1077 artigos
O artigo apresenta o ROSE, um método de poda "one-shot" para Grandes Modelos de Linguagem que reordena os pesos com base na perda de poda estimada para superar as limitações de ordem pré-definida do SparseGPT, alcançando maior precisão em modelos como LLaMA e Mistral.
O artigo propõe o paradigma "CoCA", uma estrutura de aprendizado por reforço que otimiza conjuntamente a calibração da confiança e a precisão das respostas em modelos de linguagem, permitindo que o modelo estime sua probabilidade de acerto antes de gerar a resposta, superando assim as limitações dos métodos tradicionais que avaliam a incerteza apenas após a resposta.
O artigo apresenta o VerChol, uma abordagem de tokenização baseada em gramática projetada para preservar os limites dos morfemas em línguas aglutinantes, superando as limitações dos métodos estatísticos tradicionais como o Byte Pair Encoding (BPE).
Este artigo apresenta o ConStory-Bench, um novo benchmark e pipeline automatizado (ConStory-Checker) projetados para avaliar e detectar erros de consistência em narrativas longas geradas por Grandes Modelos de Linguagem, identificando padrões específicos de falhas factuais e temporais que ocorrem frequentemente no meio das histórias.
Este artigo apresenta uma metodologia de ensemble baseada em LLMs que utiliza as métricas de Razão de Preservação de Conteúdo (CPR) e Adequação de Tags (TWF) para selecionar automaticamente as melhores saídas de múltiplos modelos, garantindo a limpeza e o etiquetamento semântico precisos e econômicos das resoluções do Conselho de Segurança da ONU.
O artigo apresenta o InfoGatherer, um framework que melhora a tomada de decisão em domínios de alto risco, como medicina e direito, ao combinar recuperação de documentos e perguntas estratégicas ao usuário, utilizando a teoria de Dempster-Shafer para gerenciar incertezas de forma principial e evitar respostas prematuras ou excessivamente confiantes.
Este artigo apresenta o LongNAP, um modelo de IA que prevê a próxima ação do usuário analisando seu histórico completo de interações multimodais, utilizando uma abordagem inovadora de aprendizado por contexto e reforço treinada em um novo conjunto de dados massivo de uso de smartphones.
Este trabalho demonstra que abordar a falácia ecológica ao modelar o contexto linguístico do autor, seja através de pré-treinamento HuLM ou de ajuste fino (HuFT) com QLoRA em um modelo Llama de 8B, resulta em melhor desempenho em diversas tarefas downstream em comparação com métodos padrão.
O artigo propõe um framework de reescrita de estilo estruturado que, ao combinar a desentrelaçação explícita de características estilísticas com uma estratégia de condicionamento implícito via raciocínio encadeado, permite que modelos de linguagem pequenos (SLMs) gerem personagens com alta fidelidade estilística e semântica, superando modelos maiores em cenários de poucos dados.
Este artigo desenvolve modelos interpretáveis que integram traços psicológicos individuais e contextos situacionais inferidos a partir de dados de mídia social para prever o bem-estar, demonstrando que abordagens baseadas em teoria psicológica oferecem desempenho competitivo e maior transparência em comparação com embeddings de modelos de linguagem.
O artigo apresenta o ProCap, um novo framework que reformula a legendagem de mudanças ao modelar dinamicamente o procedimento de transformação entre imagens, utilizando um codificador treinado em quadros-chave e consultas aprendíveis para gerar descrições textuais que explicam não apenas o que mudou, mas também como ocorreu.
O artigo apresenta o Track-SQL, um novo framework que aprimora modelos de linguagem generativos para Text-to-SQL em múltiplas conversas através de módulos extrativos duais para rastreamento de esquema e contexto, alcançando desempenho state-of-the-art nos conjuntos de dados SparC e CoSQL.
O artigo apresenta o MASFactory, um framework centrado em grafos para orquestrar sistemas multiagentes baseados em LLM, que introduz a "Vibe Graphing" para converter intenções em linguagem natural em fluxos de trabalho executáveis, além de oferecer componentes reutilizáveis, integração de contexto e visualização, validados em sete benchmarks públicos.
O artigo apresenta o ViewFusion, um framework de duas etapas que separa o pré-alinhamento espacial entre múltiplas visões do raciocínio final, utilizando treinamento supervisionado e aprendizado por reforço (GRPO) para melhorar significativamente a precisão em tarefas de raciocínio espacial multiview.
Este estudo avalia a eficácia de modelos de linguagem de grande porte (LLMs) na correção automática de redações alemãs de nível A da Áustria com base em rubricas, concluindo que, embora os modelos consigam aplicar os critérios, sua baixa concordância com avaliadores humanos (32,8% nas notas finais) os torna inadequados para uso em ambientes reais de avaliação.
Este estudo demonstra que a exposição contínua a textos específicos de domínio molda a personalidade das LLMs, revelando uma vantagem na supressão de traços sociais para o raciocínio complexo e estabelecendo uma ligação causal entre características linguísticas dos dados de treinamento e o desempenho do modelo.
O artigo apresenta o DeepSight, o primeiro modelo multimodal focado em profundidade que supera as limitações dos modelos existentes ao utilizar mapas de profundidade monocromáticos, um novo conjunto de dados instrucional e um codificador ViT modificado para aprimorar significativamente a compreensão de cenas tridimensionais e o raciocínio espacial.
Este artigo propõe um pipeline que integra modelos de linguagem grandes e um raciocinador neuro-simbólico para transformar argumentos implícitos (entimemas) em fórmulas lógicas, gerar premissas ocultas e verificar a validade do raciocínio, preenchendo assim a lacuna entre métodos de processamento de linguagem natural e abordagens baseadas em lógica.
Este artigo propõe um mecanismo zero-shot que utiliza a representação latente do prompt para estimar e ajustar dinamicamente o tamanho do contexto em Modelos de Linguagem de Difusão antes da geração, resultando em ganhos significativos de eficiência computacional sem comprometer o desempenho em diversas tarefas.
Este trabalho propõe uma abordagem baseada em grafos causais para analisar narrativas opositivas, superando métodos tradicionais ao modelar interações entre entidades e extrair subgrafos causais mínimos para classificação, resultando em desempenho superior.