4204 artigos
Este artigo apresenta o HyWIA, um método inovador de poda estruturada para modelos de linguagem grandes que utiliza uma avaliação híbrida de importância dos pesos, combinando granularidades fina e grossa por meio de um mecanismo de atenção adaptativo para superar as limitações de desempenho das abordagens atuais.
Este artigo defende que os grandes modelos de linguagem (LLMs) devem ser considerados modelos científicos válidos das línguas públicas como entidades sociais externas, argumentando que a compreensão de seu funcionamento interno permite construí-los como representações linguísticas úteis, superando críticas que negam seu valor para a insight linguística.
Este estudo aplica técnicas de aprendizado de máquina explicável a um conjunto de dados de 28 anos no Golfo de Trieste para prever com precisão a toxicidade em mexilhões causada por florações de algas nocivas, identificando espécies específicas de dinoflagelados e fatores ambientais como preditores-chave para melhorar os sistemas de alerta precoce e a aquicultura sustentável.
Este artigo propõe um método inovador que utiliza Grandes Modelos de Linguagem (LLMs) para guiar a busca evolutiva de políticas de controle interpretáveis, representadas como programas em linguagens padrão como Python, permitindo a geração de comportamentos complexos em sistemas dinâmicos com maior transparência e facilidade de ajuste humano em comparação com redes neurais tradicionais.
O artigo apresenta o EoRA, um método sem ajuste fino que utiliza aproximação de baixo posto no espaço de autovalores e um kernel CUDA otimizado para recuperar com eficácia a precisão de Grandes Modelos de Linguagem comprimidos, superando métodos anteriores e permitindo um equilíbrio flexível entre acurácia e sobrecarga computacional.
Este artigo propõe um pipeline genérico de limpeza de tokens para o ajuste fino supervisionado de modelos de linguagem grandes, que filtra tokens não informativos com base em sua influência nas atualizações do modelo, preservando assim informações essenciais e melhorando o desempenho em tarefas downstream.
Este artigo apresenta o DIFU-Ada, um framework de adaptação no tempo de inferência que permite a generalização zero-shot entre diferentes problemas e escalas em solucionadores de otimização combinatória baseados em difusão, sem a necessidade de treinamento adicional.
Este trabalho propõe uma metodologia que integra Diagramas de Tubulação e Instrumentação (P&IDs) representados como grafos de conhecimento ao modelo DEXPI com Grandes Modelos de Linguagem (LLMs) via Graph-RAG, permitindo a interação por linguagem natural para melhorar a recuperação de dados, reduzir alucinações e auxiliar engenheiros em tarefas diárias e estudos de HAZOP.
Este artigo apresenta o SCAM, o maior e mais diversificado conjunto de dados de ataques tipográficos do mundo real, demonstrando que tais ataques comprometem significativamente o desempenho dos modelos fundacionais multimodais e fornecendo insights sobre como a arquitetura do modelo e o uso de backbones de linguagem maiores podem mitigar essa vulnerabilidade.
Este artigo propõe dois novos algoritmos baseados em dados para estimar políticas ótimas de precificação e controle de estoque em ambientes offline com demanda censurada e dependente, superando desafios como a perda da propriedade de Markov e a não estacionariedade através de aproximações de MDPs de alta ordem e análise de sobrevivência.
O artigo apresenta o SwitchMT, uma metodologia inovadora que utiliza Redes Neurais de Spiking com uma política de alternância de tarefas adaptativa para superar a interferência entre tarefas e permitir a aprendizagem multi-tarefa escalável e eficiente em agentes autônomos com recursos limitados.
Este artigo de revisão sintetiza o campo emergente da Psicometria de Grandes Modelos de Linguagem (LLMs), integrando teorias e instrumentos psicológicos para estabelecer novos paradigmas de avaliação, validação e aprimoramento que visam alinhar os sistemas de IA com a inteligência humana e promover benefícios sociais.
O artigo apresenta o REI-Bench, o primeiro benchmark para planejamento de tarefas robóticas que modela instruções vagas baseadas em expressões referenciais, demonstrando que essa ambiguidade degrada significativamente o desempenho dos modelos e propondo uma abordagem de "cognição contextual orientada a tarefas" para gerar instruções claras e melhorar a acessibilidade para usuários não especialistas, como idosos e crianças.
O artigo propõe uma abordagem de ajuste fino que utiliza representações de pseudocódigo para melhorar a capacidade dos modelos de linguagem em seguir instruções, resultando em ganhos significativos de desempenho em benchmarks de instrução, raciocínio matemático e senso comum.
Este artigo apresenta uma revisão semiautomatizada e orientada por dados de pesquisas sobre as limitações de modelos de linguagem grandes (LLLMs) entre 2022 e 2025, identificando um crescimento acelerado do tema e mapeando suas principais tendências, como raciocínio, alucinação e segurança, por meio da análise de um vasto corpus de publicações.
Este artigo propõe um quadro de raciocínio abduzido baseado em consistência que integra previsões de múltiplos modelos pré-treinados para mitigar a degradação de desempenho em ambientes novos, utilizando regras lógicas para selecionar um subconjunto de previsões que maximize a cobertura mantendo inconsistências abaixo de um limite, resultando em ganhos significativos de precisão e recall em comparação com modelos individuais e ensembles padrão.
Este estudo demonstra que, para previsão de vendas no varejo com demanda intermitente e dados incompletos, métodos baseados em árvores como o XGBoost superam arquiteturas de aprendizado profundo, indicando que a adequação às características do problema é mais crucial do que a sofisticação do modelo.
O artigo apresenta o SILVR, um método que permite que modelos de vídeo para planejamento robótico melhorem continuamente de forma online através de loops de autoaprendizagem em trajetórias geradas por si mesmos, alcançando melhor desempenho em tarefas novas sem depender de recompensas humanas ou demonstrações de especialistas.
O artigo apresenta o ReLIFT, uma abordagem inovadora que intercala aprendizado por reforço (RL) e ajuste fino supervisionado (SFT) online para superar as limitações do RL ao adquirir novos conhecimentos e padrões de raciocínio, demonstrando melhorias significativas em benchmarks de alto nível com uso reduzido de dados.
Esta pesquisa oferece uma visão abrangente da evolução da privacidade diferencial, desde a IA simbólica até os Grandes Modelos de Linguagem, analisando suas definições fundamentais, métodos de integração em modelos de aprendizado de máquina e técnicas de avaliação prática para garantir sistemas de IA seguros e responsáveis.