2282 artigos
O artigo apresenta o TrustBench, um framework de verificação de confiança em tempo real que intervém antes da execução de ações de agentes autônomos, reduzindo ações prejudiciais em 87% através de plugins específicos de domínio com latência inferior a 200ms.
O RubiCap é um novo framework de aprendizado por reforço que utiliza rubricas escritas por LLMs para gerar sinais de recompensa estruturados e específicos, superando métodos supervisionados e anteriores de RL na geração de legendas densas de imagens e produzindo modelos de pré-treinamento mais robustos.
Este trabalho propõe um framework de aumento de dados que aproveita a estrutura preservada em RTLs gerados por LLMs, mesmo quando funcionalmente imperfeitos, para treinar representações de netlist que superam a escassez de dados rotulados e generalizam bem para circuitos reais.
O artigo propõe o GIAT, um novo modelo Transformer que integra priores geológicos ao mecanismo de atenção para melhorar a precisão, confiabilidade e interpretabilidade na identificação de litologia a partir de registros de poço.
O ZeroWBC é um novo framework que permite o controle visuomotor natural de humanoides, como o Unitree G1, aprendendo diretamente de vídeos em primeira pessoa de humanos e eliminando a necessidade de dados caros de teleoperação robótica.
O artigo apresenta o AlphaEvolve, um agente de mutação de código baseado em LLM que, atuando como um único meta-algoritmo, estabeleceu novos limites inferiores para cinco números de Ramsey clássicos e recuperou com sucesso os limites conhecidos para todos os casos exatos.
Este trabalho propõe um quadro de modelagem generativa baseada em física que incorpora a estocasticidade intrínseca do fluxo de tráfego através de um modelo Lighthill-Whitham-Richards com ruído browniano, permitindo a estimativa de distribuições de densidade, intervalos de credibilidade e medidas de risco de congestionamento.
O artigo apresenta o DuplexCascade, um pipeline cascata de fala para fala sem VAD que habilita diálogos em full-duplex com inteligência conversacional robusta, convertendo turnos longos em micro-turnos e utilizando tokens de controle especializados para coordenar a interação em tempo real.
O artigo apresenta o Latent-DARM, um framework de comunicação em espaço latente que integra modelos de difusão discreta (para planejamento) e modelos autorregressivos (para execução), superando as limitações de interfaces baseadas em texto e alcançando alto desempenho em tarefas de raciocínio com uma fração mínima do orçamento de tokens.
O artigo propõe um "Motor de Inovação Explicável" baseado em RAG com agentes de dupla árvore, que substitui blocos de texto por nós de métodos, utiliza árvores de proveniência e agrupamento hierárquico para síntese controlada e verificável, e demonstra ganhos consistentes em precisão e rastreabilidade em comparação com abordagens convencionais.
O artigo apresenta o framework RAISE, argumentando que o avanço nas capacidades de raciocínio lógico dos modelos de linguagem atua como um mecanismo direto que impulsiona a consciência situacional e o engano estratégico, exigindo novas salvaguardas de segurança.
O artigo apresenta o \textsc{EvalAct}, um método que transforma a avaliação de qualidade da recuperação em uma ação explícita e utiliza o algoritmo PCAR para otimizar agentes de raciocínio multi-etapa, resultando em ganhos significativos de precisão em tarefas de perguntas e respostas de domínio aberto.
Este artigo investiga a emoção como um fator latente que molda a atenção e o raciocínio em modelos de linguagem, introduzindo o conjunto de dados AURA-QA e um framework de regularização emocional que demonstram melhorias consistentes na compreensão de leitura e robustez frente a mudanças de distribuição.
O artigo formaliza um teste de estresse macrofinanceiro que argumenta que a adoção rápida de IA pode desencadear uma crise explosiva devido a uma incompatibilidade entre a abundância gerada e a demanda deficiente, impulsionada por um ciclo de deslocamento laboral, redução da velocidade monetária e colapso das margens de intermediação.
O artigo apresenta o PrivPRISM, um framework automatizado que detecta discrepâncias entre as declarações de segurança de dados do Google Play e as políticas de privacidade dos desenvolvedores, revelando que mais da metade dos aplicativos analisados possuem inconsistências que podem enganar os usuários e violar requisitos regulatórios.
Este trabalho apresenta um framework de simulação baseado em aprendizado por reforço e modelos musculoesqueléticos que permite a análise quantitativa e a co-otimização de parâmetros estruturais e de controle em robótica interativa, superando as limitações de experimentos tradicionais ao fornecer acesso direto a métricas biomecânicas internas.
O artigo propõe o framework BD-FDG, que utiliza a taxonomia de Bloom e controle de qualidade automatizado para gerar um conjunto de dados de 230 mil amostras (SSA-SFT) com camadas cognitivas, permitindo o ajuste fino de um modelo LLM para Situação Espacial (SSA) com ganhos significativos de desempenho sem comprometer suas capacidades gerais.
O artigo apresenta o BridgeDiff, um framework baseado em difusão que supera as limitações dos métodos anteriores ao conectar observações humanas e síntese de roupas planas através de dois módulos complementares, resultando em reconstruções de roupas virtuais com maior qualidade estrutural e fidelidade visual.
O artigo apresenta o Social-R1, um framework de aprendizado por reforço que utiliza o benchmark adversarial ToMBench-Hard para treinar modelos de linguagem com raciocínio social humano, permitindo que um modelo de 4 bilhões de parâmetros supere versões maiores e generalize eficazmente em diversas tarefas sociais.
Este estudo apresenta uma abordagem multimodelo baseada em redes neurais pré-treinadas e personalizadas, combinando técnicas avançadas de visão computacional e aprendizado profundo para aprimorar a detecção de sinais de trânsito, veículos e faixas, bem como o clonagem de comportamento, visando aumentar a robustez e confiabilidade dos sistemas de direção autônoma.