1714 articoli
Il paper introduce NOBLE, un'architettura che accelera l'addestramento dei transformer da zero mediante rami a basso rango non lineari permanenti, ottenendo significativi miglioramenti nell'efficienza e nella velocità di convergenza con un minimo sovraccarico di parametri.
Il paper presenta COLD-Steer, un framework senza addestramento che controlla il comportamento dei grandi modelli linguistici durante l'inferenza approssimando le dinamiche di apprendimento in un solo passo tramite esempi in contesto, ottenendo un'efficacia di steering fino al 95% con 50 volte meno campioni rispetto alle migliori tecniche esistenti.
Il paper introduce BRTR, un framework agentic multimodale che supera i limiti delle attuali tecniche di recupero per l'analisi e la modifica di fogli di calcolo aziendali complessi, sostituendo il recupero in un'unica passata con un ciclo iterativo di chiamate agli strumenti e ottenendo prestazioni all'avanguardia su diversi benchmark.
Questo articolo presenta un framework di riconoscimento automatico del parlato multilingue che integra modelli pre-addestrati congelati con un meccanismo di allineamento contrastivo per fondere efficacemente le rappresentazioni audio e contestuali, migliorando significativamente la precisione della trascrizione su oltre 1.500 ore di conversazioni reali in 11 lingue e 5 dialetti inglesi.
Questo documento descrive la partecipazione del team KCLarity a SemEval-2026 Task 6, confrontando approcci encoder e zero-shot per il rilevamento dell'evasione politica e dimostrando che, sebbene le due formulazioni di modellazione offrano prestazioni simili, RoBERTa-large eccelle sul set di test pubblico mentre GPT-5.2 in modalità zero-shot generalizza meglio sul set di valutazione nascosto.
Il paper presenta EHRSQL, un nuovo benchmark pratico per il testo-SQL sui dati delle cartelle cliniche elettroniche, creato raccogliendo domande da personale ospedaliero e mappandole su database open-source come MIMIC-III ed eICU per affrontare sfide uniche come la gestione di espressioni temporali e la distinzione tra domande risolvibili e non.
Il paper dimostra che l'aggiunta di un semplice prompt che richiede di generare sia una risposta corretta che una errata (Contrastive Prompting) migliora significativamente le capacità di ragionamento degli LLM su compiti matematici, di senso comune e simbolici, superando spesso le tecniche esistenti come il Chain-of-Thought senza necessità di esempi few-shot.
Il paper propone INMS, un framework di condivisione della memoria interattiva e asincrona che supera i limiti degli agenti LLM isolati consentendo lo scambio dinamico di conoscenze e il miglioramento collettivo attraverso un pool di memoria conversazionale condivisa.
Il paper presenta EasyAnimate, un framework ad alte prestazioni per la generazione video che combina l'attenzione ibrida a finestre e la retropropagazione delle ricompense per migliorare significativamente efficienza e qualità, ottenendo risultati all'avanguardia.
Questo articolo introduce e analizza teoricamente il problema NP-completo della ricerca vettoriale con similarità e diversità (VRSD), proponendo un nuovo algoritmo euristico privo di parametri che supera le prestazioni dei metodi esistenti come MMR e k-DPP.
Questo studio dimostra che l'uso della generazione aumentata dal recupero (RAG) nel modello NotebookLM migliora significativamente l'accuratezza della stadiazione del cancro pancreatico rispetto al modello LLM sottostante, offrendo al contempo trasparenza clinica attraverso la citazione delle fonti.
Questo paper propone un framework di generazione potenziata dalla logica (LAG) che combina grafi di conoscenza semantica ed euristiche di prompt per migliorare il ragionamento analogico multimodale, dimostrando prestazioni superiori rispetto ai baselines e agli umani in compiti di rilevamento e comprensione di metafore, sebbene con limitazioni residue nelle metafore specifiche di dominio.
Questo lavoro presenta un approccio semi-automatico basato su LLM e grafi della conoscenza per valutare l'accuratezza scientifica degli articoli sul cambiamento climatico, evidenziando come, sebbene lo strumento offra indicazioni utili sulla veridicità, l'attuale insufficienza delle basi di conoscenza e la mancanza di scalabilità richiedano futuri sviluppi verso standard FAIR per supportare efficacemente il discorso civico.
Il paper presenta MiCo, un framework gerarchico basato su agenti linguistici che utilizza modelli di linguaggio di grandi dimensioni per progettare euristiche adattive, risolvendo in modo efficace ed interpretabile il complesso problema di scheduling delle macchine virtuali nel cloud computing.
Il paper introduce CausalPitfalls, un benchmark completo progettato per valutare rigorosamente le capacità di ragionamento causale statistico dei modelli linguistici di grandi dimensioni, evidenziando le loro attuali limitazioni nel superare errori comuni come la paradosso di Simpson e il bias di selezione.
Il paper presenta ShIOEnv, un ambiente Bash basato su Gymnasium che, sfruttando la sintesi vincolata alla grammatica e un segnale di irreducibilità auto-supervisionato, genera un dataset di 2,1 milioni di coppie input-output per migliorare l'accuratezza dei modelli nel prevedere il comportamento di esecuzione dei comandi rispetto alle basi di riferimento senza esecuzione.
Il paper introduce SealQA, un nuovo benchmark che valuta le capacità di ragionamento e accuratezza fattuale dei modelli linguistici potenziati dalla ricerca web, rivelando che anche i modelli più avanzati faticano a gestire risultati di ricerca conflittuali, rumorosi o contesti lunghi.
Il paper presenta LUCIFER, un middleware che implementa un "contratto di segnale" per tradurre in tempo reale aggiornamenti linguistici umani in segnali di controllo decouplati, migliorando sicurezza ed efficienza nella raccolta di informazioni in sistemi autonomi senza accoppiare la comprensione del linguaggio ai pianificatori decisionali.
Il paper introduce EDINET-Bench, un benchmark open-source giapponese basato su dieci anni di relazioni annuali per valutare le capacità di ragionamento esperto dei modelli linguistici su compiti finanziari complessi come il rilevamento delle frodi, dimostrando che gli attuali LLM faticano a superare le prestazioni di modelli statistici semplici e sottolineando la necessità di framework di valutazione più strutturati che simulino l'ambiente professionale reale.
Questo studio dimostra che il Reinforcement Fine-Tuning (RFT) preserva meglio la conoscenza preesistente rispetto al Supervised Fine-Tuning (SFT) perché i dati di addestramento generati dall'RFT sono più allineati alla distribuzione probabilistica del modello base, riducendo l'interferenza e il fenomeno dell'oblio catastrofico.