1065 artigos
O artigo apresenta o SelfOrg, um framework de auto-organização estocástica para sistemas multiagentes baseados em LLMs que otimiza dinamicamente a comunicação entre agentes sem supervisão externa, utilizando valores de Shapley para construir grafos direcionados que garantem a propagação eficiente de respostas de alta qualidade e demonstram ganhos significativos de desempenho, especialmente com modelos mais fracos.
O artigo apresenta o FOR-Prompting, um protocolo de prompt assimétrico que melhora a precisão e a qualidade de respostas de modelos de linguagem, inclusive em dispositivos com recursos limitados, ao estruturar uma interação onde um "Defensor" propõe soluções e um "Debatedor" formula objeções sem oferecer correções diretas, permitindo refinamento iterativo sem necessidade de treinamento ou acesso aos parâmetros internos do modelo.
O artigo apresenta o DialTree, um framework de otimização de política reforçada baseado em árvores que descobre autonomamente estratégias de ataque multi-turno mais eficazes para testar a segurança de modelos de linguagem, superando significativamente os métodos existentes em taxa de sucesso.
Este artigo propõe o uso de expressões idiomáticas regionais como um novo benchmark para medir a lacuna dialetal em modelos de linguagem, demonstrando através de três novos conjuntos de dados em francês que a proficiência no padrão metropolitano não garante a compreensão do dialeto quebequense, onde a maioria dos modelos apresenta desempenho significativamente inferior.
O artigo apresenta o NANOMIND, um framework de co-design hardware-software que otimiza a inferência de Modelos Multimodais Grandes em dispositivos portáteis com bateria, dividindo os modelos em módulos executados em aceleradores heterogêneos para reduzir o consumo de energia e o uso de memória, permitindo assistentes inteligentes autônomos e totalmente locais.
O artigo propõe o ACE, um framework de edição de conhecimento baseado em atribuição neuronal que identifica e edita caminhos de consulta-valor críticos para melhorar significativamente a recuperação de fatos em múltiplas etapas em Grandes Modelos de Linguagem, superando os métodos atuais ao abordar a representação dinâmica de sujeitos implícitos nas cadeias de raciocínio.
O artigo propõe o R-WoM, um modelo de mundo aumentado por recuperação que integra conhecimento factual externo para mitigar alucinações e melhorar a precisão de simulações de longo prazo em agentes de uso de computador, superando as limitações dos Grandes Modelos de Linguagem tradicionais.
O artigo apresenta o HypoSpace, uma nova suite de diagnóstico que avalia a criatividade de modelos de linguagem ao gerar conjuntos de hipóteses em problemas subdeterminados, revelando que, embora a precisão das propostas seja alta, a diversidade e a cobertura das explicações admissíveis degradam-se significativamente à medida que o espaço de soluções cresce.
O artigo apresenta o KrishokBondhu, um sistema de consultoria agrícola baseado em voz e no framework de Geração Aumentada por Recuperação (RAG) para agricultores bengali, que integra manuais especializados e inteligência artificial para fornecer orientações em tempo real via telefone, demonstrando no piloto uma melhoria significativa na qualidade e riqueza contextual das respostas em comparação com benchmarks existentes.
O SwiftEmbed é um sistema de inferência em Rust que utiliza a busca estática de tokens para oferecer embeddings de texto ultra-rápidos com latência de 1,12 ms e 50.000 requisições por segundo, sendo ideal para aplicações em tempo real que priorizam a velocidade em detrimento da precisão em tarefas complexas de classificação.
Este artigo apresenta o "Jr. AI Scientist", um sistema autônomo de ponta que simula o fluxo de trabalho de um pesquisador iniciante para gerar contribuições científicas válidas a partir de artigos de base, demonstrando desempenho superior em avaliações automatizadas enquanto identifica riscos e limitações críticos para a aplicação futura desses sistemas.
O artigo "HatePrototypes" propõe representações vetoriais interpretáveis e transferíveis, derivadas de poucos exemplos por classe, que permitem a detecção eficiente de discurso de ódio explícito e implícito sem a necessidade de repetidos ajustes finos, utilizando uma abordagem de saída antecipada sem parâmetros.
O artigo apresenta o SPOT, o primeiro corpus anotado em francês e benchmark para detectar "pontos de parada" (intervenções críticas sutis) em conversas online, demonstrando que modelos codificadores supervisionados superam grandes modelos de linguagem em tarefas de classificação de comentários em redes sociais.
O artigo demonstra que os Modelos de Linguagem Grandes Multimodais (MLLMs) atuais apresentam uma lacuna significativa na composição de habilidades entre modalidades, a qual permanece substancial mesmo após a aplicação de técnicas de prompting e ajuste fino.
Este artigo apresenta o "Stealth Fine-Tuning", um método de baixo custo que quebra a segurança de Modelos de Linguagem Visão-Raciocínio (RVLMs) ao induzir traços de raciocínio prejudiciais e utilizá-los para ajuste fino, superando significativamente os métodos de ataque existentes enquanto preserva a capacidade geral de raciocínio.
Este artigo apresenta o Graphectory, uma abordagem centrada em processos para analisar e monitorar em tempo real sistemas de software agênticos, permitindo a identificação e correção de trajetórias ineficientes, o que resulta em taxas de resolução significativamente maiores e trajetórias mais curtas.
Este artigo apresenta o SETUP, um novo parser para representação de significado uniforme (UMR) em inglês que combina métodos de ajuste fino e conversão de dependências universais para alcançar ganhos substanciais na precisão da geração automática de gráficos semânticos.
O artigo apresenta o Parallel Decoder Transformer (PDT), uma arquitetura que internaliza a coordenação de geração paralela em modelos de linguagem congelados, utilizando um planejador inicial e um mecanismo de "Dynamic Notes Bus" para sincronizar múltiplos fluxos de decodificação sem depender de orquestração externa.
O artigo apresenta o CompanionCast, um quadro geral que orquestra múltiplos agentes de IA especializados para simular dinâmicas de grupo autênticas em experiências compartilhadas, demonstrando através de estudos com torcedores de futebol que o sistema melhora significativamente a presença social e o compartilhamento emocional em comparação com o consumo solitário de mídia.
Este artigo apresenta uma pesquisa abrangente sobre a adaptação de agentes de IA pós-treinamento, organizando o campo fragmentado em um framework de quatro paradigmas que engloba a adaptação do agente e das ferramentas, analisando métodos de pós-treinamento, arquiteturas de memória adaptativa e habilidades de agentes, além de discutir suas compensações, práticas de avaliação e desafios futuros.