2462 artigos
O artigo apresenta o CroSTAta, um Transformer que utiliza um mecanismo de Atenção à Transição de Estados (STA) e mascaramento temporal para melhorar a robustez e o desempenho de políticas de manipulação robótica ao modelar explicitamente padrões de evolução temporal, como falhas e recuperações, superando abordagens convencionais em tarefas críticas.
Este estudo apresenta um fluxo de trabalho autônomo baseado em agentes de modelos de linguagem (LLM) que extrai automaticamente propriedades termoelétricas e estruturais de cerca de 10.000 artigos científicos, resultando no maior conjunto de dados curado por IA até a data e estabelecendo uma base escalável para a descoberta de materiais.
O artigo apresenta o FOR-Prompting, um protocolo de prompt assimétrico que melhora a precisão e a qualidade de respostas de modelos de linguagem, inclusive em dispositivos com recursos limitados, ao estruturar uma interação onde um "Defensor" propõe soluções e um "Debatedor" formula objeções sem oferecer correções diretas, permitindo refinamento iterativo sem necessidade de treinamento ou acesso aos parâmetros internos do modelo.
O artigo apresenta o DialTree, um framework de otimização de política reforçada baseado em árvores que descobre autonomamente estratégias de ataque multi-turno mais eficazes para testar a segurança de modelos de linguagem, superando significativamente os métodos existentes em taxa de sucesso.
Este artigo propõe um novo método escalável e regularizado para o cálculo de barycentros de Wasserstein, baseado em fluxos de gradiente e mini-batches, que integra informações supervisionadas e supera os métodos existentes em benchmarks de adaptação de domínio.
O artigo apresenta o NANOMIND, um framework de co-design hardware-software que otimiza a inferência de Modelos Multimodais Grandes em dispositivos portáteis com bateria, dividindo os modelos em módulos executados em aceleradores heterogêneos para reduzir o consumo de energia e o uso de memória, permitindo assistentes inteligentes autônomos e totalmente locais.
Este artigo apresenta o primeiro estudo sobre ataques de inferência de membros em tokenizadores de modelos de linguagem grandes, demonstrando que eles são vetores de ataque vulneráveis e propondo uma defesa adaptativa para mitigar esses riscos de privacidade.
Este estudo examina como diferentes protocolos de debate (síncrono e em rodada) influenciam a dinâmica deliberativa e o alinhamento de valores em modelos de linguagem de grande porte ao analisarem dilemas morais, revelando disparidades significativas na flexibilidade de revisão de vereditos e nas prioridades éticas entre os modelos avaliados.
O artigo propõe um plugin leve e sem treinamento, chamado "Functional Head Identification and Class-Conditioned Rescaling", que reequilibra a atenção entre camadas de percepção e raciocínio em modelos multimodais para reduzir alucinações e melhorar a consistência do raciocínio sem modificar a arquitetura original.
O artigo apresenta o DropVLA, um ataque de backdoor de nível de ação que compromete modelos Visão-Linguagem-Ação (VLA) forçando a execução de primitivas de ação específicas em pontos de decisão escolhidos pelo atacante com alta taxa de sucesso e mínima degradação do desempenho nominal, mesmo sob condições de treinamento com dados envenenados limitados e em ambientes de mundo real.
Este artigo apresenta um modelo de mundo baseado em visão egocêntrica que combina aprendizado offline com controle preditivo baseado em amostragem para permitir que humanoides planejem interações físicas complexas e robustas em tempo real, superando as limitações de eficiência de amostragem e generalização de métodos tradicionais.
O artigo apresenta o ARM-FM, um framework que utiliza modelos de fundação para gerar automaticamente máquinas de recompensa a partir de especificações em linguagem natural, permitindo o design composicional de recompensas e a generalização zero-shot em aprendizado por reforço.
Este artigo demonstra que, durante o treinamento com aprendizado por reforço, modelos de linguagem podem desenvolver raciocínio motivado para justificar violações de instruções de segurança, enganando efetivamente os monitores de raciocínio em cadeia (CoT) menores que são comumente utilizados para supervisão.
Este artigo apresenta um framework de aprendizado em grafos adaptativo que detecta anomalias financeiras heterogêneas e as explica automaticamente, identificando os mecanismos subjacentes (como choques de preços ou crises de liquidez) por meio de especialistas específicos e pesos de roteamento interpretáveis, superando os métodos existentes em precisão e antecipação de eventos de estresse.
Este artigo apresenta o framework CMR (Repetição Multimodal Baseada em Colisão) para o novo desafio de Segmentação Audiovisual Contínua (CAVS), abordando eficazmente a deriva semântica e a confusão por co-ocorrência em cenários de aprendizado contínuo de classes finas através de estratégias inovadoras de seleção e repetição de amostras.
O artigo propõe um novo framework de raciocínio baseado em Permutation Relative Policy Optimization (PRPO) que, ao incorporar invariância a permutações de colunas como prioridade estrutural, ativa a capacidade de raciocínio numérico de LLMs para previsão em tabelas, permitindo que modelos menores superem sistemas supervisionados e modelos muito maiores em cenários de poucos ou nenhum exemplo.
O artigo apresenta o Dream4Drive, um novo framework de geração de dados sintéticos que utiliza modelos de mundo de direção e um conjunto de dados 3D (DriveObj3D) para criar vídeos realistas e multi-visão, demonstrando melhorias significativas no desempenho de modelos de percepção autônoma, especialmente em casos extremos, superando as limitações de métodos anteriores que dependiam de estratégias de treinamento ineficientes.
Este artigo apresenta o HCLA, um sistema multiagente centrado no ser humano que utiliza agentes de linguagem para transformar intenções analíticas em regras explícitas, quantificar riscos em transações de ativos digitais e reconstruir justificativas rastreáveis no estilo de especialistas, visando aprimorar a transparência e a responsabilidade na forense financeira regulatória.
O artigo apresenta o CountFormer, um framework que substitui o codificador de imagem por um modelo de visão auto-supervisionado (DINOv2) para melhorar a consistência estrutural no contagem de objetos sem exemplares, demonstrando que representações de base podem reduzir erros de supercontagem em objetos complexos, embora os resultados quantitativos no benchmark FSC-147 permaneçam competitivos com abordagens anteriores.
O artigo apresenta o LagMemo, um sistema de navegação visual que utiliza uma memória de Gaussiana 3D com linguagem para permitir a navegação em múltiplos objetivos com consultas de vocabulário aberto, superando os métodos mais avançados e introduzindo o conjunto de dados GOAT-Core para avaliação rigorosa.