10810 artigos
O artigo demonstra que o pré-treinamento de tokenizadores com um objetivo de autoencoder, especialmente quando alinhado ao domínio físico específico, melhora significativamente a eficiência e a precisão dos modelos de base para física, reduzindo o erro de VRMSE em 64% em comparação com o treinamento a partir do zero.
O artigo apresenta o DreamCAD, um framework generativo multimodal que produz modelos CAD editáveis (BRep) a partir de supervisão em nível de pontos, permitindo treinamento em larga escala em milhões de malhas 3D não anotadas e introduzindo o conjunto de dados CADCap-1M para avançar na pesquisa de texto-para-CAD.
Este artigo propõe uma arquitetura de gerenciamento híbrida para a economia de serviços de IA em tempo real, demonstrando que a topologia dos grafos de dependência é determinante para a estabilidade de preços em alocação de recursos descentralizada e que encapsular subgrafos complexos reduz a volatilidade de preços em até 75% sem sacrificar o desempenho.
O artigo apresenta o RACAS, uma arquitetura agênica baseada em modelos de linguagem que permite o controle em malha fechada de robôs radicalmente diferentes (terrestres, subaquáticos e de membros articulados) utilizando apenas descrições em linguagem natural, eliminando a necessidade de reprogramação ou re-treinamento para cada nova plataforma.
O artigo propõe o método ABRA, uma abordagem de generalização de domínio que utiliza aumento de representação adversária para mitigar efeitos de lote biológico em imagens de triagem celular de alto conteúdo, estabelecendo um novo estado da arte na classificação de perturbações siRNA.
O artigo propõe o "Post Fusion Stabilizer" (PFS), um módulo leve que estabiliza as representações de visão de pássaro em detectores de fusão Câmera-LiDAR existentes, melhorando significativamente a robustez contra falhas de sensores e mudanças de domínio sem a necessidade de reestruturar a arquitetura ou reentrenar modelos completos.
O artigo apresenta o SCOUT, um método inovador para busca interativa de objetos em ambientes domésticos abertos que utiliza grafos de cena 3D e conhecimento relacional destilado de modelos de linguagem para superar as limitações de velocidade e precisão das abordagens anteriores, alcançando desempenho eficiente e generalizável tanto em simulação quanto em robôs físicos.
Este estudo demonstra que os julgamentos morais de modelos de linguagem grandes são altamente instáveis e manipuláveis, dependendo mais da estrutura narrativa, da perspectiva e do protocolo de avaliação do que da substância moral dos dilemas, o que levanta sérias preocupações sobre reprodutibilidade e equidade.
Este estudo revela que, embora o TikTok cumpra formalmente a proibição da DSA de publicidade profilada a menores, a definição restritiva de "anúncio" permite que conteúdos comerciais disfarçados (como marketing de influenciadores) contornem a regulação, resultando numa profilagem algorítmica para menores que é significativamente mais intensa do que a observada em adultos.
Este artigo propõe a Contagem Implícita de Erros (IEC), uma abordagem de aprendizado por reforço sem referência que enumera e pondera erros em vez de verificar acertos contra um gabarito, demonstrando sua superioridade em tarefas de "virtual try-on" onde múltiplas respostas válidas tornam a geração de rubricas tradicional inviável.
O artigo propõe o SecureRAG-RTL, um framework baseado em Geração Aumentada por Recuperação (RAG) e múltiplos agentes que melhora significativamente a detecção de vulnerabilidades em projetos de hardware descritos em HDL ao integrar conhecimento específico do domínio, superando as limitações dos modelos de linguagem pura e apresentando um novo conjunto de dados de benchmark para validação.
Este artigo apresenta um novo framework de inpainting longitudinal baseado em modelos de difusão que utiliza contexto temporal e atenção a regiões específicas para reparar lesões em ressonâncias magnéticas cerebrais com alta fidelidade perceptual, estabilidade temporal e eficiência computacional, superando significativamente os métodos existentes.
O artigo apresenta o Ptychi-Evolve, um quadro autônomo que utiliza modelos de linguagem grandes e mecanismos evolutivos para descobrir e evoluir automaticamente novos algoritmos de regularização para ptychografia, superando os métodos convencionais em diversas tarefas de caracterização de materiais.
O artigo introduz a suite de avaliação CoT-Control e demonstra que os modelos de raciocínio atuais possuem uma capacidade significativamente baixa de controlar seus pensamentos internos (CoT) em comparação com suas respostas finais, o que oferece uma cautela otimista sobre a viabilidade da monitorização de CoT, embora o mecanismo subjacente permaneça pouco compreendido.
O artigo alerta que a rápida adoção da IA na ciência climática, embora prometa avanços, corre o risco de ampliar a desigualdade global ao concentrar infraestrutura e dados no Norte Global, exigindo uma mudança de paradigma para uma abordagem centrada em dados, infraestrutura digital pública e co-produção de conhecimento para garantir equidade e resiliência sistêmica.
Este artigo apresenta os resultados de uma pesquisa global que analisa as atitudes e crenças sobre como a Inteligência Artificial Generativa deve representar culturas, propondo definições de cultura extraídas das próprias comunidades e recomendando abordagens participativas e um quadro de sensibilidade para lidar com limites culturais.
O artigo apresenta o LTLGuard, uma ferramenta modular que combina geração com restrições e verificação formal leve para permitir que modelos de linguagem compactos (4B–14B parâmetros) traduzam requisitos informais em especificações de LTL corretas e consistentes, superando as limitações de modelos menores em lógica temporal.
Este artigo demonstra que, ao analisar a taxa de vitória em vez da recompensa esperada, a amostragem Best-of-N (BoN) é estatisticamente ótima para alinhamento em tempo de inferência e propõe uma variante prática que elimina o "reward hacking" mantendo essa otimalidade.
Este artigo apresenta o TML-Bench, um novo benchmark para avaliar agentes de ciência de dados autônomos em tarefas de aprendizado de máquina tabular baseadas em competições do Kaggle, demonstrando que o modelo MiniMax-M2.1 obteve o melhor desempenho agregado entre os 10 modelos de linguagem de código aberto testados sob diferentes limites de tempo.
O artigo propõe o método SCORE, que resolve conflitos de subespaço entre modelos treinados em domínios distintos ao projetá-los em uma base ortogonal compartilhada, melhorando significativamente a generalização de domínio em tarefas de fusão de modelos.