2026 artigos
O artigo apresenta o SpiroLLM, o primeiro modelo de linguagem multimodal capaz de interpretar séries temporais de espirogramas para gerar relatórios diagnósticos explicáveis e clinicamente validados para a DPOC, superando as limitações de modelos anteriores ao alcançar alta precisão e robustez mesmo com dados incompletos.
O artigo propõe o MultiRole-R1, um framework de treinamento que aprimora o raciocínio de modelos em questões subjetivas ao introduzir diversidade de perspectivas e de tokens via RL, resultando em ganhos significativos de precisão tanto em tarefas subjetivas quanto em problemas matemáticos avançados.
Este trabalho desafia a visão de que a aprendizagem de cor (memorização) prejudica a generalização, demonstrando que modelos de linguagem de grande escala podem generalizar dados memorizados através de um framework de duas fases que alinha representações latentes entre tokens sintéticos e prompts semanticamente significativos.
O artigo apresenta o DeepSieve, um framework agênico de RAG que utiliza um LLM como roteador de conhecimento para decompor consultas complexas, filtrar informações irrelevantes e melhorar a precisão da recuperação e a profundidade do raciocínio em tarefas de múltiplos saltos.
O artigo apresenta o Uni-CoT, um framework unificado que supera as limitações atuais no raciocínio multimodal ao combinar compreensão e geração de imagens em um único modelo, utilizando uma abordagem de raciocínio em dois níveis (macro e micro) e treinamento estruturado para alcançar desempenho state-of-the-art com eficiência computacional.
O estudo demonstra que a esparsidade ideal em modelos de linguagem do tipo Mixture-of-Experts para tarefas de raciocínio depende de um equilíbrio entre FLOPs ativos e tokens totais por parâmetro, revelando que o aumento do cálculo ativo melhora o raciocínio enquanto a memorização beneficia-se de mais parâmetros, independentemente de técnicas de pós-treinamento ou computação em tempo de teste.
O artigo apresenta o EigenBench, um método de caixa preta que utiliza o algoritmo EigenTrust para gerar uma métrica comparativa de alinhamento de valores em modelos de linguagem, avaliando-os mutuamente em diversos cenários sem depender de rótulos de verdade absoluta e validando seus resultados através da forte correlação com julgamentos humanos.
O artigo propõe o método GACD, uma técnica de decodificação baseada em inferência que utiliza gradientes de primeira ordem para estimar e mitigar vieses textuais e de coocorrência em modelos de linguagem multimodal, reduzindo alucinações e melhorando a fundamentação visual sem necessidade de ajuste fino.
O artigo propõe o método DQO (Otimização de Qualidade e Diversidade), baseado em Processos de Pontos Determinantais, para aprimorar a diversidade semântica das respostas de Grandes Modelos de Linguagem durante o treinamento por reforço sem comprometer sua qualidade.
O artigo apresenta o BinaryShield, um sistema pioneiro que permite o compartilhamento seguro de inteligência sobre ameaças entre serviços de LLMs através de impressões digitais que preservam a privacidade, superando as barreiras regulatórias para detectar ataques de injeção de prompts sem violar os dados dos usuários.
O artigo apresenta o SVDecode, um método leve e teoricamente fundamentado que melhora a adaptação de tarefas em grandes modelos de linguagem alinhando suas distribuições de saída durante a decodificação por meio de um vetor de direção extraído de um ajuste fino inicial, alcançando ganhos de desempenho significativos sem adicionar parâmetros treináveis além dos adaptadores PEFT existentes.
Este estudo de grande escala avalia sistematicamente a interação entre modelos de linguagem grandes (LLMs) e dados gráficos, revelando que a geração de código supera outras abordagens em desempenho e adaptabilidade, especialmente em grafos heterofílicos e com textos longos, oferecendo diretrizes práticas para o desenvolvimento futuro de métodos de inferência gráfica.
O artigo apresenta o PMark, um novo método de marcação d'água semântica para grandes modelos de linguagem que, fundamentado em um framework teórico de funções proxy e múltiplas restrições de canal, garante robustez contra ataques de paráfrase e qualidade de texto sem distorções, superando as abordagens existentes.
Este artigo apresenta a Otimização de Árvore de Grupo (GTO), um novo método que alinha o treinamento do modelo de rascunho com a política de decodificação em árvore do tempo de execução, resultando em um aumento significativo no comprimento de aceitação e na velocidade de inferência de modelos de linguagem grandes em comparação com o estado da arte.
Este artigo propõe o T2PAM e o algoritmo leve ROSA, que adaptam a política de modelos de linguagem em tempo real durante interações multi-turno utilizando feedback do usuário para corrigir erros e alinhar-se às preferências do usuário com alta eficiência computacional.
Os autores propõem e validam uma abordagem inovadora que permite realizar múltiplos experimentos de pré-treinamento simultaneamente durante uma única execução de treinamento, reduzindo drasticamente os custos computacionais sem comprometer significativamente o desempenho do modelo ou a validade dos resultados.
Este artigo apresenta e analisa o conceito matemático de "conjuntos de nível dinâmicos", uma noção distinta da literatura padrão que, fundamentada no Princípio da Auto-modificabilidade, desafia resultados clássicos sobre a equivalência entre máquinas de Turing determinísticas e probabilísticas ao propor que a realização física de um conjunto lógico invariante é reconfigurada a cada passo por um processo físico incomputável.
O artigo apresenta o FeynTune, um conjunto de modelos de linguagem especializados em Física de Altas Energias, obtidos por meio do ajuste fino de variantes do Llama-3.1 em dados do arXiv, os quais superaram o modelo base e outros grandes modelos comerciais em tarefas de conclusão de resumos teóricos.
Este artigo apresenta um estudo de benchmark que demonstra que, embora as estratégias de filtragem de dados reduzam conteúdos prejudiciais no pré-treinamento de modelos de linguagem, elas inadvertidamente aumentam a sub-representação de grupos vulneráveis à discriminação nos conjuntos de dados.
Um estudo de sete dias com estudantes universitários revela que, embora o ChatGPT aumente temporariamente o desempenho criativo, sua ausência leva a um retorno à linha de base e a uma homogeneização persistente das ideias, sugerindo que a inteligência artificial generativa pode, a longo prazo, limitar a capacidade criativa humana.