6238 artigos
Este artigo apresenta um framework de compressão para Computação de Reservatório que utiliza um mecanismo de poda baseado em sensibilidade para otimizar o equilíbrio entre precisão do modelo e eficiência de hardware em implementações FPGA, demonstrando reduções significativas no consumo de energia e recursos sem degradação perceptível da acurácia.
Este artigo oferece uma revisão abrangente sobre o design e a análise de desempenho de aceleradores de IA baseados em FPGA, explorando otimizações de hardware, comparando-os com outras soluções e identificando desafios para futuras inovações no contexto de modelos de aprendizado profundo.
O artigo apresenta o Zipage, um motor de inferência de LLM que utiliza a técnica Compressed PagedAttention para superar gargalos de memória e permitir alta concorrência em tarefas de raciocínio, alcançando mais de 2,1 vezes de aceleração com apenas 5% de perda de desempenho em relação à abordagem de KV cache completo.
Este estudo realiza uma análise sistemática da sensibilidade à quantização nos formatos FP4 (MXFP4 e NVFP4) em modelos Qwen2.5 de diferentes escalas, revelando que as camadas de projeção do MLP são as mais críticas e que a sensibilidade não se limita aos blocos finais, variando conforme o formato e a profundidade do modelo.
Este artigo propõe o modelo VI 2D SSM e sua arquitetura VI 2D Mamba, que estabelecem uma forma canônica de modelos de espaço de estado bidimensionais equivariantes à permutação para séries temporais multivariadas, eliminando dependências sequenciais desnecessárias entre variáveis e alcançando desempenho superior em diversas tarefas ao respeitar a simetria de troca inerente aos dados.
O artigo apresenta o HCAPO, um novo framework que integra atribuição de crédito retrospectiva para superar os desafios de aprendizado em tarefas de longo prazo de agentes LLM, superando métodos existentes como o GRPO em benchmarks complexos ao refinar a estimativa de valores e melhorar a eficiência exploratória.
O artigo apresenta o Turn, uma linguagem de programação compilada e baseada em atores projetada para software autônomo, que introduz garantias de nível de linguagem para segurança de tipos em inferência de LLMs, controle de fluxo baseado em confiança, isolamento de contexto, gestão segura de credenciais e absorção de esquemas em tempo de compilação, superando as limitações das abordagens atuais que tratam esses invariáveis apenas como convenções de aplicação.
Este artigo demonstra que qualquer função invariante sob um grupo agindo transitivamente em um espaço produto pode ser reduzida a uma invariância do subgrupo de isotropia agindo apenas no outro fator, permitindo assim a extensão dos Campos Neurais Equivariantes para ações grupais arbitrárias e espaços de condicionamento homogêneos, eliminando as principais restrições estruturais dos métodos existentes.
O artigo apresenta o EDMFormer, um modelo transformer que utiliza aprendizado auto-supervisionado e o novo conjunto de dados EDM-98 para superar as limitações dos métodos atuais na segmentação estrutural da música eletrônica, focando especificamente em características como energia, ritmo e timbre.
Este artigo propõe uma reavaliação das abordagens atuais para casos de segurança de IA de fronteira, identificando limitações nas metodologias existentes da comunidade de alinhamento e oferecendo um novo quadro teórico e prático, fundamentado em lições de indústrias de segurança crítica, para desenvolver argumentos de segurança mais robustos e defensáveis, com foco em riscos como alinhamento enganoso e capacidades CBRN.
Este artigo apresenta um quadro de meta-aprendizado por reforço multinível que utiliza uma curricula baseada em habilidades para comprimir hierarquicamente processos de decisão de Markov, desacoplando subtarefas e facilitando a transferência de competências entre diferentes níveis e problemas.
Este trabalho apresenta um framework que utiliza um modelo de linguagem de grande escala (LLM) para automatizar o controle e a medição de qubits supercondutores, gerando e invocando ferramentas sob demanda para realizar experimentos complexos de forma autônoma e flexível.
O artigo apresenta a TDAD, uma metodologia que trata prompts de agentes de IA como artefatos compilados, utilizando especificações comportamentais convertidas em testes executáveis e refinados iterativamente para garantir conformidade mensurável e prevenir regressões silenciosas em agentes que utilizam ferramentas.
O artigo apresenta o Scale-Plan, um framework escalável que utiliza raciocínio de modelos de linguagem (LLM) para filtrar informações irrelevantes e gerar representações de problemas compactas, permitindo um planejamento de tarefas eficiente e confiável para equipes heterogêneas de múltiplos robôs em ambientes complexos.
Este estudo demonstra que métricas de recuperação baseadas em cobertura são indicadores confiáveis do desempenho de sistemas RAG em termos de cobertura de informações, especialmente quando os objetivos de recuperação e geração estão alinhados.
O artigo apresenta o Fish Audio S2, um sistema de texto-para-fala de código aberto que oferece geração multi-falante e multi-turno com controle por instruções em linguagem natural, destacando-se por uma receita de treinamento escalável e um motor de inferência otimizado para streaming com baixa latência.
O artigo introduz o GenGNN, um framework modular de passagem de mensagens que demonstra que backbones de redes neurais gráficas (GNNs) podem substituir arquiteturas mais complexas e caras, como transformers, na geração de grafos discretos, alcançando resultados competitivos em validade e velocidade de inferência.
O artigo apresenta o MASEval, uma biblioteca independente de frameworks que preenche a lacuna de avaliação ao tratar sistemas de agentes LLM completos como unidade de análise, demonstrando que a escolha do framework impacta o desempenho tanto quanto a escolha do modelo.
O artigo apresenta o MuCTaL, um modelo de aprendizado profundo leve e generalizável treinado em quatro tipos de câncer para localizar tumores em imagens de patologia digital, demonstrando alta precisão nos dados de treinamento e capacidade de adaptação a tipos não vistos, como o adenocarcinoma pancreático.
Este artigo apresenta o Protocolo de Delegação de LLM (LDP), um protocolo nativo de IA que introduz mecanismos de identidade e confiança para melhorar a eficiência, a governança e a segurança em sistemas multiagentes, demonstrando através de uma implementação experimental reduções significativas na latência e no consumo de tokens, embora alerte que metadados de confiança sem verificação podem prejudicar a qualidade.