1696 artigos
O artigo propõe o Agentic Critical Training (ACT), uma abordagem de aprendizado por reforço que supera as limitações da aprendizagem por imitação ao treinar agentes para autonomamente julgar e refletir sobre a qualidade de suas ações, resultando em melhor desempenho e generalização em benchmarks desafiadores.
O estudo avalia o desempenho do ChatGPT em perguntas de cardiologia e patologias vasculares, demonstrando que o modelo superou dois estudantes de medicina com uma taxa de acerto de 92,10%, evidenciando seu potencial como ferramenta eficaz na educação médica.
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.
Este estudo aplica análise computacional e aprendizado de máquina a mais de 2000 letras de flamenco para classificar automaticamente os gêneros musicais (*palos*), identificar seus campos semânticos característicos e revelar conexões históricas e evoluções estilísticas através de uma análise de rede baseada na distância intergêneros.
Este artigo apresenta um pipeline inovador de aprendizado ativo em duas etapas para reconhecimento automático de fala, que combina agrupamento de x-vectors e inferência bayesiana via dropout Monte Carlo para selecionar amostras diversificadas e informativas, otimizando significativamente o esforço de rotulagem e o desempenho do modelo.
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.
O artigo apresenta o UniHR, um framework de aprendizado de representação hierárquica unificada que integra dados de diferentes tipos de grafos de conhecimento (hiper-relacionais, temporais e aninhados) em representações baseadas em triplas para melhorar a previsão de links em cenários complexos do mundo real.
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.
O artigo propõe e valida empiricamente que a raiz de uma estrutura de dependência sintática corresponde a um vértice central, demonstrando que novas métricas baseadas na posição dos vértices e de seus vizinhos são eficazes para identificá-la, oferecendo assim uma fundamentação teórica e prática para um conceito universal de "raiz" sob a perspectiva da ciência de redes.
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.