5441 artigos
Este relatório apresenta o desafio ICDAR 2025 sobre Tradução de Imagem de Documento de Ponta a Ponta, que envolveu 69 equipes na tradução de textos em documentos com layouts complexos através de duas trilhas (com e sem OCR), demonstrando que abordagens com grandes modelos estabelecem um novo paradigma promissor para essa tarefa.
O artigo apresenta o FCDM, um modelo de difusão totalmente convolucional baseado no ConvNeXt que, ao utilizar apenas 50% dos FLOPs do DiT-XL/2, alcança desempenho competitivo com significativamente menos etapas de treinamento e maior eficiência, demonstrando que arquiteturas convolucionais modernas são uma alternativa viável e eficiente para a geração de imagens.
O artigo apresenta o PromptDLA, um framework inovador de Análise de Layout de Documentos que utiliza um prompter sensível ao domínio e conhecimento descritivo como pistas para integrar priores específicos de cada domínio, superando as limitações da fusão direta de datasets e alcançando desempenho state-of-the-art em múltiplos benchmarks.
Este trabalho propõe um framework que distila uma política expert Conditional Flow Matching em uma rede estudante de passo único via IMLE e uma função de perda baseada na distância de Chamfer, permitindo a geração de trajetórias multi-modais de alta frequência e precisão para controle robótico em tempo real.
Este estudo investiga como os Modelos de Linguagem de Grande Escala (LLMs) perpetuam estereótipos de gênero em registros de pacientes franceses ao analisar as interações entre o gênero e outros determinantes sociais da saúde, demonstrando que a avaliação dessas interações é essencial para complementar as abordagens existentes de detecção de viés.
Este trabalho introduz o "Open-World Motion Forecasting", um novo cenário e framework de ponta a ponta para previsão de trajetória que supera as limitações de taxonomia fixa e percepção perfeita ao aprender continuamente novas classes de objetos a partir de imagens de câmera, mitigando o esquecimento catastrófico através de pseudo-rotulagem filtrada por modelos de linguagem visual e amostragem de replay baseada em variância de características.
O artigo apresenta o CERES, um sistema de alerta precoce probabilístico, automatizado e de código aberto que gera previsões semanais de 90 dias sobre a insegurança alimentar aguda em 43 países de alto risco, integrando múltiplas fontes de dados e comprometendo-se com a verificação pública prospectiva de suas estimativas.
Este trabalho identifica uma limitação crítica em Grandes Modelos de Linguagem (LLMs), que tendem a priorizar o raciocínio moral em detrimento do senso comum, revelando um viés de foco narrativo onde a detecção de contradições de senso comum é significativamente mais difícil quando atribuída ao personagem principal em comparação com personagens secundários.
Este artigo apresenta um conjunto de dados aberto e reprodutível para avaliar a conformidade de sistemas NLP e RAG com o Regulamento de IA da UE, utilizando modelos de linguagem para gerar tarefas de classificação de risco e recuperação de artigos que superam as limitações de definição das categorias de risco e alcançam altos índices de precisão.
O artigo apresenta o OncoAgent, um agente de IA inovador que converte diretrizes clínicas textuais em contornos tridimensionais de volumes-alvo para radioterapia de forma zero-shot e sem treinamento, demonstrando desempenho superior e maior aceitação clínica em comparação a modelos supervisionados tradicionais.
Este trabalho apresenta o VMoER, uma abordagem bayesiana estruturada que confere quantificação de incerteza calibrada e escalável aos modelos de mistura de especialistas (MoE) ao aplicar inferência variacional apenas na etapa de roteamento, melhorando significativamente a estabilidade, a calibração e a detecção de dados fora da distribuição com um custo computacional marginal.
O artigo apresenta o RoadLogic, uma ferramenta de código aberto que utiliza Programação em Conjuntos de Respostas, planejamento de movimento e monitoramento baseado em especificações para transformar automaticamente definições declarativas de cenários (OpenSCENARIO) em simulações executáveis e verificadas para testes de veículos autônomos.
Este artigo investiga o colapso no mesclagem de modelos, demonstrando empiricamente que a incompatibilidade representacional entre tarefas, e não conflitos no espaço de parâmetros, é a principal causa da degradação de desempenho, e oferece uma explicação teórica baseada na teoria taxa-distorção que estabelece limites fundamentais para a mesclabilidade de tarefas.
O artigo apresenta o EvoDriveVLA, um novo framework de destilação colaborativa entre percepção e planejamento que supera as limitações de modelos Vision-Language-Action para condução autônoma ao integrar restrições perceptivas autoancoradas e otimização de trajetória guiada por oráculos, alcançando desempenho superior em avaliações de circuito aberto e fechado.
O artigo "Telogenesis" propõe e valida um sistema de atenção endógena que gera prioridades adaptativas a partir de lacunas epistêmicas (ignorância, surpresa e obsolescência), demonstrando que tais mecanismos, sem recompensas externas, superam estratégias fixas e recuperam a estrutura latente do ambiente.
O GenePlan é um novo framework que utiliza algoritmos evolutivos assistidos por modelos de linguagem de grande escala para gerar planejadores generalizados em Python, alcançando desempenho comparável aos planejadores de última geração e superando significativamente outras abordagens baseadas em LLMs em tarefas de planejamento clássico PDDL.
Este artigo propõe que a interação entre o raciocínio humano e a inteligência artificial generativa cria uma "Terceira Entidade" emergente, caracterizada pela "criação de vibe" como automação do conhecimento tácito e por uma emergência assimétrica, desafiando paradigmas epistemológicos e educacionais tradicionais.
Este artigo apresenta os Fluxos Normalizadores Condicionados Temporalmente (tcNF), uma nova estrutura para detecção de anomalias em séries temporais multivariadas que modela com precisão as dependências temporais e a incerteza ao condicionar o fluxo a observações anteriores, demonstrando robustez e precisão superiores em comparação com métodos existentes.
O artigo propõe o EvoPrompt, um novo framework que utiliza um projetor de prompts compartilhado entre modalidades e uma estratégia evolutiva de treinamento para adaptar modelos visão-linguagem a tarefas com poucos dados sem esquecer o conhecimento pré-treinado, alcançando desempenho state-of-the-art em aprendizado com poucos exemplos enquanto preserva as capacidades zero-shot originais.
O artigo apresenta o EDA, um framework eficiente em parâmetros e dados que adapta modelos de rascunho para modelos-alvo ajustados a domínios específicos, restaurando o desempenho da decodificação especulativa com custos de treinamento reduzidos através de uma arquitetura desacoplada, regeneração de dados e seleção de amostras.