1723 artigos
Este trabalho demonstra que a reescrita de consultas para reduzir ambiguidades, utilizando contexto de fundamentação sem respostas, duplica o desempenho de modelos de linguagem no benchmark "Humanity's Last Exam", superando abordagens que apenas preparam o contexto antes da pergunta.
Este estudo avalia o impacto do desvio temporal em corpora técnicos sobre o benchmark de recuperação FreshStack, demonstrando que, apesar da migração de documentos relevantes entre repositórios, as classificações dos modelos de recuperação permanecem altamente correlacionadas, indicando que benchmarks reavaliados com corpora evolutivos continuam confiáveis.
O artigo propõe o A-MAC, um framework de controle de admissão de memória adaptativo e interpretável para agentes de LLM que, ao decompor o valor da memória em cinco fatores e otimizar políticas de domínio, supera os sistemas nativos em precisão e eficiência, conforme demonstrado no benchmark LoCoMo.
Este artigo oferece uma visão abrangente sobre os Modelos de Linguagem de Grande Escala (LLMs) em streaming, estabelecendo uma definição unificada, propondo uma taxonomia sistemática, discutindo metodologias subjacentes e explorando aplicações e direções futuras para superar as limitações da inferência estática em cenários dinâmicos.
O artigo apresenta o GOLF, um framework de aprendizado por reforço que utiliza feedback linguístico natural em nível de grupo para orientar a exploração direcionada e otimizar conjuntamente a geração e o refinamento, resultando em uma eficiência de amostragem 2,2 vezes superior aos métodos tradicionais baseados apenas em recompensas escalares.
Este artigo apresenta o "Vibe Code Bench", um novo benchmark que avalia a capacidade de 16 modelos de IA de desenvolver aplicações web completas do zero, revelando que, apesar dos avanços, a geração confiável de software end-to-end ainda é um desafio significativo e depende criticamente de estratégias como auto-teste e de protocolos rigorosos de avaliação humana.
Este artigo propõe um método de Geração Aumentada por Recuperação que integra alinhamento semântico coordenado e mecanismos de restrição de evidências para mitigar desalinhamentos e melhorar a consistência factual e a confiabilidade dos modelos de linguagem grandes.
O artigo apresenta o iAgentBench, um novo benchmark dinâmico para perguntas de resposta aberta que avalia a capacidade de agentes de IA de realizar "sensemaking" (compreensão e síntese) ao integrar evidências de múltiplas fontes em tópicos de alto interesse, superando as limitações de benchmarks tradicionais que exigem apenas a recuperação de um único trecho.
O artigo apresenta o "Stan", um assistente de curso baseado em LLMs para termodinâmica que utiliza modelos de código aberto rodando localmente para oferecer, a partir de uma mesma base de dados, respostas fundamentadas para estudantes e análises estruturadas para instrutores, garantindo privacidade, controle de custos e reprodutibilidade.
Este estudo demonstra que uma abordagem multimodal, combinando recursos visuais e textuais com o modelo GPT-4.1-nano, supera métodos unimodais na previsão da dificuldade de itens de testes de alfabetização em visualização de dados para adultos dos EUA, evidenciando o potencial dos modelos de linguagem para análise psicométrica e desenvolvimento automatizado de itens.
Este trabalho apresenta a Otimização Direta de Consistência (DCO), um método eficiente inspirado no DPO que utiliza aprendizado por reforço para melhorar significativamente a consistência do conhecimento em modelos de linguagem multilíngue sem a necessidade de um modelo de recompensa explícito.
Este artigo propõe e valida um modelo de seleção de subconjunto baseado em funções de Hill para explicar por que a distribuição de frequência de stopwords segue a Função de Classificação Beta (BRF) em vez da Lei de Zipf, enquanto as palavras não-stopwords se ajustam melhor a uma função quadrática.
Este artigo avalia técnicas de aumento de dados e aprimoramento de recursos para detecção de discurso de ódio, demonstrando que o modelo de linguagem aberto gpt-oss-20b alcança os melhores resultados gerais, enquanto o Delta TF-IDF se destaca em conjuntos específicos, e confirmando que a eficácia dessas estratégias depende da interação entre o conjunto de dados, a arquitetura do modelo e a técnica aplicada.
Esta pesquisa demonstra que modelos de linguagem de grande escala (LLMs), especificamente o Llama 3.2, superam métodos tradicionais na classificação complexa e multiclasse de conteúdo ilícito em marketplaces online ao serem ajustados com técnicas eficientes, oferecendo ferramentas mais escaláveis e adaptáveis para a segurança digital.
Este artigo propõe e avalia um novo framework de duas camadas para medir a eficácia de modelos de IA na simulação de questionamentos específicos de juízes em tribunais simulados, utilizando transcrições do Supremo Tribunal dos EUA e revelando que, embora as perguntas geradas sejam realistas e cobrem bem questões legais substantivas, os modelos ainda apresentam limitações significativas como baixa diversidade e sycophancy que só são detectadas por essa abordagem de avaliação rigorosa.
Este artigo apresenta o "Model Medicine", um novo paradigma de pesquisa que aplica uma estrutura clínica sistemática para entender, diagnosticar e tratar desordens em modelos de IA, introduzindo contribuições como uma taxonomia de disciplinas, o Modelo de Quatro Camadas, a ferramenta de diagnóstico Neural MRI e frameworks padronizados para avaliação e relato de casos.
Este artigo demonstra como um sistema neuro-simbólico, combinando o modelo de linguagem Gemini Deep Think com uma busca em árvore e feedback numérico, resolveu autonomamente um problema em aberto na física teórica ao derivar soluções analíticas exatas para o espectro de potência da radiação gravitacional emitida por cordas cósmicas.
O artigo propõe os "Interactive Benchmarks", um novo paradigma de avaliação unificado que testa a capacidade de raciocínio de modelos sob restrições orçamentárias em cenários interativos de provas e jogos, demonstrando que essa abordagem oferece uma avaliação mais robusta e fiel da inteligência artificial do que os benchmarks padrão.
Este artigo apresenta o IF-RewardBench, um novo benchmark abrangente para avaliar modelos juízes na tarefa de seguimento de instruções, que supera as limitações de métodos existentes ao utilizar um paradigma de avaliação listwise baseado em grafos de preferência, demonstrando uma correlação mais forte com o desempenho em tarefas downstream.
O artigo apresenta o DARE, um modelo de recuperação leve que alinha agentes de LLM ao ecossistema estatístico R ao incorporar informações de distribuição de dados nas representações de funções, resultando em uma recuperação de pacotes e geração de código significativamente mais precisas.