1854 artigos
O artigo apresenta o Memex, um mecanismo de memória indexada que supera os gargalos de janelas de contexto em agentes LLM de longo prazo ao armazenar interações completas em um banco de dados externo e manter apenas resumos estruturados e índices no contexto ativo, otimizado pelo framework de aprendizado por reforço MemexRL para recuperar evidências precisas sob demanda e melhorar o sucesso em tarefas complexas.
O artigo propõe um pipeline para extrair hipóteses causais plausíveis de Grandes Modelos de Linguagem (LLMs), mapeando documentos gerados em eventos canônicos e aplicando métodos de descoberta causal para construir grafos candidatos que representam o conhecimento causal implícito nos modelos, sem garantir a causalidade no mundo real.
Este artigo defende que os provedores de modelos de linguagem devem expor interfaces de prompts vetoriais para permitir uma personalização escalável e estável, argumentando que essa abordagem supera as limitações de saturação dos prompts de texto e oferece um mecanismo de controle distinto sem aumentar significativamente os riscos de vazamento de dados.
Este estudo analisa como os Grandes Modelos de Linguagem (LLMs) respondem a traços da Tríade Sombria, revelando que, embora predominem comportamentos corretivos, eles podem reforçar respostas em certos casos, o que destaca a necessidade de projetar sistemas conversacionais mais seguros capazes de detectar e lidar adequadamente com a escalada de solicitações prejudiciais.
O artigo apresenta a , uma estrutura que unifica geração e auto-verificação por meio de classificação em pares, utilizando o algoritmo -Infer para alocar dinamicamente recursos de verificação e o treinamento -PairRL para otimizar conjuntamente o gerador e o verificador, resultando em ganhos significativos de desempenho e eficiência em tarefas complexas de raciocínio e geração de código.
Este estudo demonstra que a capacidade de recuperar variáveis geográficas e temporais a partir de embeddings estáticos baseados em co-ocorrência (como GloVe e Word2Vec) reflete a estrutura latente do próprio texto e não a existência de modelos de mundo internos, sugerindo que a recuperabilidade por meio de sondas lineares não é suficiente para provar representações que vão além do texto.
O sistema AILS-NTUA, vencedor da tarefa 12 de SemEval-2026, alcançou a primeira posição com 95% de precisão ao combinar recuperação baseada em grafos, raciocínio abduzido por LLMs com prompts evolutivos reflexivos e verificação de consistência, revelando também viéses indutivos comuns em modelos de raciocínio causal.
O artigo apresenta o Pointer-CAD, um novo framework baseado em LLMs para geração de modelos CAD que unifica representações B-rep e sequências de comandos por meio de ponteiros para seleção de entidades geométricas, superando as limitações de edição complexa e erros topológicos de métodos anteriores e alcançando alta precisão graças a um conjunto de dados de 575 mil modelos anotados.
O artigo propõe o DMAST, um framework de treinamento adversarial multiestágio que fortalece agentes web multimodais contra ataques coordenados de DOM e visual, resultando em maior segurança e eficiência em tarefas não vistas.
O artigo apresenta o -Knowledge, um novo benchmark que avalia agentes conversacionais em cenários de conhecimento não estruturado, demonstrando através do domínio -Banking que os modelos atuais têm desempenho limitado ao integrar documentos complexos com ferramentas para executar tarefas financeiras.
O artigo apresenta o TaxonRL, uma abordagem de aprendizado por reforço que utiliza recompensas intermediárias para decompor o raciocínio visual em níveis taxonômicos hierárquicos, alcançando desempenho superior ao humano na distinção de espécies visualmente similares e gerando processos decisórios interpretáveis.
Este artigo explora a hipótese de que, embora as tecnologias de tradução automática reduzam significativamente as barreiras linguísticas para o comércio e a comunicação na década de 2020, elas não eliminam todas as fronteiras de forma equitativa, criando novos desafios para a distribuição de ideias, a inovação e o crescimento econômico.
Este artigo propõe as "Redes de Fluxo de Pensamento", um mecanismo de auto-correção iterativa inspirado na dialética de Hegel que permite aos modelos gerar sequências de previsões para refinar suas respostas, demonstrando melhorias significativas no desempenho do modelo e na percepção humana em comparação com previsões únicas.
O artigo apresenta o VQA-MHUG, um novo conjunto de dados de olhar humano multimodal para VQA, e demonstra pela primeira vez que a correlação entre a atenção neural e a humana no texto é um preditor significativo do desempenho do modelo, sugerindo a necessidade de aprimorar os mecanismos de atenção textual nas arquiteturas de visão e linguagem.
O artigo apresenta o MULAN, a primeira rede que integra atenção humana multimodal (de imagem e texto) em modelos de VQA baseados em transformers, alcançando desempenho state-of-the-art no conjunto de dados VQAv2 com aproximadamente 80% menos parâmetros treináveis que trabalhos anteriores.
Este estudo propõe um modelo de identificação de linguagem baseado em CRNN que, utilizando coeficientes MFCC, alcança alta precisão (superior a 98%) em treze línguas indianas e demonstra robustez ao ruído, questionando a necessidade de mecanismos de atenção em comparação com abordagens state-of-the-art.
Este artigo reproduz e replica um estudo seminal sobre estilometria adversária, concluindo que, embora as defesas analisadas sejam eficazes, sua efetividade pode ter sido superestimada na pesquisa original devido à falta de um grupo de controle, ao mesmo tempo em que destaca a necessidade de reavaliar o método de tradução de ida e volta como uma técnica automática promissora para reduzir a precisão da atribuição de autoria.
Este artigo apresenta o desenvolvimento e a avaliação de modelos de Tradução Automática Estatística (SMT) para traduzir entre o inglês e quinze línguas indianas de recursos limitados, utilizando o toolkit MOSES, conjuntos de dados como Samanantar e OPUS, e métricas padrão como BLEU, METEOR e RIBES.
Este artigo avalia a robustez de classificadores de texto contra ataques adversariais que preservam o significado, introduzindo o benchmark BODEGA para quatro tarefas de detecção de desinformação e demonstrando que modelos de linguagem modernos, como o GEMMA, são mais vulneráveis a essas manipulações do que soluções anteriores.
Este artigo propõe o uso do modelo BERTimbau, finetunado em um corpus específico de AAC em português brasileiro, para prever pictogramas em sistemas de comunicação alternativa, demonstrando que representá-los por meio de legendas resulta na maior acurácia, embora sinônimos ofereçam menor perplexidade.