cs.AI artigos | Gist.Science

Developing an AI Assistant for Knowledge Management and Workforce Training in State DOTs

Este artigo propõe um sistema de assistente de IA baseado em uma arquitetura multiagente com Geração Aumentada por Recuperação (RAG) e modelos de visão-linguagem para otimizar a gestão do conhecimento e o treinamento da força de trabalho em departamentos estaduais de transporte, superando as limitações dos métodos tradicionais ao integrar recuperação de documentos técnicos, análise de figuras e geração de respostas contextualizadas.

Divija Amaram, Lu Gao, Gowtham Reddy Gudla + 1 more2026-03-05🤖 cs.AI

HumanLM: Simulating Users with State Alignment Beats Response Imitation

O artigo apresenta o HumanLM, um novo framework de treinamento que supera a simples imitação de respostas ao alinhar estados latentes psicologicamente fundamentados com respostas reais, demonstrando superioridade em um novo benchmark abrangente chamado Humanual e em estudos de simulação em tempo real.

Shirley Wu, Evelyn Choi, Arpandeep Khatua + 7 more2026-03-05🤖 cs.AI

Knowledge Graph and Hypergraph Transformers with Repository-Attention and Journey-Based Role Transport

Este artigo apresenta uma arquitetura de transformador que une dados estruturados e linguagem natural ao codificar grafos de conhecimento e hipergrafos em um repositório de chaves-valor acessível via atenção baseada em transporte de papéis, permitindo o treinamento conjunto com separação explícita entre representações linguísticas e estruturadas.

Mahesh Godavarti2026-03-05🤖 cs.AI

Draft-Conditioned Constrained Decoding for Structured Generation in LLMs

O artigo propõe a Decodificação Condição-Rascunho (DCCD), um método de inferência sem treinamento que separa o planejamento semântico da validação estrutural para gerar saídas válidas em LLMs, resultando em ganhos significativos de precisão e eficiência de parâmetros em comparação com a decodificação restrita padrão.

Avinash Reddy, Thayne T. Walker, James S. Ide + 1 more2026-03-05🤖 cs.AI

Token-Oriented Object Notation vs JSON: A Benchmark of Plain and Constrained Decoding Generation

O estudo compara a Token-Oriented Object Notation (TOON) com o JSON, revelando que, embora a TOON ofereça uma relação promissora entre precisão e consumo de tokens para tarefas complexas, sua vantagem é frequentemente anulada pelo custo do prompt em contextos curtos, enquanto a geração de JSON padrão demonstra maior precisão geral e a decodificação restrita de JSON, apesar de economizar tokens, pode apresentar degradação significativa de desempenho.

Ivan Matveev2026-03-05🤖 cs.AI

TopicENA: Enabling Epistemic Network Analysis at Scale through Automated Topic-Based Coding

O estudo apresenta o TopicENA, um framework que integra o BERTopic à Análise de Redes Epistêmicas (ENA) para substituir a codificação manual por tópicos automatizados, permitindo assim a análise escalável e interpretável de grandes corpora textuais.

Owen H. T. Lu, Tiffany T. Y. Hsu2026-03-05🤖 cs.AI

Old Habits Die Hard: How Conversational History Geometrically Traps LLMs

Este trabalho apresenta o framework History-Echoes, que demonstra como a história conversacional cria um "aprisionamento geométrico" no espaço latente de modelos de linguagem, onde a persistência comportamental e as inconsistências passadas limitam geometricamente e probabilisticamente as gerações futuras.

Adi Simhi, Fazl Barez, Martin Tutek + 2 more2026-03-05🤖 cs.AI

Escaping the BLEU Trap: A Signal-Grounded Framework with Decoupled Semantic Guidance for EEG-to-Text Decoding

O artigo apresenta o SemKey, um novo framework que supera as limitações atuais na decodificação de EEG para texto ao alinhar a geração com os sinais neurais através de objetivos semânticos desacoplados e prompts estruturados, eliminando alucinações e oferecendo métricas de avaliação mais robustas que o BLEU.

Yuchen Wang, Haonan Wang, Yu Guo + 2 more2026-03-05🤖 cs.AI

How does fine-tuning improve sensorimotor representations in large language models?

Este estudo demonstra que o ajuste fino (fine-tuning) pode reduzir a lacuna de incorporação em Grandes Modelos de Linguagem, alinhando suas representações internas com experiências sensorimotoras humanas, embora essa melhoria seja robusta entre idiomas e dimensões relacionadas, mas dependente do objetivo de aprendizado e não generalize para formatos de tarefas distintos.

Minghua Wu, Javier Conde, Pedro Reviriego + 1 more2026-03-05🤖 cs.AI

Towards Self-Robust LLMs: Intrinsic Prompt Noise Resistance via CoIPO

Este artigo propõe o método CoIPO, que utiliza aprendizado contrastivo e otimização direta de preferência inversa para aumentar a robustez intrínseca de modelos de linguagem grandes contra ruídos em prompts, validado por meio de um novo benchmark e de um conjunto de dados aprimorado.

Xin Yang, Letian Li, Abudukelimu Wuerkaixi + 5 more2026-03-05🤖 cs.AI

M-QUEST -- Meme Question-Understanding Evaluation on Semantics and Toxicity

Este artigo apresenta o M-QUEST, um novo framework semântico e benchmark de 609 pares de perguntas e respostas que avalia a capacidade de modelos de linguagem de compreender a toxicidade em memes através de múltiplas dimensões, incluindo conhecimento de senso comum e raciocínio pragmático.

Stefano De Giorgis, Ting-Chih Chen, Filip Ilievski2026-03-05🤖 cs.AI

The Influence of Iconicity in Transfer Learning for Sign Language Recognition

Este estudo demonstra que a transferência de aprendizado baseada na iconicidade entre línguas de sinais distintas (chinês para árabe e grego para flamengo) melhora significativamente o reconhecimento, alcançando um ganho de 7,02% para o árabe e 1,07% para o flamengo ao utilizar Mediapipe com arquiteturas MLP e GRU.

Keren Artiaga, Conor Lynch, Haithem Afli + 1 more2026-03-05🤖 cs.AI

Quantum-Inspired Self-Attention in a Large Language Model

Este artigo propõe e integra um mecanismo de auto-atenção clássico inspirado em princípios quânticos (QISA) no modelo GPT-1, demonstrando que, apesar de um aumento moderado no tempo de inferência, a abordagem supera significativamente a auto-atenção padrão em métricas de erro de caracteres, erro de palavras e perda de entropia cruzada.

Nikita Kuznetsov, Niyaz Ismagilov, Ernesto Campos2026-03-05⚛️ quant-ph

Automated Concept Discovery for LLM-as-a-Judge Preference Analysis

Este artigo apresenta um método de descoberta automática de conceitos baseado em codificadores esparsos para analisar e interpretar os vieses de modelos de linguagem atuando como juízes, identificando drivers de preferência não previstos que vão além das taxonomias pré-definidas.

James Wedgwood, Chhavi Yadav, Virginia Smith2026-03-05🤖 cs.AI

From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

Este artigo propõe uma abordagem neurosimbólica fundamentada em teoria das ciências sociais e raciocínio abdutivo para orientar modelos de linguagem na transformação eficaz de narrativas entre perspectivas coletivistas e individualistas, superando significativamente as linhas de base zero-shot ao manter a fidelidade semântica ao conteúdo original.

Jaikrishna Manojkumar Patil, Divyagna Bavikadi, Kaustuv Mukherji + 5 more2026-03-05🤖 cs.AI

DIALEVAL: Automated Type-Theoretic Evaluation of LLM Instruction Following

O artigo apresenta o DIALEVAL, um framework baseado em teoria dos tipos que utiliza agentes duplos de LLM para automatizar a decomposição e avaliação de instruções com precisão formal, superando os métodos existentes ao alinhar-se melhor aos padrões de julgamento humano e funcionar eficazmente em diálogos multi-turno.

Nardine Basta, Dali Kaafar2026-03-05🤖 cs.AI

Can Large Language Models Derive New Knowledge? A Dynamic Benchmark for Biological Knowledge Discovery

Este trabalho apresenta o DBench-Bio, um benchmark dinâmico e totalmente automatizado que avalia a capacidade de modelos de linguagem grandes de descobrir novos conhecimentos biológicos, superando as limitações de contaminação de dados e obsolescência dos conjuntos de avaliação estáticos existentes.

Chaoqun Yang, Xinyu Lin, Shulin Li + 4 more2026-03-05🤖 cs.AI

Discern Truth from Falsehood: Reducing Over-Refusal via Contrastive Refinement

O artigo apresenta o DCR (Discernment via Contrastive Refinement), um novo método de alinhamento que reduz o excesso de recusa em modelos de linguagem grandes, permitindo-lhes distinguir com precisão entre prompts verdadeiramente tóxicos e aqueles que apenas parecem ser, sem comprometer a segurança ou as capacidades gerais do modelo.

Yuxiao Lu, Lin Xu, Yang Sun + 2 more2026-03-05🤖 cs.AI

Controlling Chat Style in Language Models via Single-Direction Editing

Este artigo demonstra que atributos estilísticos em modelos de linguagem são codificados como direções lineares no espaço de ativação e propõe um método leve e sem treinamento para controlar com precisão esses estilos, permitindo composição linear e melhorando a segurança com custo computacional mínimo.

Zhenyu Xu, Victor S. Sheng2026-03-05🤖 cs.AI

IntPro: A Proxy Agent for Context-Aware Intent Understanding via Retrieval-conditioned Inference

O artigo apresenta o IntPro, um agente proxy que aprimora a compreensão de intenções sensíveis ao contexto em modelos de linguagem grandes, utilizando uma biblioteca de histórico de intenções recuperada e treinamento com otimização de política para adaptar-se aos padrões individuais dos usuários.

Guanming Liu, Meng Wu, Peng Zhang + 8 more2026-03-05🤖 cs.AI

← Anterior Próximo →