11489 artigos
Este artigo apresenta o OPENDEV, um agente de codificação de linha de comando de código aberto que utiliza uma arquitetura composta com roteamento de modelos especializado, separação de planejamento e execução, e gerenciamento adaptativo de contexto para fornecer assistência autônoma segura e eficiente no terminal.
Este artigo propõe o "Ailed", um motor de xadrez que introduz variabilidade comportamental ao decompor a personalidade e a psique em um sistema de processamento de sinal dinâmico que modula as probabilidades de movimento com base no estresse e na confiança, simulando padrões humanos como erros sob pressão e excesso de confiança sem depender de validação com sujeitos humanos.
O artigo apresenta o PACE, um sistema de co-piloto adaptativo desenvolvido em parceria com o MNDEC que otimiza o treinamento de operadores de 9-1-1 ao personalizar currículos com base em modelos probabilísticos de habilidades e dinâmicas de aprendizado, resultando em uma redução significativa no tempo para competência e em maior domínio final das habilidades.
Este artigo apresenta o TS-BOSS, uma extensão do algoritmo BOSS para séries temporais que utiliza busca baseada em permutações e árvores de crescimento-encolhimento para aprender estruturas causais de forma escalável e com alto desempenho, especialmente em regimes de alta autocorrelação.
O artigo traça a evolução da pesquisa em Inteligência Artificial e Direito no que tange à interpretação jurídica, passando da engenharia de conhecimento em sistemas especialistas e da representação de argumentos dialéticos até a geração automatizada de sugestões interpretativas por meio de modelos de linguagem.
O artigo apresenta o "Judge Reliability Harness", uma biblioteca de código aberto para avaliar a confiabilidade de juízes baseados em LLMs, demonstrando através de testes de estresse que os modelos atuais exibem variações significativas de desempenho e inconsistências diante de perturbações simples, como mudanças de formatação ou parafraseamento.
Este estudo demonstra que modelos de IA grandes detectam representações injetadas por meio de dois mecanismos distintos: inferência baseada em anomalias no prompt e acesso direto a estados internos, sendo este último agnóstico ao conteúdo e consistente com teorias filosóficas e psicológicas sobre introspecção.
Este estudo apresenta um pipeline computacional que utiliza sinais de eletromiografia (EMG) e algoritmos de aprendizado de máquina para prever com alta precisão a intenção motora e a localização de alvos espaciais antes do início do movimento, demonstrando o potencial dessa abordagem para melhorar a responsividade e a reabilitação ativa em sistemas assistivos.
O artigo apresenta o MobileFetalCLIP, um modelo de aprendizado profundo leve que utiliza uma técnica inovadora de destilação de conhecimento repulsiva seletiva para superar as limitações de capacidade de modelos maiores, permitindo a análise em tempo real de ultrassons fetais em dispositivos móveis com desempenho superior ao do modelo professor.
O artigo apresenta o RelaxFlow, um framework sem treinamento que resolve a ambiguidade semântica na geração 3D a partir de imagens sob oclusão ao utilizar prompts de texto para completar regiões invisíveis, preservando rigidamente a observação original enquanto aplica um controle estrutural relaxado para alinhar a geometria gerada com a intenção do prompt.
Este trabalho apresenta um framework unificado para combinar múltiplos modelos de linguagem em distribuições de ensemble através de uma função arbitrária, utilizando um algoritmo de Monte Carlo Sequencial em nível de byte para amostragem consistente e eficaz, superando as limitações das técnicas de agregação tradicionais.
O artigo apresenta o SAIL, um método de aprendizado para legendagem densa de vídeos fraca-supervisionada que supera as limitações de abordagens anteriores ao utilizar alinhamento cross-modal para criar máscaras semanticamente conscientes e uma estratégia de aumento baseada em LLM para gerar legendas sintéticas, alcançando desempenho state-of-the-art nas métricas de legendagem e localização temporal.
O artigo apresenta o CompACT, um tokenizador discreto compacto que comprime observações em apenas 8 tokens, permitindo que modelos de mundo realizem planejamento de decisão em tempo real com custo computacional drasticamente reduzido e desempenho competitivo.
Este artigo propõe um controlador híbrido que combina Model Predictive Control (MPC) com uma política residual aprendida via Reinforcement Learning para melhorar a robustez e a precisão no empurramento de células microrrobóticas sob fluxo microfluídico variável no tempo, demonstrando superioridade sobre métodos tradicionais e capacidade de generalização para trajetórias não vistas.
O artigo apresenta o RealWonder, o primeiro sistema em tempo real que gera vídeos condicionados a ações físicas a partir de uma única imagem, utilizando simulação física como ponte intermediária para permitir a interação com objetos rígidos, corpos deformáveis, fluidos e materiais granulares em aplicações como AR/VR e aprendizado robótico.
Este artigo apresenta o quebra-cabeça de informação parcial distribuída (DPIP) e um conjunto de dados multimodais correspondente para avaliar a construção de terreno comum sob assimetria epistêmica, demonstrando que os modelos de linguagem atuais têm dificuldades em rastrear tanto o progresso da tarefa quanto os estados de crença em comparação com abordagens baseadas em lógica epistêmica dinâmica.
Este artigo propõe e avalia a verificação de fatos sem recuperação de dados externos, introduzindo o método INTRA que explora representações internas do modelo para superar abordagens baseadas em logits e alcançar desempenho superior em cenários de generalização complexos.
O artigo apresenta o SurvHTE-Bench, o primeiro benchmark abrangente para a estimativa de efeitos heterogêneos de tratamento em dados de sobrevivência censurados, oferecendo um conjunto diversificado de dados sintéticos, semissintéticos e reais para uma avaliação rigorosa e reprodutível de métodos causais nessa área.
O artigo propõe a "average bias-boundedness" (A-BB), um framework algorítmico que garante formalmente a redução de danos causados por viés em juízes de LLM, mantendo alta correlação com rankings originais mesmo em cenários de viés adversarial.
O artigo apresenta evidências de "teatro de raciocínio" em modelos de IA, onde a confiança na resposta final é decodificável muito antes do modelo revelar sua crença interna, demonstrando que sondas de ativação podem identificar genuína incerteza e permitir uma saída antecipada que reduz significativamente o uso de tokens sem comprometer a precisão.