1071 artigos
O artigo apresenta o "Sentinel", um agente de IA autônomo que supera os médicos individuais na triagem de sinais vitais de monitoramento remoto de pacientes, alcançando alta sensibilidade e consistência a um custo mínimo, o que resolve o problema de escalabilidade que limitou estudos clínicos anteriores.
O artigo apresenta a Atenção Exclusiva (XSA), uma modificação simples da atenção auto-referencial que restringe a atenção a informações ortogonais ao próprio vetor do token, melhorando consistentemente o desempenho de modelagem de sequências em Transformers, especialmente em contextos longos.
Este estudo diagnostica a lacuna de desempenho entre o processamento de texto em formato de imagem e em tokens textuais em Modelos de Linguagem Multimodais, identificando que erros de leitura e formatação são os principais culpados, e propõe um método de auto-distilação que elimina essa lacuna ao treinar o modelo com seus próprios raciocínios textuais, elevando drasticamente a precisão em tarefas matemáticas e em documentos reais.
Este estudo apresenta o "Bioalignment", um framework de avaliação que revela que a maioria dos modelos de linguagem de grande escala (LLMs) possui viés em favor de soluções sintéticas em detrimento das biológicas, demonstrando que o ajuste fino (fine-tuning) com um corpus especializado pode reverter essa preferência sem comprometer as capacidades gerais do modelo.
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 propõe o DEO, um método livre de treinamento para otimização direta de embeddings que melhora a recuperação de textos e multimídia em consultas com negação e exclusão, superando as abordagens existentes sem exigir dados adicionais ou ajuste fino de modelos.
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.
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 apresenta o SPAR-K, um framework de saída antecipada ciente de modalidade para modelos de linguagem falada intercalados que acelera a inferência reduzindo a profundidade de decodificação da fala através de um agendamento alternado periódico, preservando a qualidade perceptual e a precisão sem sobrecarga computacional adicional.
O artigo apresenta o LooComp, um método leve baseado em uma estratégia de "leave-one-out" e em um Transformer apenas codificador que comprime contextos de forma eficiente e orientada à consulta, mantendo a precisão na resposta e reduzindo custos computacionais para tarefas de geração aumentada por recuperação.
Este estudo avalia sistematicamente quatro estratégias de Decodificação Contrastiva em Modelos de Linguagem de Áudio de Grande Escala, identificando as mais eficazes e propondo uma estrutura de Matriz de Transição para explicar como essas técnicas corrigem erros específicos, como a negação falsa de áudio ou o palpite por incerteza, fornecendo diretrizes para selecionar a melhor estratégia com base no perfil de erros do modelo.
Este artigo apresenta o AgentGEO, um sistema autônomo que diagnostica e repara falhas específicas na citação de documentos em motores generativos, alcançando uma melhoria superior a 40% nas taxas de citação ao modificar apenas 5% do conteúdo, superando abordagens genéricas e promovendo uma visibilidade mais equitativa.
O artigo apresenta o TA-Mem, um novo quadro de recuperação de memória autônoma e aumentada por ferramentas para Grandes Modelos de Linguagem (LLMs) que supera as limitações das abordagens estáticas atuais ao permitir a extração adaptativa de informações e a seleção dinâmica de métodos de busca, resultando em melhorias significativas de desempenho em tarefas de perguntas e respostas de conversação de longo prazo.
O artigo apresenta o TaSR-RAG, um framework de raciocínio estruturado guiado por taxonomia que melhora a precisão e a atribuição de evidências em sistemas de Geração Aumentada por Recuperação (RAG) ao decompor consultas complexas em sub-consultas de triplos relacionais e realizar seleção de evidências passo a passo sem a necessidade de construção de grafos dispendiosa.
O artigo demonstra que os rótulos gerados por grandes modelos de linguagem (LLMs) alinham-se bem com os rótulos humanos, permitindo a expansão eficiente do conjunto de dados TRPS com novas cenas e idiomas para melhorar a cobertura espacial.
Este artigo apresenta o StateFactory, um método que utiliza representações de estados mundiais fatorados via modelos de linguagem para prever recompensas com alta generalização zero-shot, superando modelos existentes e melhorando significativamente o desempenho de planejamento de agentes em tarefas complexas.
O artigo propõe o framework "LLM como Meta-Juiz", que utiliza modelos de linguagem para gerar dados sintéticos via degradação semântica controlada, validando métricas de avaliação de NLG com alta correlação em relação a julgamentos humanos e oferecendo uma alternativa escalável e econômica, especialmente para idiomas além do inglês.
Este estudo investiga como os Modelos de Linguagem de Grande Escala (LLMs) perpetuam estereótipos de gênero em registros de pacientes franceses ao analisar as interações entre o gênero e outros determinantes sociais da saúde, demonstrando que a avaliação dessas interações é essencial para complementar as abordagens existentes de detecção de viés.
Este trabalho identifica uma limitação crítica em Grandes Modelos de Linguagem (LLMs), que tendem a priorizar o raciocínio moral em detrimento do senso comum, revelando um viés de foco narrativo onde a detecção de contradições de senso comum é significativamente mais difícil quando atribuída ao personagem principal em comparação com personagens secundários.
O artigo apresenta o CyberThreat-Eval, um novo benchmark baseado em fluxos de trabalho reais de inteligência de ameaças cibernéticas (CTI) e métricas centradas em analistas, que revela as limitações atuais dos Grandes Modelos de Linguagem (LLMs) na automação de tarefas complexas de pesquisa de ameaças e propõe um processo iterativo com feedback humano para superá-las.