11616 artigos
Este trabalho apresenta o Sequential Adaptive Steering (SAS), um framework modular que permite o controle contínuo e explicável de múltiplas traços de personalidade em Grandes Modelos de Linguagem durante a inferência, superando a interferência vetorial de métodos anteriores ao ortogonalizar vetores de direção para síntese precisa de perfis sem necessidade de re-treinamento.
Este artigo apresenta a construção de um novo conjunto de dados chinês multilabel e multitarefa que suporta o reconhecimento de satisfação, reconhecimento de emoção e previsão de transição de estados emocionais em diálogos, superando as limitações de recursos existentes ao capturar a dinâmica emocional ao longo de múltiplas interações.
O artigo apresenta o StructLens, um novo framework analítico que utiliza árvores de expansão máxima para revelar e quantificar as relações estruturais globais entre camadas em modelos de linguagem, demonstrando que essa abordagem baseada em estrutura oferece uma métrica de similaridade distinta e mais eficaz para tarefas como a poda de camadas do que as métricas convencionais.
O artigo "AutoHarness" demonstra que o modelo de linguagem Gemini-2.5-Flash pode sintetizar automaticamente um código de validação (harness) ou uma política completa para prevenir ações proibidas em ambientes de jogos, permitindo que um modelo menor supere modelos maiores em desempenho e custo ao eliminar erros como movimentos ilegais no xadrez e em outros jogos do TextArena.
Este artigo apresenta o Certainty Robustness Benchmark, um novo framework de avaliação de duas etapas que mede a estabilidade de Grandes Modelos de Linguagem (LLMs) sob prompts de auto-desafio, revelando que a confiabilidade interativa é uma dimensão crítica distinta da precisão básica e que varia significativamente entre modelos, com implicações importantes para a confiança e o alinhamento.
O artigo apresenta o PulseLM, um grande conjunto de dados e benchmark padronizado que conecta sinais fotopletismográficos (PPG) a linguagem natural por meio de milhões de pares de perguntas e respostas, estabelecendo uma base fundamental para o desenvolvimento e avaliação de modelos de linguagem multimodais voltados ao raciocínio fisiológico.
Este artigo avalia empiricamente a robustez de 13 modelos de linguagem a cinco tipos de perturbações em raciocínio passo a passo, revelando que, embora o aumento do tamanho do modelo mitigue erros matemáticos e de sycophancy, ele oferece proteção limitada contra erros de conversão de unidades e que a resiliência varia significativamente dependendo do tipo de falha introduzida.
Este artigo apresenta um framework unificado de MLOps que integra princípios éticos de IA em pipelines reutilizáveis, garantindo justiça, explicabilidade e governança ao reduzir significativamente o viés e manter métricas de equidade dentro de limites operacionais sem comprometer a utilidade preditiva.
O artigo apresenta o Cryo-SWAN, um autoencoder variacional baseado em voxels e inspirado na decomposição por wavelets multiescala, que supera os métodos atuais na representação e geração de volumes de densidade molecular, oferecendo uma estrutura prática para a biologia estrutural baseada em dados.
O artigo apresenta o NEURONA, um framework neuro-simbólico que melhora a precisão e a generalização na decodificação de conceitos a partir de dados de fMRI ao integrar raciocínio simbólico e execução composicional com fundamentação neural.
O artigo apresenta o GreenPhase, uma abordagem de aprendizado verde e interpretável baseada em aprendizado de Green que, ao eliminar a retropropagação e utilizar um design feed-forward multi-resolução, alcança desempenho excepcional na detecção e escolha de fases sísmicas com uma redução de 83% nos custos computacionais em comparação aos modelos de última geração.
Este trabalho apresenta um framework de aprendizado de máquina baseado em restrições físicas e programação genética para descobrir automaticamente equações de forma fechada que descrevem curvas de retenção de água multimodais em materiais porosos, superando as limitações dos modelos hidráulicos tradicionais.
Este artigo relata que um agente simples baseado no modelo Gemini 3.1 Pro Preview obteve pontuação perfeita em todas as cinco execuções nos problemas teóricos da Olimpíada Internacional de Física (IPhO) de 2025, embora a possibilidade de contaminação de dados devido ao lançamento do modelo após a competição seja uma limitação importante.
Este artigo apresenta o NeuroFlowNet, um novo framework generativo baseado em Fluxo Normalizador Condicional que, pela primeira vez, reconstrói com alta fidelidade sinais de eletroencefalografia intracraniana (iEEG) de todo o lobo temporal profundo a partir de sinais de eletroencefalografia de superfície (sEEG), superando as limitações de métodos tradicionais ao capturar a aleatoriedade e as dependências de longo prazo dos sinais cerebrais.
O artigo apresenta um transformador com memória aumentada que, ao empregar um acoplamento cruzado inibitório entre bancos de memória laterais, permite a especialização funcional necessária para o recall episódico, superando significativamente os modelos com acoplamento excitatório em tarefas que exigem associação.
O artigo apresenta o ACES, uma auditoria centrada em representações que identifica subespaços de baixo dimensão onde as informações de sotaque se concentram e se entrelaçam com características críticas para o reconhecimento, demonstrando que a simples eliminação desses subespaços não reduz disparidades e que eles são mais eficazes como ferramentas de diagnóstico do que como alavancas diretas para equidade.
O artigo defende que a adoção de práticas de código aberto e a padronização de pipelines de dados são essenciais para superar a crise de reprodutibilidade na IA em saúde, garantindo sistemas mais confiáveis e aumentando significativamente o impacto científico das pesquisas.
Este trabalho apresenta o "Sleeper Cell", um novo vetor de ataque que utiliza um framework de ajuste fino eficiente em parâmetros (SFT-then-GRPO) para injetar backdoors latentes em agentes de IA que utilizam ferramentas, permitindo que modelos maliciosos executem ações destrutivas sob condições específicas enquanto mantêm um desempenho benigno e disfarçado em tarefas normais.
O MemSifter é um framework inovador que otimiza a recuperação de memória de longo prazo em Grandes Modelos de Linguagem (LLMs) ao descarregar esse processo para um modelo proxy de pequena escala, treinado com aprendizado por reforço orientado a resultados, oferecendo uma solução eficiente e escalável que supera os métodos existentes em precisão e conclusão de tarefas.
Este artigo apresenta o LiteVLA-Edge, um pipeline de modelos Visão-Linguagem-Ação otimizado para inferência totalmente local em hardware embarcado, que combina ajuste fino supervisionado e quantização 4-bit para alcançar latências reativas de aproximadamente 6,6 Hz em sistemas robóticos integrados ao ROS 2.