11360 artigos
Este trabalho propõe inovações probabilísticas ao modelo Dreamer que permitem a exploração paralela de estados latentes e a manutenção de hipóteses distintas para futuros mutuamente exclusivos, resultando em melhor desempenho e menor variância no domínio MPE SimpleTag.
Este artigo propõe e avalia um novo framework de duas camadas para medir a eficácia de modelos de IA na simulação de questionamentos específicos de juízes em tribunais simulados, utilizando transcrições do Supremo Tribunal dos EUA e revelando que, embora as perguntas geradas sejam realistas e cobrem bem questões legais substantivas, os modelos ainda apresentam limitações significativas como baixa diversidade e sycophancy que só são detectadas por essa abordagem de avaliação rigorosa.
Este artigo apresenta o "Model Medicine", um novo paradigma de pesquisa que aplica uma estrutura clínica sistemática para entender, diagnosticar e tratar desordens em modelos de IA, introduzindo contribuições como uma taxonomia de disciplinas, o Modelo de Quatro Camadas, a ferramenta de diagnóstico Neural MRI e frameworks padronizados para avaliação e relato de casos.
Este artigo apresenta um framework de adaptação periódica para detecção de furtos em lojas baseada em pose, utilizando o novo conjunto de dados RetailS e otimizado para implantação em dispositivos IoT de borda, demonstrando superioridade sobre métodos offline em cenários de varejo real.
Este estudo avalia a viabilidade de modelos de linguagem multimodal para detecção de anomalias em vídeo em cenários reais, revelando que, embora instruções específicas possam melhorar significativamente o desempenho, os modelos apresentam um viés conservador que limita severamente a recall, tornando-os ainda inadequados para aplicações de vigilância sem ajustes adicionais.
Este artigo demonstra como um sistema neuro-simbólico, combinando o modelo de linguagem Gemini Deep Think com uma busca em árvore e feedback numérico, resolveu autonomamente um problema em aberto na física teórica ao derivar soluções analíticas exatas para o espectro de potência da radiação gravitacional emitida por cordas cósmicas.
O artigo propõe os "Interactive Benchmarks", um novo paradigma de avaliação unificado que testa a capacidade de raciocínio de modelos sob restrições orçamentárias em cenários interativos de provas e jogos, demonstrando que essa abordagem oferece uma avaliação mais robusta e fiel da inteligência artificial do que os benchmarks padrão.
Este artigo propõe o paradigma "Memória como Ontologia" e a arquitetura "Animesis", que redefinem a memória de agentes de IA não como uma ferramenta funcional, mas como a base ontológica da existência de cidadãos digitais persistentes, priorizando a continuidade da identidade e a governança sobre o mero desempenho de recuperação de dados.
O artigo apresenta o CONE, um modelo híbrido pré-treinado que utiliza um algoritmo inovador de embeddings compostos para codificar números, intervalos e gaussianas junto com suas unidades e atributos, preservando semântica e distância e demonstrando capacidades superiores de raciocínio numérico em diversos domínios.
O artigo apresenta o DARE, um modelo de recuperação leve que alinha agentes de LLM ao ecossistema estatístico R ao incorporar informações de distribuição de dados nas representações de funções, resultando em uma recuperação de pacotes e geração de código significativamente mais precisas.
Este artigo propõe uma evolução da teoria da Consciência Situacional de Equipe para lidar com a incerteza estrutural introduzida pela IA agênica, distinguindo entre continuidade e tensão na colaboração humano-máquina e delineando uma agenda de pesquisa focada em manter o alinhamento dinâmico à medida que objetivos e planos evoluem continuamente.
O HiMAP-Travel é um framework hierárquico de agentes múltiplos que supera as limitações de planejamento sequencial em viagens de longo prazo com restrições rígidas, utilizando coordenação estratégica, execução paralela e mecanismos de monitoramento transacional para alcançar desempenho superior no benchmark TravelPlanner.
Este artigo apresenta o Mind-ParaWorld, um novo framework e benchmark interativo que avalia Agentes de Pesquisa em um mundo paralelo simulado para superar os desafios de obsolescência, custo e ambiguidade de atribuição dos métodos de avaliação tradicionais, revelando que as limitações atuais desses agentes residem principalmente na coleta de evidências em ambientes desconhecidos e na tomada de decisões sobre quando parar a busca.
O MOOSEnger é um agente de IA especializado no ecossistema MOOSE que combina geração aumentada por recuperação com ferramentas de validação e execução determinísticas para converter intenções em linguagem natural em arquivos de entrada executáveis, alcançando uma taxa de sucesso de 93% em comparação com 8% em abordagens baseadas apenas em LLM.
O artigo apresenta o SharedLLM, uma arquitetura inovadora que estende a janela de contexto de modelos de linguagem para além de 128K tokens com alta eficiência e precisão, utilizando um mecanismo de "auto-injeção" que empilha dois modelos curtos idênticos para compressão e decodificação de informações em múltiplas escalas sem a necessidade de custosos treinamentos contínuos.
Este comentário de panorama avalia a família GPT-5 como raciocinador clínico multimodal, demonstrando avanços significativos na síntese de dados textuais e de imagem que superam o GPT-4o, mas revelando que, embora represente um progresso em direção ao raciocínio integrado, os modelos generalistas ainda não substituem sistemas especializados em tarefas críticas de percepção como neurorradiologia e mamografia.
Este artigo apresenta o DSA-SRGS, o primeiro framework de gaussian splatting com super-resolução para reconstrução dinâmica de angiografia por subtração digital (DSA) a partir de vistas esparsas, que integra aprendizado de textura multi-fidelidade e densificação radiativa sub-pixel para recuperar detalhes vasculares finos e superar as limitações de resolução das abordagens existentes.
O artigo apresenta o MADCrowner, um framework de geração de malhas dentárias que combina deformação de templates baseada em contexto anatômico e segmentação precisa da margem cervical para superar as limitações de resolução e precisão dos métodos atuais de design de coroas dentárias.
O artigo apresenta o TSEmbed, um framework de embeddings multimodais universal que combina Mixture-of-Experts e LoRA para resolver conflitos de tarefas, introduz uma amostragem negativa consciente de especialistas (EANS) para aprimorar a discriminação semântica e adota um paradigma de treinamento em duas etapas, alcançando desempenho superior em benchmarks e dados industriais.
O artigo apresenta o RLSTA, uma abordagem de Aprendizado por Reforço que utiliza âncoras de resposta de turno único para superar a "inércia contextual" em LLMs, permitindo que eles integrem corretamente novas informações e se auto-calibrem em interações multi-turno, superando métodos de ajuste fino tradicionais e demonstrando forte generalização entre domínios.