12243 artigos
Este artigo investiga a capacidade de modelos de linguagem de raciocínio colaborarem em trajetórias compartilhadas, revelando que modelos mais fortes são frequentemente mais frágeis a distrações e incapazes de superar suas limitações inatas ao seguir orientações de outros, além de destacar como estratégias de pós-treinamento influenciam essas falhas.
Este trabalho apresenta a "Energy Landscape Steering" (ELS), uma abordagem livre de ajuste fino que utiliza um modelo externo baseado em energia para orientar as ativações internas de modelos de linguagem durante a inferência, mitigando eficazmente a recusa excessiva a solicitações benignas sem comprometer a segurança.
O artigo propõe o método , que detecta e truncar trajetórias de treinamento com desvio de crença excessivo em agentes de raciocínio ativo de LLMs, melhorando a estabilidade do treinamento, o desempenho e a eficiência de custos ao preservar créditos para ações informativas.
Este artigo apresenta o "Self-Aug", uma estratégia de decodificação sem treinamento para Modelos Visuais-Linguísticos de Grande Escala que combina uma estratégia de prompt de auto-aumento dependente da consulta e um algoritmo de limiar adaptativo baseado em entropia para mitigar alucinações e melhorar a consistência factual.
Este trabalho demonstra que as saídas de todos os modelos de linguagem possuem uma assinatura de forgery-resistente baseada em restrições geométricas naturais (uma elipse de alta dimensão), permitindo a identificação da fonte do modelo e a verificação de autenticidade sem acesso aos seus pesos ou entradas.
O artigo apresenta o xLLM, um framework de inferência de LLMs de alto desempenho e escala empresarial que utiliza uma arquitetura desacoplada de serviço e motor com agendamento inteligente, gerenciamento global de KV Cache e otimizações de execução para maximizar a eficiência e o throughput em diversos aceleradores de IA.
Este trabalho propõe o uso de um modelo de difusão incondicional treinado em dados do HiRISE para reconstruir com maior precisão e coerência geométrica as áreas faltantes de mapas de altura de Marte, superando significativamente as técnicas tradicionais de interpolação e preenchimento de vazios.
O artigo apresenta o WebDevJudge, um benchmark sistemático para avaliar o desempenho de modelos de linguagem (LLMs e MLLMs) como juízes na qualidade do desenvolvimento web, revelando uma lacuna significativa entre esses modelos e especialistas humanos devido a limitações fundamentais na avaliação de tarefas complexas e interativas.
O artigo apresenta o VeriStruct, um novo quadro de trabalho que estende a verificação automatizada assistida por IA para módulos de estruturas de dados complexos em Verus, utilizando um planejador para gerar especificações e um mecanismo de reparo para corrigir erros de sintaxe, alcançando uma taxa de sucesso de 99,2% na verificação de funções em módulos Rust.
O artigo apresenta o CASR-Net, uma rede de aprendizado profundo de três estágios que combina pré-processamento avançado, um codificador DenseNet121 e um decodificador Self-ONN para realizar a segmentação e refinamento precisos de artérias coronárias em angiogramas, superando modelos existentes e oferecendo uma ferramenta robusta para auxiliar no diagnóstico clínico.
O artigo apresenta o STAN, uma rede de atenção espaciotemporal adversarial que alcança desempenho de ponta na previsão de crises epilépticas ao modelar dinamicamente a conectividade cerebral e as variações temporais, permitindo detecção precoce e confiável com baixa taxa de falsos alarmes e eficiência computacional para implantação em tempo real.
Este artigo propõe uma nova estrutura que reinterpreta a ambiguidade em consultas de linguagem natural para análise de dados tabulares como um recurso de interação cooperativa entre usuário e sistema, distinguindo consultas cooperativas de não cooperativas para orientar o design e a avaliação mais precisos de interfaces futuras.
O artigo investiga o fenômeno de "eco" em interações entre agentes de LLM, onde estes abandonam seus papéis para espelhar parceiros, resultando em altas taxas de falha que persistem mesmo em modelos avançados, mas que podem ser mitigadas por meio de um protocolo de resposta estruturada.
Este artigo demonstra que a engenharia de ativação direcionada, utilizando vetores de expressão emocional derivados de pares de texto contrastivos, permite ajustar o modelo LLaMA 3.1-8B para exibir nuances emocionais mais humanas e envolventes em negociações, superando as limitações das técnicas de alinhamento convencionais.
O artigo propõe o FAST, um novo framework de seleção de coreset livre de redes neurais profundas que utiliza correspondência de distribuição no domínio da frequência baseada em teoria de grafos e uma distância de função característica aprimorada, superando os métodos existentes em precisão, eficiência energética e velocidade.
O artigo apresenta o WARP, um protocolo de defesa plug-and-play que utiliza simetrias de redes neurais para teleportar pesos e mitigar riscos de privacidade em algoritmos de desaprendizado aproximado, reduzindo significativamente o sucesso de ataques de inferência e reconstrução sem comprometer a precisão do modelo.
O artigo apresenta o Q-BERT4Rec, um novo framework de recomendação sequencial multimodal que supera as limitações dos métodos baseados em IDs discretos ao unificar a injeção de semântica multimodal, a quantização vetorial residual e estratégias de pré-treinamento com máscaras múltiplas para gerar representações de itens mais interpretáveis e generalizáveis.
Este artigo apresenta o ALARM, um framework baseado em MLLM para detecção de anomalias visuais em ambientes complexos que integra quantificação de incerteza e técnicas de garantia de qualidade para alcançar decisões robustas e confiáveis em diversos domínios.
Este estudo apresenta a primeira avaliação abrangente de agentes de IA contra profissionais de cibersegurança em um ambiente empresarial real, demonstrando que o novo framework ARTEMIS superou a maioria dos participantes humanos na descoberta de vulnerabilidades com maior eficiência de custos, embora ainda enfrente desafios relacionados a falsos positivos e tarefas baseadas em interface gráfica.
O artigo apresenta o CORE, um framework de aprendizado por reforço que utiliza sinais de supervisão conceitual explícita para superar a lacuna entre a definição e a aplicação em raciocínio matemático, permitindo que modelos de linguagem aprendam a aplicar conceitos genuinamente em vez de apenas reutilizar padrões.