1071 artigos
O artigo apresenta o Dial, um sistema de NL2SQL baseado em conhecimento que supera as limitações dos métodos existentes ao gerar consultas SQL semanticamente corretas e executáveis em diversos dialetos de banco de dados, utilizando planejamento lógico consciente de dialeto, uma base de conhecimento hierárquica e um ciclo de depuração orientado à execução.
Este artigo oferece uma pesquisa abrangente sobre a evolução técnica dos modelos de geração de imagens, detalhando desde VAEs e GANs até métodos baseados em difusão, abordando também avanços na geração de vídeo e as questões de responsabilidade e robustez no seu uso.
O artigo apresenta o Transformer de Duplo Fluxo, uma arquitetura que separa o fluxo residual em componentes de token e contexto para criar um trade-off ajustável entre interpretabilidade e desempenho, permitindo que modelos de linguagem mantenham robustez funcional e aprendam algoritmos discretos enquanto expõem sua estrutura interna por design.
O estudo demonstra que modelos de linguagem pré-treinados, quando integrados a codificadores de imagem em modelos de visão-linguagem, conseguem recuperar e generalizar conhecimento taxonômico (hiperônimos) mesmo sem evidência explícita durante o treinamento, indicando que essa capacidade surge da combinação entre a coerência dos dados visuais e o conhecimento derivado de pistas linguísticas.
O artigo demonstra que os modelos de difusão nativos (dLLMs) possuem uma estrutura de representação mais redundante e hierárquica do que os modelos autoregressivos, permitindo uma redução de até 18,75% nos FLOPs através de um método de pulo de camadas estático e sem alterações arquiteturais, enquanto os modelos autoregressivos sofrem degradação significativa de desempenho sob a mesma condição.
Este artigo propõe um sistema neural end-to-end inovador para a extração conjunta de conceitos, asserções e relações em textos clínicos, demonstrando desempenho superior ao dos modelos em pipeline tradicionais e estabelecendo uma forte linha de base para pesquisas futuras na área.
Este trabalho apresenta o Bolbosh, o primeiro sistema neural de texto para fala (TTS) de código aberto e específico para o idioma caxemire, que supera as limitações dos modelos multilíngues existentes ao utilizar uma estratégia de adaptação supervisionada baseada em Fluxo Condicional de Transporte Ótimo (OT-CFM) e um pipeline de aprimoramento acústico para alcançar inteligibilidade e qualidade superiores.
O artigo apresenta o TableMind++, uma evolução do agente programático TableMind que introduz um novo framework de inferência consciente da incerteza, combinando poda de planos guiada por memória, refinamento de ações baseado em confiança e agregação de trajetórias para mitigar alucinações e melhorar o raciocínio em tabelas.
O artigo apresenta o "Accent Vector", uma representação controlável que permite a manipulação de sotaques em sistemas de síntese de fala multilíngue sem a necessidade de dados de treinamento com sotaques, gerando fala com sotaques variados e mistos através do ajuste e interpolação de vetores derivados de idiomas nativos.
O artigo apresenta o MAWARITH, um grande conjunto de dados e benchmark em árabe com 12.500 casos de herança islâmica projetado para treinar e avaliar a capacidade de raciocínio estruturado de modelos de linguagem, introduzindo também a métrica MIR-E para uma avaliação detalhada das etapas de inferência jurídica.
Este artigo propõe um framework de geração de fala com sotaque que utiliza regras fonológicas aplicadas a sequências de fonemas em um modelo TTS multilíngue, permitindo a criação de sotaques (como espanhol e indiano) sem a necessidade de dados de treinamento específicos.
Este trabalho apresenta o corpus de fala Devanagari "Nwāchā Munā" e demonstra que o ajuste fino de um modelo de reconhecimento de fala treinado em nepali (uma língua vizinha) supera a escassez de recursos para a língua Nepal Bhasha, alcançando desempenho comparável a modelos multilíngues massivos com maior eficiência computacional.
O artigo apresenta o KCoEvo, um framework aprimorado por grafos de conhecimento que divide a migração de código em recuperação de caminhos evolutivos e geração informada, superando as limitações dos modelos de linguagem padrão ao lidar com mudanças em APIs de terceiros.
Este artigo apresenta o StyleBench, um benchmark de diálogos múltiplos projetado para avaliar sistematicamente a capacidade de modelos de linguagem de fala em controlar a intensidade de estilos conversacionais em quatro dimensões: emoção, velocidade, volume e tom.
O artigo apresenta o KohakuRAG, um framework RAG hierárquico que preserva a estrutura documental através de uma representação em árvore de quatro níveis, utiliza um planejador de consultas baseado em LLM e inferência em conjunto para melhorar a precisão e a estabilidade, alcançando o primeiro lugar no Desafio WattBot 2025 com pontuação de 0,861.
Este artigo apresenta o Megatron Core, uma solução de código aberto que otimiza o treinamento escalável de modelos Mixture-of-Experts (MoE) através de técnicas integradas de memória, comunicação e computação, alcançando alto desempenho em clusters de milhares de GPUs para modelos de bilhões a trilhões de parâmetros.
Este trabalho avalia a capacidade de diferentes modelos de linguagem, como a série Llama-3 e o ChatGPT, na resolução de problemas de otimização discreta em larga escala, demonstrando que modelos mais robustos tendem a ter melhor desempenho e que técnicas como o raciocínio passo a passo (CoT) nem sempre são eficazes, oferecendo assim diretrizes e benchmarks para pesquisas futuras e aplicações automáticas.
O artigo apresenta o 3ViewSense, um novo framework que supera a lacuna de inteligência espacial em Modelos Visão-Linguagem ao utilizar um mecanismo de "Simular e Raciocinar" baseado em vistas ortográficas para construir representações mentais 3D coerentes a partir de observações 2D.
O artigo demonstra que a normalização (whitening) em espaços de embeddings revela o compromisso do cluster como o separador geométrico correto entre tipos de alucinação, distinguindo a convergência para o "poço errado" (Tipo 2) das lacunas de cobertura (Tipo 3) e indicando que a dificuldade em separar os tipos 1 e 2 é uma limitação de capacidade dos modelos em vez de um artefato de medição.
O artigo apresenta o sistema QuadAI para a tarefa SemEval-2026, que utiliza aprendizado de conjunto para combinar um codificador híbrido RoBERTa com grandes modelos de linguagem (LLMs), alcançando melhor desempenho na análise de sentimento dimensional baseada em aspectos através da integração de representações contínuas e discretas.