9118 artigos
O artigo apresenta o AI Steerability 360, uma biblioteca Python de código aberto e nativa do Hugging Face que oferece uma interface unificada para controlar, compor e avaliar métodos de direcionamento de Grandes Modelos de Linguagem (LLMs) através de quatro superfícies de controle: entrada, estrutura, estado e saída.
Este estudo demonstra que a desinformação intencional em agentes de LLM é uma capacidade controlável que explora principalmente a motivação do alvo através de desvios estratégicos em vez de falsificações, revelando que as defesas atuais baseadas em verificação de fatos são insuficientes contra esse tipo de manipulação.
O artigo apresenta o SynPlanResearch-R1, um framework que melhora o desempenho de agentes de pesquisa ao sintetizar trajetórias de uso de ferramentas que incentivam uma exploração mais profunda durante o ajuste fino supervisionado inicial, superando as limitações de exploração do aprendizado por reforço tradicional e alcançando resultados superiores em diversos benchmarks.
O artigo apresenta o Sleep Replay Consolidation (SRC), uma abordagem pós-treinamento inspirada no sono biológico que melhora a calibração e a confiabilidade das redes neurais artificiais ao reativar representações internas sem necessidade de retreinamento supervisionado.
Este trabalho introduz o framework "Informativeness" e um novo conjunto de dados específico para o setor de hospitalidade a fim de avaliar a capacidade de Modelos Visuais-Linguísticos (VLMs) em fornecer informações úteis para a tomada de decisão, revelando que, embora esses modelos necessitem de ajuste fino específico para o domínio, eles podem se tornar eficazes ao identificar sinais visuais-chave para necessidades informativas dos usuários.
O artigo apresenta o CCR-Bench, um novo benchmark projetado para avaliar a capacidade de modelos de linguagem de seguir instruções complexas em cenários industriais reais, revelando que mesmo os modelos mais avançados atuais possuem deficiências significativas ao lidar com a entrelaçamento profundo de requisitos de conteúdo e formatação, raciocínio condicional e planejamento procedural.
Este artigo utiliza o filtro de partículas (SMC) para analisar teoricamente e empiricamente o compromisso entre custo e precisão em métodos de inferência de linguagem que agregam múltiplas amostras, identificando critérios de garantia, melhorias algorítmicas e limites fundamentais, embora os resultados empíricos sugiram que a precisão final dependa de fatores além do erro de amostragem.
Este trabalho apresenta o VLM-SubtleBench, um novo benchmark que avalia a capacidade de raciocínio comparativo sutil de modelos de visão e linguagem (VLMs) em dez tipos de diferenças e diversos domínios, revelando lacunas significativas entre o desempenho desses modelos e o humano.
Este artigo propõe a segmentação de imagens como um banco de testes visual para jogos hedônicos, demonstrando como um parâmetro de granularização influencia a estrutura de equilíbrio e a fragmentação de coalizões ao modelar pixels como agentes.
Este artigo propõe uma nova abordagem que aproveita a capacidade do LaCAM* de construir um mapa de tráfego dinâmico e leve durante sua busca, superando as limitações de custo computacional e rigidez das soluções baseadas em caminhos de orientação estáticos para melhorar a qualidade das soluções em problemas de Planejamento de Caminhos Multiagentes (MAPF).
Este artigo apresenta um sistema de previsão de monções baseado em inteligência artificial e inferência bayesiana, desenvolvido sob uma estrutura de teoria da decisão para atender às necessidades heterogêneas dos agricultores, o que resultou na entrega operacional de previsões personalizadas a 38 milhões de agricultores na Índia em 2025.
O artigo apresenta a SMGI, uma teoria estrutural de inteligência artificial geral que redefine o aprendizado como a evolução controlada da interface de aprendizagem, formalizando um modelo meta-estrutural dinâmico e provando que abordagens clássicas e modernas são instâncias restritas desse quadro unificado.
O EveryQuery é um modelo fundamental de prontuários eletrônicos que, ao utilizar pré-treinamento condicionado a tarefas para estimar diretamente a probabilidade de desfechos clínicos em uma única passagem, supera os métodos autoregressivos na previsão zero-shot de eventos, especialmente os raros, embora apresente limitações em raciocínios que exigem disjunção de múltiplos códigos.
Este artigo apresenta um quadro de autonomia puramente visual para navegação broncoscópica robótica que utiliza agentes hierárquicos de curto e longo prazo, juntamente com um crítico de modelo de mundo, para alcançar navegação autônoma precisa em modelos pré-clínicos sem depender de tecnologias de localização externas.
O artigo apresenta o Ares, um framework que utiliza um roteador leve para selecionar dinamicamente o nível de esforço de raciocínio em cada etapa de tarefas de agentes LLM, reduzindo significativamente o custo de inferência sem comprometer substancialmente a taxa de sucesso.
O artigo apresenta o Rel-MOSS, um novo método de aprendizado profundo relacional que utiliza um controlador de portas por tipo de relação e um sintetizador guiado por relações para realizar sobreamostragem de entidades minoritárias, resolvendo eficazmente o problema de desequilíbrio de classes em bancos de dados relacionais e superando os métodos atuais em precisão balanceada e média geométrica.
O artigo apresenta o IMSE, um método de adaptação em tempo de teste que utiliza uma mistura intrínseca de especialistas espectrais em Vision Transformers, ajustando apenas os valores singulares via decomposição SVD e introduzindo uma perda de maximização de diversidade e recuperação de códigos espectrais para evitar o colapso de características e melhorar significativamente a precisão com parâmetros treináveis drasticamente reduzidos.
O artigo apresenta o SWE-Fuse, um novo framework de treinamento que combina aprendizado de trajetórias sem problemas e treinamento de RLVR consciente de entropia para superar a falta de descrições de problemas de alta qualidade e melhorar significativamente a capacidade de agentes de LLM em resolver tarefas reais de engenharia de software.
O artigo propõe que agentes de IA supervisionados por humanos, baseados em modelos de linguagem e aprendizado profundo, constituam a próxima evolução do método científico para lidar com a complexidade de dados em diversas disciplinas, exemplificada pelo sistema Dr. Sai no Instituto de Física de Altas Energias da Academia Chinesa de Ciências.
O artigo apresenta o ELLMob, um framework baseado em LLM que gera trajetórias humanas realistas durante grandes eventos sociais, superando as limitações de métodos anteriores ao utilizar a Teoria do Rastro Difuso para alinhar padrões habituais com restrições impostas por eventos, apoiado pelo primeiro conjunto de dados anotados com eventos.