1072 artigos
O artigo apresenta o RexDrug, um framework aprimorado por raciocínio baseado em grandes modelos de linguagem que supera os métodos existentes na extração precisa de combinações de múltiplos fármacos (n-ários) a partir de literatura biomédica, utilizando uma estratégia de treinamento em duas etapas com colaboração multiagente e aprendizado por reforço.
O estudo demonstra que o raciocínio em cadeia contínuo (Continuous Chain-of-Thought) supera o raciocínio explícito em idiomas de baixa recursos, oferecendo maior robustez em cenários zero-shot e uma compressão de eficiência de 29 a 50 vezes, graças à invariância linguística inerente às representações latentes contínuas.
O artigo apresenta o TildeOpen LLM, um modelo de linguagem aberto de 30 bilhões de parâmetros treinado com aprendizado curricular e técnicas de reamostragem para promover a equidade linguística e superar modelos existentes em 34 línguas europeias, especialmente nas línguas bálticas, fino-úgricas e eslavas, sem exigir aumento no tamanho do modelo ou no volume de treinamento.
O artigo apresenta o CoPaLink, uma abordagem automatizada que integra reconhecimento de entidades nomeadas e vinculação a bases de conhecimento para conectar menções de ferramentas bioinformáticas em textos científicos às suas implementações em código executável, visando aprimorar a reprodutibilidade e a compreensão de fluxos de trabalho.
O artigo argumenta que as avaliações atuais de ataques de reconstrução contra técnicas de remoção de informações pessoalmente identificáveis (PII) são superestimadas devido a vazamentos e contaminação de dados, e conclui que a falta de acesso a dados privados impede que a comunidade de pesquisa avalie de forma transparente e confiável a eficácia real dessas técnicas de proteção de privacidade.
O artigo apresenta o DualTurn, um modelo pré-treinado generativo em áudio conversacional de dois canais que supera os métodos existentes na previsão de ações de agente e na antecipação de limites de turno, permitindo uma interação mais natural e eficiente sem depender de timeouts de silêncio.
Este artigo apresenta a Matriz de Transferência Cross-Lingual (CLTM), um método sistemático para quantificar como os dados de línguas-fonte afetam o desempenho em tarefas paralinguísticas como identificação de gênero e verificação de locutor, revelando padrões de transferência distintos e dependentes da língua ao utilizar um codificador multilíngue baseado em HuBERT.
Este artigo apresenta o Fibration Policy Optimization (FiberPO), um novo quadro teórico e prático que unifica o controle de estabilidade em múltiplas escalas para modelos de linguagem grandes, combinando uma reformulação exata de objetivos de confiança com uma estrutura algébrica de fibrados para otimizar a eficiência e a estabilidade do treinamento em sistemas heterogêneos.
Este artigo investiga como o contexto sintático, as classes e as tarefas influenciam a sensibilidade das explicações de modelos Transformer à aleatoriedade do treinamento, demonstrando que todos os fatores têm impacto estatisticamente significativo, sendo o efeito mais forte nas tarefas e o mais fraco no contexto.
O artigo propõe um framework de reconhecimento de fala audiovisual para cenários sem recursos que utiliza dados visuais sintéticos gerados por sincronização labial de imagens estáticas com áudio real, demonstrando eficácia ao alcançar desempenho próximo ao estado da arte em catalão com menos dados e parâmetros que os métodos tradicionais.
O artigo apresenta o CoFiCot, um framework adaptativo de refinamento do grosseiro ao fino que utiliza um classificador multimétrico para direcionar recursos de inferência de forma diferenciada, aplicando correções sequenciais com estado e modelos de recompensa de processo para otimizar o raciocínio de LLMs conforme a complexidade da tarefa.
Este artigo apresenta a abordagem da NCL-UoR para a tarefa de avaliação de plausibilidade de sentido de palavras no SemEval-2026, demonstrando que uma estratégia de *prompting* estruturado com regras de decisão explícitas supera tanto métodos baseados em *embeddings* quanto modelos *transformers* ajustados, evidenciando que o design do *prompt* é mais crucial que a escala do modelo para essa tarefa.
Este estudo de 172 bilhões de tokens revela que, embora a seleção do modelo seja o fator mais crítico para a precisão, as alucinações em tarefas de Q&A com documentos aumentam drasticamente com o tamanho do contexto (ultrapassando 10% em 200K tokens), enquanto configurações de temperatura mais altas podem reduzir a perda de coerência sem comprometer significativamente a precisão, e os resultados permanecem consistentes independentemente da plataforma de hardware.
O artigo propõe o framework AdaCultureSafe, que integra conhecimento cultural e segurança em Grandes Modelos de Linguagem (LLMs) através de um novo conjunto de dados verificado manualmente, revelando a ausência de correlação entre segurança e proficiência cultural nos modelos atuais e apresentando um método baseado em conhecimento para aprimorar a segurança cultural.
Este artigo avalia a capacidade de modelos de linguagem (LLMs) de revisar propostas de financiamento do EPSRC através de perturbações estruturadas, descobrindo que a abordagem de análise seção por seção supera outras arquiteturas, embora os sistemas atuais ainda apresentem variabilidade significativa e priorizem a verificação de conformidade em detrimento de uma avaliação holística.
O artigo apresenta o SBARThez, um novo framework para sumarização abstrativa que utiliza embeddings de sentenças multimodais e multilíngues, combinados com um mecanismo de injeção de entidades nomeadas, para gerar resumos mais concisos e factualmente consistentes em textos e fala, inclusive para idiomas de baixos recursos.
Este artigo apresenta o LAMUS, um corpus de grande escala para mineração de argumentos jurídicos em decisões dos EUA, construído por meio de um pipeline que combina coleta de dados, anotação automatizada com LLMs e refinamento humano, demonstrando que o *chain-of-thought* e a verificação assistida por IA melhoram significativamente a qualidade e a consistência dos dados.
Este trabalho propõe um quadro de pós-treinamento unificado que estende modelos fundamentais de fala para gerar múltiplas representações de nível de enunciado, como semânticas e de locutor, demonstrando sua eficácia em tarefas de recuperação de fala multilingue e reconhecimento de locutor.
O artigo apresenta o SlowBA, um ataque de backdoor inovador que compromete a eficiência de agentes de interface gráfica baseados em modelos de linguagem e visão (VLM) ao induzir cadeias de raciocínio excessivamente longas sob gatilhos específicos, aumentando significativamente a latência de resposta sem prejudicar a precisão das tarefas.
O SPD-RAG é um framework hierárquico de múltiplos agentes que melhora a qualidade e a escalabilidade da resposta a perguntas complexas em grandes corpora documentais, superando métodos tradicionais de RAG e modelos de contexto longo ao processar documentos individualmente e sintetizar suas respostas de forma eficiente e econômica.