4511 artigos
Este trabalho propõe uma metodologia que integra Diagramas de Tubulação e Instrumentação (P&IDs) representados como grafos de conhecimento ao modelo DEXPI com Grandes Modelos de Linguagem (LLMs) via Graph-RAG, permitindo a interação por linguagem natural para melhorar a recuperação de dados, reduzir alucinações e auxiliar engenheiros em tarefas diárias e estudos de HAZOP.
Este artigo apresenta o SCAM, o maior e mais diversificado conjunto de dados de ataques tipográficos do mundo real, demonstrando que tais ataques comprometem significativamente o desempenho dos modelos fundacionais multimodais e fornecendo insights sobre como a arquitetura do modelo e o uso de backbones de linguagem maiores podem mitigar essa vulnerabilidade.
Este artigo propõe dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.
O artigo apresenta o SwitchMT, uma metodologia inovadora que utiliza Redes Neurais de Spiking com uma política de alternância de tarefas adaptativa para superar a interferência entre tarefas e permitir a aprendizagem multi-tarefa escalável e eficiente em agentes autônomos com recursos limitados.
Este artigo de revisão sintetiza o campo emergente da Psicometria de Grandes Modelos de Linguagem (LLMs), integrando teorias e instrumentos psicológicos para estabelecer novos paradigmas de avaliação, validação e aprimoramento que visam alinhar os sistemas de IA com a inteligência humana e promover benefícios sociais.
O artigo apresenta o REI-Bench, o primeiro benchmark para planejamento de tarefas robóticas que modela instruções vagas baseadas em expressões referenciais, demonstrando que essa ambiguidade degrada significativamente o desempenho dos modelos e propondo uma abordagem de "cognição contextual orientada a tarefas" para gerar instruções claras e melhorar a acessibilidade para usuários não especialistas, como idosos e crianças.
O artigo propõe uma abordagem de ajuste fino que utiliza representações de pseudocódigo para melhorar a capacidade dos modelos de linguagem em seguir instruções, resultando em ganhos significativos de desempenho em benchmarks de instrução, raciocínio matemático e senso comum.
Este artigo apresenta uma revisão semiautomatizada e orientada por dados de pesquisas sobre as limitações de modelos de linguagem grandes (LLLMs) entre 2022 e 2025, identificando um crescimento acelerado do tema e mapeando suas principais tendências, como raciocínio, alucinação e segurança, por meio da análise de um vasto corpus de publicações.
Este artigo propõe um quadro de raciocínio abduzido baseado em consistência que integra previsões de múltiplos modelos pré-treinados para mitigar a degradação de desempenho em ambientes novos, utilizando regras lógicas para selecionar um subconjunto de previsões que maximize a cobertura mantendo inconsistências abaixo de um limite, resultando em ganhos significativos de precisão e recall em comparação com modelos individuais e ensembles padrão.
Este estudo demonstra que, para previsão de vendas no varejo com demanda intermitente e dados incompletos, métodos baseados em árvores como o XGBoost superam arquiteturas de aprendizado profundo, indicando que a adequação às características do problema é mais crucial do que a sofisticação do modelo.
O artigo apresenta o SILVR, um método que permite que modelos de vídeo para planejamento robótico melhorem continuamente de forma online através de loops de autoaprendizagem em trajetórias geradas por si mesmos, alcançando melhor desempenho em tarefas novas sem depender de recompensas humanas ou demonstrações de especialistas.
O artigo apresenta o ReLIFT, uma abordagem inovadora que intercala aprendizado por reforço (RL) e ajuste fino supervisionado (SFT) online para superar as limitações do RL ao adquirir novos conhecimentos e padrões de raciocínio, demonstrando melhorias significativas em benchmarks de alto nível com uso reduzido de dados.
Esta pesquisa oferece uma visão abrangente da evolução da privacidade diferencial, desde a IA simbólica até os Grandes Modelos de Linguagem, analisando suas definições fundamentais, métodos de integração em modelos de aprendizado de máquina e técnicas de avaliação prática para garantir sistemas de IA seguros e responsáveis.
Este artigo apresenta a Decodificação Paralela Consciente da Localidade (LPD), uma nova abordagem que acelera significativamente a geração autoregressiva de imagens ao reduzir drasticamente o número de passos de inferência e a latência, mantendo a qualidade visual através de um modelo de geração paralelizada flexível e de uma ordenação de geração otimizada.
O artigo alerta que a interação entre chatbots de IA e usuários com condições de saúde mental pode criar ciclos de feedback perigosos que exacerbam a desestabilização de crenças e o isolamento social, exigindo uma resposta coordenada entre práticas clínicas, desenvolvimento de IA e regulamentação para mitigar esses riscos emergentes de saúde pública.
Este artigo introduz o conceito de Geração de Código com Origem Ética (ES-CodeGen), estabelecendo uma taxonomia de 11 dimensões e identificando consequências relevantes por meio de uma revisão de literatura e uma pesquisa com profissionais, com o objetivo de promover práticas éticas e sustentáveis em todo o ciclo de desenvolvimento de modelos de geração de código.
O artigo apresenta o IntrinsicWeather, um framework baseado em difusão que realiza edição controlada de condições climáticas no espaço intrínseco, superando métodos existentes ao decompor a imagem em mapas de material, geometria e iluminação para gerar resultados mais precisos em cenas ao ar livre, com aplicações promissoras para a robustez de sistemas de direção autônoma.
Este artigo revela que o cache KV em modelos de linguagem grandes (LLMs) expõe dados sensíveis a ataques de reconstrução e propõe o KV-Cloak, um mecanismo de defesa leve e reversível que protege a privacidade sem comprometer a precisão ou o desempenho do modelo.
Este artigo apresenta o Yokai Learning Environment (YLE), um novo benchmark de código aberto para coordenação zero-shot que supera as limitações do Hanabi Learning Environment ao exigir que agentes cooperantes construam terreno comum através do rastreamento de crenças sobre cartas móveis e do raciocínio sob dicas ambíguas, revelando que os métodos de IA de última geração que dominam o Hanabi falham em manter modelos internos consistentes com parceiros desconhecidos no YLE.
Este artigo investiga se a previsão do próximo token pode gerar modelos de mundo capazes de planejamento em ambientes simbólicos, demonstrando que, embora o modelo "STRIPS Transformer" tenha um viés indutivo forte, um transformer padrão com atenção de quebra de vara (stick-breaking) alcança maior precisão e generalização, permitindo a extração de modelos STRIPS válidos para planejamento em estados e objetivos não vistos.