1726 artigos
Este estudo investiga as origens do viés de gênero em modelos de tradução automática, utilizando explicações contrastivas para identificar quais palavras do texto em inglês desencadeiam escolhas de gênero específicas em alemão e espanhol, demonstrando uma sobreposição significativa entre as atribuições do modelo e as percepções humanas.
O artigo propõe o NRR-Core, um novo quadro computacional que desafia as limitações arquitetônicas atuais da IA ao rejeitar a resolução prematura de ambiguidades, mantendo múltiplas interpretações coexistentes através de princípios como não-identidade e rastreamento de identidade contextual para preservar a flexibilidade interpretativa até a chegada de informações suficientes.
Este estudo analisa sistematicamente os vieses políticos, ideológicos, de aliança, linguísticos e de gênero em quatro grandes modelos de linguagem, revelando que, apesar de alinhados para serem neutros, eles ainda apresentam diversas inclinações e parcialidades.
Este estudo demonstra que o Aprendizado por Reforço com Recompensas Verificáveis (RLVR) melhora a generalização em tarefas de raciocínio causal, especialmente em consultas complexas, mas apenas quando aplicado a modelos com competência inicial suficiente para otimizar estratégias de marginalização e reduzir erros de cálculo.
O artigo apresenta o DevRev-Search, um benchmark para recuperação de passagens em suporte técnico construído via pipeline automatizado, e propõe uma estratégia de adaptação que preserva o índice ao fine-tunar apenas o codificador de consultas, permitindo a evolução eficiente de sistemas de busca multi-tenant sem a necessidade de reindexação completa.
Este artigo propõe um paradigma de aprendizado pós-treinamento que utiliza grafos de conhecimento como modelos de recompensa implícitos para fundamentar modelos de linguagem em fatos axiomáticos, permitindo que um modelo de 14B generalize de raciocínios de curto alcance para tarefas complexas de múltiplos saltos no domínio médico, superando sistemas fronteira significativamente maiores.
O artigo apresenta o NRR-Phi, um framework formal de mapeamento texto-para-estado que preserva a multiplicidade interpretativa em entradas ambíguas de modelos de linguagem, evitando o colapso prematuro de significados através de um pipeline híbrido de detecção de conflitos e extração de estados.
Este artigo apresenta o primeiro estudo empírico sobre o treinamento de Grandes Modelos de Linguagem para abster-se de responder em tarefas de QA temporal, demonstrando que uma abordagem combinando raciocínio passo a passo e Aprendizado por Reforço supera modelos de ponta como o GPT-4o e mitiga a superconfiança, ao mesmo tempo em que revela que pistas de raciocínio implícitas oferecem benefícios limitados.
O artigo propõe o framework REAL, que reformula o Aprendizado por Reforço com Recompensas Verificáveis (RLVR) como um problema de classificação ao tratar recompensas como rótulos categóricos em vez de pesos escalares, resolvendo problemas de atribuição de gradiente e superando consistentemente métodos como GRPO e DAPO em benchmarks de raciocínio matemático.
O artigo apresenta o SureLock, uma técnica que acelera a decodificação de Modelos de Linguagem com Difusão Mascarada travando tokens já convergidos para reduzir drasticamente o custo computacional sem comprometer a qualidade da geração.
Este estudo demonstra que os Modelos de Raciocínio Avançado (LRMs) não superam consistentemente os modelos não dedutivos em tarefas de Teoria da Mente, revelando que o raciocínio lento pode ser prejudicial e que esses modelos frequentemente dependem de atalhos de correspondência de opções em vez de inferência genuína, indicando a necessidade de novas capacidades específicas para o raciocínio social.
Este trabalho apresenta o primeiro estudo de processamento de linguagem natural focado no dialeto Meenzerisch, introduzindo um dicionário digital e demonstrando que os atuais modelos de linguagem de grande escala têm desempenho muito limitado na geração e compreensão desse dialeto alemão, o que evidencia a necessidade urgente de mais recursos e pesquisas para sua preservação.
Este artigo apresenta um novo conjunto de dados em checo para análise de sentimento baseada em aspectos no domínio de restaurantes, enriquecido com termos de opinião, e avalia modelos de linguagem modernos, propondo uma metodologia de tradução e alinhamento de rótulos que melhora o desempenho em cenários multilíngues e de baixa recursos.
Este estudo avalia a sensibilidade a prompts e a consistência de respostas de modelos de linguagem open-source pequenos em cenários clínicos, revelando que a alta consistência não garante precisão e identificando o Llama 3.2 como o modelo mais equilibrado para implantação em ambientes de recursos limitados.
Este estudo avalia a robustez de modelos existentes de extração de relações zero-shot em cenários realistas, propondo estratégias para modelos de passagem única e com mecanismo de rejeição, e demonstra que, embora nenhuma solução atual seja totalmente robusta, o AlignRE se destaca como o melhor desempenho entre os critérios avaliados.
Este trabalho investiga os riscos de privacidade em sistemas de diálogo orientados a tarefas baseados em Grandes Modelos de Linguagem (LLMs), propondo e validando novos ataques de extração de dados que exploram a memorização do modelo para recuperar milhares de rótulos de estados de diálogo com alta precisão, ao mesmo tempo que analisa os fatores que influenciam essa memorização e discute estratégias de mitigação.
Este trabalho apresenta um framework de anotação de grafos narrativos que integra princípios de análise de conteúdo qualitativo para reduzir erros e variabilidade humana, validado por meio de um experimento que demonstra como métricas de sobreposição superestimam a confiabilidade e representações localmente restritas melhoram o acordo entre anotadores em narrativas sobre inflação.
Este capítulo oferece uma visão geral sobre os detectores de ensaios gerados por IA e suas diretrizes de uso responsável, além de apresentar análises empíricas sobre a generalização desses modelos entre diferentes LLMs para orientar seu desenvolvimento prático.
Este artigo analisa as limitações do TeX na era dos modelos de linguagem grandes (LLMs) e propõe o editor estruturado WYSIWYG Mogan STEM como uma alternativa superior em eficiência de compilação, localização de erros e adequação ao treinamento de LLMs, devido à sua menor entropia de informação no formato .tmu.
Este artigo apresenta um framework de colaboração multiagente baseado no ciclo "Propor-Avaliar-Revisar" e aprendizado por reforço para melhorar a extração de argumentos de eventos em nível de documento em cenários zero-shot, superando as limitações dos métodos existentes ao gerar e refinar dados sintéticos com maior coerência contextual e estrutural.