variabilità e priorità di valutazione disallineate, risultando più adatti al controllo di conformità che alla valutazione olistica.
Il paper presenta SBARThez, un nuovo framework che combina embedding di frasi multimodali e multilingue con un meccanismo di iniezione di entità nominate in un modello BART modificato per produrre riassunti astrattivi più concisi, fedeli ai fatti e capaci di gestire input testuali o vocali anche per lingue a risorse limitate.
Questo articolo presenta LAMUS, un corpus su larga scala per l'estrazione di argomenti legali dal diritto statunitense, costruito mediante un processo ibrido che combina annotazione automatica con modelli linguistici di grandi dimensioni e raffinamento umano, fornendo così una risorsa scalabile e di alta qualità per la ricerca nel NLP legale.
Questo lavoro propone un quadro di post-addestramento unificato che estende i modelli di base del parlato per generare simultaneamente molteplici rappresentazioni a livello di enunciato, come quelle semantiche e del parlante, migliorando così le prestazioni in compiti di recupero multilingue e riconoscimento vocale.
Il paper introduce SlowBA, un attacco backdoor innovativo che compromette l'efficienza degli agenti GUI basati su modelli visione-linguaggio inducendo latenze eccessive attraverso catene di ragionamento innescate da finestre pop-up realistiche, pur mantenendo inalterata l'accuratezza delle azioni.
Il paper introduce SPD-RAG, un framework gerarchico multi-agente che migliora la qualità e la scalabilità della risposta a domande complesse su documenti multipli delegando l'elaborazione a agenti dedicati per documento e sintetizzando i risultati tramite un coordinatore, ottenendo prestazioni superiori rispetto ai metodi RAG tradizionali con costi API ridotti.