1861 artigos
O artigo apresenta o StarWhisper Telescope, um framework de IA que automatiza todo o ciclo de observações astronômicas — desde o planejamento até a análise de dados e o acionamento de propostas de acompanhamento — demonstrando sua eficácia na detecção de transientes em uma rede de telescópios amadores e servindo como modelo para futuras instalações de grande escala.
Este artigo apresenta uma revisão abrangente sobre otimização de consultas em Grandes Modelos de Linguagem, introduzindo o Framework do Ciclo de Vida de Otimização de Consultas (QOL), uma taxonomia de complexidade de consultas e uma análise detalhada de quatro operações atômicas fundamentais para melhorar o desempenho em sistemas de Geração Aumentada por Recuperação (RAG).
Este estudo demonstra que modelos de aprendizado de máquina explicáveis, baseados em características linguísticas da fala, são promissores para a triagem automatizada e estratificação de risco de doenças neurodegenerativas, oferecendo uma solução escalável e não invasiva para o monitoramento da saúde cognitiva.
Este estudo empírico investiga a relação entre alucinações, monofatos e má calibração em modelos de linguagem, demonstrando que uma técnica de superpeso seletivo, que introduz intencionalmente má calibração ao repetir apenas 5% dos dados de treinamento, reduz as alucinações em até 40% sem comprometer a precisão, desafiando assim as políticas universais de deduplicação.
O artigo apresenta o GOAT, um novo framework que supera as limitações do LoRA ao integrar adaptativamente priores via SVD em uma arquitetura Mixture-of-Experts e alinhar sua otimização com um fator de escala teórico, alcançando desempenho superior e reduzindo a lacuna em relação ao ajuste fino completo em diversas tarefas.
O artigo apresenta o \texttt{SEM-CTRL}, uma abordagem unificada que integra busca por árvore de Monte Carlo (MCTS) no nível de tokens e gramáticas de conjuntos de respostas para impor restrições sintáticas e semânticas durante a decodificação de modelos de linguagem, garantindo saídas válidas sem necessidade de ajuste fino e permitindo que modelos menores superem versões maiores e modelos de raciocínio de ponta em diversas tarefas.
O artigo apresenta o LINGOLY-TOO, um novo benchmark de raciocínio linguístico que utiliza obfuscação ortográfica para isolar a capacidade de raciocínio dos modelos de linguagem, demonstrando que seu desempenho cai significativamente quando dependem de conhecimento prévio em vez de lógica pura.
O artigo apresenta o BioChemInsight, uma plataforma de código aberto que automatiza a extração de estruturas químicas e dados de bioatividade de patentes, alcançando mais de 90% de precisão e complementando o espaço químico do banco de dados ChEMBL para acelerar a descoberta de fármacos.
Este artigo apresenta o método Param, uma técnica inovadora que transfere capacidades de pós-treinamento de um modelo para uma nova base atualizada simplesmente misturando seus pesos, permitindo a criação de modelos instruídos de alto desempenho sem custos computacionais adicionais.
Este artigo propõe o framework ASL, que utiliza o algoritmo AMPO para permitir que agentes de linguagem adaptem dinamicamente sua profundidade de raciocínio em interações sociais, alcançando desempenho superior e maior eficiência de tokens em comparação com métodos existentes.
Este artigo apresenta o "Talk-to-Your-Slides", um agente de edição de slides de alta eficiência que utiliza manipulação de dados estruturados orientada por linguagem em vez de processamento visual, alcançando maior velocidade, fidelidade e redução de custos em comparação com agentes baseados em GUI, além de introduzir o benchmark TSBench para avaliação de tarefas complexas.
O artigo apresenta o PC Agent-E, um framework de treinamento eficiente que supera o Claude 3.7 Sonnet no benchmark WindowsAgentArena-V2 ao combinar apenas 312 trajetórias humanas anotadas com dados sintetizados por IA, reduzindo drasticamente a dependência de demonstrações humanas em larga escala.
O artigo apresenta o REFLEX, um framework que integra capacidades metacognitivas em modelos de linguagem para permitir que agentes robóticos decomponham habilidades, reflitam sobre falhas e criem novas soluções em cenários de zero-shot, superando significativamente as abordagens existentes e demonstrando criatividade no planejamento robótico.
O artigo apresenta o BitBypass, um novo ataque de jailbreak em caixa preta que contorna a segurança de modelos de linguagem de última geração ao utilizar camuflagem de fluxo de bits separada por hífens, demonstrando maior eficácia e discrição em comparação com métodos existentes.
O artigo apresenta o DiaBlo, uma abordagem de ajuste fino eficiente em parâmetros que atualiza apenas os blocos diagonais das matrizes de peso de modelos de linguagem, eliminando a necessidade de produtos de matrizes de baixo posto e oferecendo convergência estável e desempenho competitivo comparável ao ajuste fino completo.
O artigo apresenta o Go-Browse, um método que utiliza exploração estruturada baseada em busca em grafos para coletar dados de navegação web em escala, permitindo que um modelo de linguagem de 7B parâmetros atinja o estado da arte no benchmark WebArena com uma taxa de sucesso de 21,7%.
Este artigo apresenta o HSSBench, um novo benchmark multilíngue com mais de 13.000 amostras e um pipeline de geração de dados colaborativo, projetado especificamente para avaliar e superar as limitações dos Modelos de Linguagem Grandes Multimodais (MLLMs) em tarefas de Humanidades e Ciências Sociais que exigem raciocínio interdisciplinar horizontal.
Este trabalho apresenta o "Search Arena", um conjunto de dados de grande escala e crowdsourced com mais de 24.000 interações multi-turno e preferências humanas para analisar modelos de linguagem aumentados por busca, revelando que a credibilidade percebida pelos usuários é influenciada pelo número de citações e pela fonte, e demonstrando que a busca na web pode melhorar o desempenho em contextos gerais enquanto a dependência exclusiva do conhecimento paramétrico prejudica a qualidade em cenários de busca.
Este artigo propõe o ManyICL, uma abordagem de ajuste fino em contexto com muitos exemplos que utiliza um novo objetivo de treinamento para tratar todas as respostas no contexto como alvos supervisionados, reduzindo significativamente a lacuna de desempenho entre o aprendizado em contexto e o ajuste fino dedicado enquanto mitiga o esquecimento catastrófico.
Este artigo introduz o "Fator de Ramificação" (BF) como uma métrica para quantificar como o alinhamento de modelos de linguagem reduz a diversidade de geração ao concentrar as probabilidades de saída, explicando por que modelos alinhados são mais previsíveis e como técnicas como o raciocínio em cadeia (CoT) exploram essa determinação para estabilizar respostas complexas.