2026 articoli
Il paper presenta UniSkill, un nuovo dataset che collega i corsi universitari alle competenze professionali della tassonomia ESCO, fornendo linee guida di annotazione e dimostrando attraverso un modello BERT l'efficacia del matching tra corsi e competenze con un punteggio F1 dell'87%.
Il paper introduce APRES, un sistema basato su modelli linguistici che revisiona automaticamente i testi scientifici per migliorarne la chiarezza e l'impatto (prevedendo un aumento delle citazioni del 19,6%) senza alterarne il contenuto sostanziale, ottenendo il 79% di preferenze da parte di esperti umani.
Il paper propone un metodo di generazione aumentata da recupero (RAG) consapevole dei tipi che, costruendo una base di conoscenza strutturata e calcolando un contesto di dipendenza minimo, garantisce la traduzione affidabile di requisiti industriali in modelli di ottimizzazione eseguibili dai solver, superando i limiti delle approcci RAG convenzionali.
Questo lavoro propone MoD-DPO, un framework di ottimizzazione delle preferenze che mitiga le allucinazioni cross-modali nei modelli linguistici omni-modali introducendo regolarizzazioni specifiche per le modalità e penalità contro i pregiudizi testuali, migliorando così l'accuratezza percettiva e la robustezza del modello.
Il paper introduce BeyondSWE, un nuovo benchmark che valuta gli agenti di codice su compiti realistici e complessi oltre la semplice correzione di bug in un singolo repository, rivelando le attuali limitazioni dei modelli e l'efficacia inconsistente dell'arricchimento tramite ricerca tramite il framework SearchSWE.
Il paper introduce ACE-Brain-0, un modello fondazionale generale che unifica ragionamento spaziale, guida autonoma e manipolazione robotica sfruttando l'intelligenza spaziale come scaffold universale e il paradigma SSR per superare le sfide dell'addestramento su embodiment eterogenei, ottenendo prestazioni all'avanguardia su 24 benchmark.
Il paper presenta MOSAIC, un framework di post-addestramento che allinea i modelli linguistici agenti per un uso sicuro degli strumenti multi-step, strutturando l'inferenza in un ciclo di pianificazione, verifica e azione o rifiuto, e utilizzando l'apprendimento per rinforzo basato su preferenze per ridurre significativamente i comportamenti dannosi e le fughe di dati senza compromettere le prestazioni nei compiti benigni.
Questo studio dimostra che, sebbene il contrastive steering per i LLM sia robusto a una moderata corruzione dei dati, è vulnerabile ad alterazioni maliziose su larga scala, ma tale problema può essere efficacemente mitigato sostituendo il calcolo della media standard con un stimatore robusto della media.
Il documento presenta DGRO, un metodo che allinea i modelli linguistici alle norme delle comunità online sfruttando la densità geometrica delle risposte implicitamente accettate, eliminando così la necessità di supervisione esplicita tramite preferenze.
Questo studio dimostra che un sistema di generazione automatica di rubriche basato sulle progressioni di apprendimento può produrre feedback di qualità da parte dell'intelligenza artificiale paragonabile a quello generato da esperti umani per le spiegazioni scientifiche scritte degli studenti.
Questo articolo esamina le sfide di fattualità e i rischi di disinformazione posti dalle grandi modelli linguistici, proponendo soluzioni tecnologiche, normative e di alfabetizzazione per garantire la veridicità nell'era dell'IA generativa.
Questo articolo valuta il potenziale di ChatGPT come co-pilota nei flussi di lavoro di data science, esaminando le sue capacità nell'esplorazione dei dati, nella visualizzazione e nelle attività di modellazione supervisionata e non supervisionata, pur sottolineando la necessità di considerare attentamente i suoi limiti nell'analisi empirica.
Questa rassegna offre una panoramica completa sull'uso degli agenti basati su modelli linguistici di grandi dimensioni (LLM) nel trading finanziario, analizzandone architetture, dati, prestazioni e sfide per delineare le future direzioni di ricerca.
Il paper introduce SynthKG e Distill-SynthKG, un approccio che genera dati sintetici di alta qualità per addestrare modelli più piccoli, permettendo la costruzione scalabile di grafi della conoscenza documentali che superano i modelli più grandi e migliorano significativamente le prestazioni nel recupero e nel question answering.
Questo articolo dimostra che l'utilizzo di funzioni di attivazione basate su basi ortonormali (polinomiali, trigonometriche e tropicali), combinate con un'inizializzazione che preserva la varianza, permette di addestrare con successo modelli profondi come GPT-2 e ConvNeXt risolvendo i problemi di esplosione e svanimento dei gradienti, offrendo al contempo nuove prospettive sull'interpretazione strutturale delle reti neurali e facilitando il fine-tuning tramite approssimazione di attivazioni classiche.
Il paper presenta AStar, un metodo di ragionamento strutturato automatico e privo di addestramento che migliora le capacità di ragionamento multimodale integrando "carte di pensiero" adattive, ottenendo prestazioni superiori rispetto a GPT-4o su benchmark matematici senza i costi computazionali delle ricerche esplicite o la complessità del post-training.
Questo lavoro propone un metodo senza addestramento che migliora significativamente il rilevamento delle allucinazioni nei grandi modelli linguistici iniettando rumore nei parametri o nelle attivazioni nascoste durante il campionamento per catturare meglio l'incertezza del modello secondo una prospettiva bayesiana.
Questo paper introduce LLM-ProS, una nuova tecnica di valutazione che analizza le prestazioni di cinque modelli linguistici avanzati su 166 problemi delle finali mondiali dell'ICPC, evidenziando le loro capacità di ragionamento, accuratezza e limiti nell'affrontare compiti di programmazione competitiva.
Il paper propone un framework di adattamento robusto per i Modelli Multimodali di grandi dimensioni che migliora l'accuratezza e la generalizzazione nel rilevamento dei meme offensivi, superando le prestazioni dei sistemi supervisionati tradizionali e offrendo maggiore interpretabilità.
Il paper presenta MemeXplain, un nuovo dataset spiegabile per la rilevazione di meme propagandistici e d'odio, e propone un approccio di ottimizzazione multi-stadio che, utilizzando modelli visione-linguaggio, supera lo stato dell'arte migliorando sia la classificazione che la generazione di spiegazioni.