1072 artigos
Este artigo demonstra que, apesar de sua excelência em tarefas de geração, os Grandes Modelos de Linguagem (LLMs) apresentam desempenho significativamente inferior e, por vezes, não confiável em tarefas de avaliação, revelando uma lacuna crítica entre a capacidade de gerar e a de avaliar corretamente.
Este artigo apresenta o uso inovador do ChatGPT para realizar análise de sentimento em citações de artigos científicos, visando identificar nuances na recepção das obras citadas e detectar potenciais vieses ou conflitos de interesse para promover maior integridade na pesquisa acadêmica.
O artigo investiga a ontologia dos Grandes Modelos de Linguagem (LLMs), concluindo que, embora faltem às condições necessárias para a agência autônoma segundo teorias corporificadas da mente, eles atuam como interlocutores linguísticos que, ao se acoplar com humanos, transformam e produzem novas formas de agência intencional.
O estudo demonstra que as métricas de viés atualmente utilizadas não conseguem capturar de forma confiável os danos alocacionais gerados por modelos de linguagem, evidenciando a necessidade de considerar como as previsões são efetivamente aplicadas na tomada de decisões sobre recursos limitados.
O artigo apresenta o Goldfish, um conjunto de mais de 1.000 modelos de linguagem monolíngues pequenos e treinados comparativamente para 350 idiomas, que superam modelos multilíngues grandes em tarefas de geração gramatical e perplexidade, especialmente para idiomas de baixos recursos.
Este artigo propõe uma abordagem eficiente e interpretável para mitigar vieses em Grandes Modelos de Linguagem, utilizando pequenos modelos especialistas para gerar um sinal de correção aplicado durante a decodificação, o que reduz preconceitos de gênero, raça e religião sem comprometer o desempenho do modelo.
O artigo apresenta o SpecEM, um framework de ensemble de modelos de linguagem grandes (LLMs) sem treinamento que combina previsão de segmentos futuros e um mecanismo de feedback online para ajustar dinamicamente os pesos dos modelos, superando as limitações de latência e colaboração semântica dos métodos existentes.
O artigo apresenta o LEO, uma arquitetura simples e eficaz que otimiza a fusão de múltiplos codificadores visuais em modelos de linguagem multimodal através de uma receita leve de integração, demonstrando desempenho superior em diversos benchmarks e forte capacidade de generalização para domínios especializados como a condução autónoma.
Esta pesquisa oferece uma visão geral estruturada sobre como os modelos de linguagem multimodais estão transformando o ciclo de vida científico, abrangendo desde a descoberta e experimentação até a geração de conteúdo e avaliação, ao mesmo tempo que discute técnicas, tendências, desafios éticos e o potencial de integração em futuros sistemas de "IA para Ciência".
Este artigo propõe e avalia uma metodologia para fine-tuning de LLMs na geração de texto code-switched (português-inglês), demonstrando que essa abordagem produz resultados fluentes e de alta qualidade, enquanto destaca que métricas tradicionais falham em correlacionar-se com o julgamento humano, ao contrário de avaliações baseadas em LLMs.
O artigo apresenta o CAReDiO, um novo framework de otimização de dados que melhora o alinhamento cultural de Grandes Modelos de Linguagem ao garantir representatividade e distintividade nas culturas-alvo, permitindo um treinamento eficiente com poucos exemplos e superando datasets anteriores em diversos benchmarks.
O artigo apresenta o RM-R1, uma nova classe de Modelos de Recompensa de Raciocínio (ReasRMs) que integra cadeias de raciocínio e o mecanismo de "cadeia de rubricas" para melhorar a interpretabilidade e o desempenho na modelagem de recompensas, superando modelos proprietários e de grande porte em benchmarks padrão.
Este artigo apresenta o EVA, um novo framework de aprendizado de características assíncronas inspirado em modelos de linguagem que supera métodos anteriores em tarefas de reconhecimento e detecção, permitindo o processamento eficiente e expressivo de dados de câmeras de eventos.
Este artigo propõe o método K-CAST, uma técnica de direcionamento de ativação condicional baseada em kNN que mitiga eficazmente os vieses de conteúdo no raciocínio de modelos de linguagem, melhorando a precisão do raciocínio formal em até 15% sem prejudicar significativamente outras capacidades do modelo.
O artigo apresenta o AdAEM, um algoritmo de avaliação adaptativo e automatizado que gera dinamicamente perguntas de teste para identificar e medir as diferenças de valores entre Grandes Modelos de Linguagem (LLMs), superando as limitações de métodos estáticos atuais ao maximizar a distinção informativa sobre vieses e alinhamentos culturais.
Este artigo apresenta um pipeline determinístico e automatizado que transforma corpora de domínio bruto em benchmarks de estilo "completar" para avaliar de forma escalável, imparcial e independente de outros LLMs o conhecimento específico de domínio em modelos de linguagem, superando as limitações de contaminação e viés dos benchmarks existentes.
O artigo apresenta o Sysformer, uma abordagem inovadora que utiliza um modelo transformador para adaptar dinamicamente os prompts de sistema de grandes modelos de linguagem (LLMs) congelados, melhorando significativamente sua robustez contra ataques de jailbreak e garantindo respostas seguras sem a necessidade de custosos ajustes nos parâmetros do modelo.
O artigo apresenta o VLMQ, um framework de quantização pós-treinamento (PTQ) projetado especificamente para modelos visão-linguagem (VLMs) que, ao identificar e mitigar a super-representação visual e a lacuna entre modalidades por meio da priorização seletiva de tokens salientes, alcança desempenho superior ao estado da arte, especialmente em configurações de baixa precisão.
Este estudo de caso avalia o desempenho de modelos de linguagem de grande escala com janelas de contexto estendidas versus estratégias de Geração Aumentada por Recuperação (RAG) em um cenário de perguntas e respostas técnicas multilíngues sobre um manual agrícola, demonstrando que a abordagem RAG híbrida supera consistentemente o prompting direto, alcançando alta precisão com modelos como Gemini 2.5 Flash e Qwen 2.5 7B.
O artigo apresenta o CMRAG, um novo framework de recuperação e geração aumentada que integra simultaneamente texto e imagens por meio de um modelo de codificação unificado e um método de recuperação co-modal, superando as limitações das abordagens unimodais em tarefas de perguntas e respostas sobre documentos visuais.