1071 artigos
O artigo apresenta o MITRA, um assistente de IA baseado em RAG e hospedado localmente para colaborações científicas como o CMS, que utiliza um pipeline automatizado de extração de texto e uma arquitetura de banco de dados vetorial em dois níveis para recuperar com precisão informações de documentação interna de física, garantindo a privacidade dos dados.
O artigo apresenta o One-Eval, um sistema agêntico que automatiza e torna rastreável a avaliação de modelos de linguagem grandes, convertendo solicitações em linguagem natural em fluxos de trabalho executáveis e personalizáveis para reduzir o esforço manual e aumentar a reprodutibilidade em ambientes industriais.
Este trabalho propõe a utilização de árvores de Chow-Liu para determinar uma ordem de processamento de chunks que priorize dependências fortes, demonstrando empiricamente que essa abordagem reduz a perda de informação e supera métodos de ordenação padrão em tarefas de raciocínio de longo contexto com agentes em cadeia.
Este artigo demonstra que modelos de linguagem neural cujas previsões se correlacionam mais fortemente com estatísticas simples de n-gramas são os que melhor preveem o tempo de leitura, sugerindo que esse processo cognitivo é mais sensível a padrões estatísticos básicos do que às complexas estatísticas aprendidas por transformadores modernos.
O artigo apresenta o conjunto de dados multilíngue "DoWhatISay" (DOWIS), composto por prompts falados e escritos para avaliar modelos de linguagem de fala, revelando que os prompts textuais superam consistentemente os falados, exceto em tarefas com saída de áudio, onde a diferença diminui.
Este estudo avalia sete modelos de linguagem de ponta em dois experimentos com mais de 19 mil participantes, descobrindo que eles superam anúncios de campanha tradicionais em persuasão política, com o Claude apresentando o maior impacto e o Grok o menor, além de revelar que o uso de prompts baseados em informações afeta a eficácia persuasiva de forma dependente do modelo específico.
O artigo propõe o MSSR, um framework de replay adaptativo que estima a força de memória em nível de amostra e agenda a reutilização de dados em intervalos dinâmicos para mitigar o esquecimento catastrófico durante o ajuste contínuo de grandes modelos de linguagem, superando os métodos existentes em eficiência e desempenho.
O artigo demonstra que ativar o raciocínio em LLMs melhora a recuperação de conhecimento paramétrico em perguntas factuais simples através de dois mecanismos — um efeito de buffer computacional e uma priming factual —, embora também revele que alucinações em etapas intermediárias aumentem o risco de erros na resposta final.
Esta pesquisa apresenta uma revisão abrangente e estruturada do paradigma de fusão de modelos na era dos Grandes Modelos de Linguagem, introduzindo a taxonomia FUSE para analisar fundamentos teóricos, estratégias de unificação, cenários de aplicação e o ecossistema de ferramentas, visando oferecer uma base sólida para pesquisadores e praticantes avançarem nessa área.
O estudo demonstra que, ao contrário do comportamento humano, o raciocínio em modelos de linguagem aumenta consistentemente a honestidade, não apenas pelo conteúdo do pensamento, mas porque o processo de geração de tokens deliberativos navega por um espaço representacional onde as respostas enganosas são metaestáveis e mais facilmente destabilizadas do que as honestas.
O artigo apresenta o CREATE, um benchmark projetado para avaliar a capacidade de raciocínio associativo criativo de modelos de linguagem, focando na geração de caminhos diversos e específicos entre conceitos, e demonstra que, embora os modelos mais avançados tenham maior utilidade criativa, o benchmark permanece difícil de saturar e não garante que modelos com processos de "pensamento" sejam sempre mais eficazes.
Esta pesquisa oferece uma revisão abrangente dos avanços recentes nos Grandes Modelos de Linguagem (LLMs), abordando suas origens, técnicas principais (como pré-treinamento e ajuste fino), capacidades de utilização e avaliação, além de discutir recursos disponíveis e desafios futuros.
O artigo apresenta o Agent-OM, um novo paradigma baseado em agentes de LLM que utiliza um framework com agentes siameses e ferramentas específicas para realizar correspondência de ontologias, demonstrando desempenho superior em tarefas complexas e de poucos exemplos em comparação com os sistemas mais avançados existentes.
O artigo apresenta o Llama-Mob, um modelo de linguagem grande (Llama-3-8B) ajustado via instrução que supera os métodos atuais na previsão de mobilidade humana em larga escala e a longo prazo, demonstrando também notáveis capacidades de generalização zero-shot entre diferentes cidades.
Este artigo propõe um modelo integrativo que explica como a identidade do falante influencia a compreensão da linguagem através da interação entre processos perceptivos baseados em memória episódica e expectativas top-down, distinguindo efeitos de familiaridade individual e de demografia social, e sugere a extensão dessas descobertas para a interação com agentes de inteligência artificial.
Este artigo apresenta um gargalo discreto chave-valor (DKVB) para modelos de linguagem pequenos, permitindo um aprendizado contínuo eficiente que mitiga o esquecimento catastrófico através de atualizações localizadas e uma inicialização independente de tarefas, alcançando desempenho competitivo com custos computacionais reduzidos.
O artigo apresenta o HarmonicEval, uma métrica de avaliação automática sem referência que agrega pontuações por critério de forma bottom-up, e o benchmark MMHE, composto por 18.000 julgamentos humanos em quatro tarefas multimodais, demonstrando que essa abordagem supera as métricas convencionais ao alinhar-se melhor com os julgamentos humanos em cenários de múltiplas tarefas e critérios.
Este artigo investiga o fenômeno de colapso de embeddings no Prompt-Tuning, demonstrando que priores de embedding influenciam significativamente a posição dos embeddings ajustados e que as trajetórias geradas formam clusters distintos para tarefas distantes, levantando questões sobre a importância de um único cluster de ativação para a generalização dos modelos de linguagem.
Este artigo apresenta um novo framework de ensemble de modelo único para tradução automática neural que utiliza tradução pivô para gerar e agregar candidatos diversos e de alta qualidade, superando os custos computacionais e limitações dos métodos tradicionais de ensemble.
O artigo apresenta o GRADIEND, um método inovador de codificação e decodificação que utiliza gradientes de modelos para identificar e reescrever pesos neurais, permitindo a remoção de vieses sociais (como gênero, raça e religião) em sistemas de IA sem comprometer suas outras capacidades.