6556 artigos
O artigo apresenta o M, um framework livre de treinamento que utiliza um mecanismo de memória dupla, combinando sumarização dinâmica de trajetórias e recuperação de insights, para superar as limitações de tarefas de longo prazo em agentes web, resultando em aumentos significativos nas taxas de sucesso e reduções substanciais no uso de tokens.
Este estudo apresenta o HiClass, um framework de classificação hierárquica baseado em aprendizado de múltiplas instâncias que, ao integrar bidirecionalmente características de diferentes níveis e empregar funções de perda personalizadas, supera os métodos de classificação plana na análise de imagens de histopatologia de lâminas inteiras (WSI).
Este trabalho introduz o framework analítico EmbedLens para revelar que os tokens visuais em modelos de linguagem multimodais exibem uma esparsidade semântica significativa, onde apenas cerca de 60% dos tokens "vivos" carregam informações essenciais, demonstrando que a computação visual interna é frequentemente redundante e que a injeção direta desses tokens em camadas intermediárias do LLM é suficiente para tarefas complexas.
O artigo propõe o MMA-RAG, um sistema de Resposta Visual a Perguntas que utiliza uma análise de representações internas para decidir dinamicamente quando incorporar conhecimento externo recuperado, reduzindo assim as alucinações e melhorando a robustez em cenários multimodais.
O artigo apresenta o MLLM-4D, um framework inovador que supera as limitações atuais de modelos multimodais na inteligência espaço-temporal 4D ao utilizar um pipeline de curadoria de dados eficiente e uma estratégia de pós-treinamento com GRPO e raciocínio em cadeia especializado, alcançando desempenho de ponta na compreensão e raciocínio de evolução 3D a partir de entradas visuais 2D.
O artigo apresenta o Vision-TTT, um novo modelo de aprendizado de representação visual que integra a Treinamento no Momento do Teste (TTT) com estratégias bidirecionais e módulos convolucionais para superar a complexidade quadrática dos Transformers, alcançando alta precisão e eficiência computacional superior em tarefas de visão computacional.
O artigo apresenta o Jano, um framework sem treinamento que acelera a geração de modelos de difusão ao identificar padrões de convergência heterogêneos e alocar recursos computacionais de forma adaptativa, resultando em um aumento de velocidade de até 2,4 vezes sem comprometer a qualidade.
O artigo apresenta o Mesh-Pro, um framework de aprendizado por reforço assíncrono que utiliza a otimização de preferência guiada por vantagem (ARPO) e técnicas de tokenização e recompensa inovadoras para gerar malhas quadradas de alta qualidade com eficiência de treinamento superior aos métodos existentes.
O artigo propõe o TP-Spikformer, um método eficiente e de treinamento livre para poda de tokens em Transformers de Redes Neurais de Espinhos (SNNs) que utiliza um critério heurístico de retenção de informação espaço-temporal e uma estratégia de parada precoce em nível de bloco para reduzir o custo computacional e de armazenamento, mantendo o desempenho competitivo em diversas arquiteturas e tarefas.
O artigo apresenta o CaptionFool, um ataque adversarial universal capaz de enganar modelos de geração de legendas de imagem de última geração ao modificar apenas uma pequena fração da imagem para forçar a produção de legendas arbitrárias, incluindo conteúdo ofensivo e termos que contornam filtros de moderação.
Este artigo apresenta o RAFM, um novo método de tradução não pareada de CBCT para CT que utiliza correspondência de fluxo retificado aprimorada por recuperação para gerar imagens sintéticas de alta qualidade e estáveis, superando os métodos existentes em métricas de avaliação e viabilidade para cálculo de dose em radioterapia.
Este estudo propõe o modelo MIMD-3DVT, uma nova abordagem baseada em Vision Transformer 3D que integra múltiplas entradas de imagens de ressonância magnética e dados mistos (demográficos e cognitivos) para superar as limitações dos métodos atuais e alcançar uma precisão de 97,14% na classificação da Doença de Alzheimer.
Este trabalho apresenta o M-JudgeBench, um benchmark orientado a capacidades com dez dimensões para avaliar criticamente modelos de julgamento multimodal, e propõe o framework Judge-MCTS para gerar dados de treinamento que resultam no M-Judger, um modelo de julgamento superior que supera os sistemas existentes.
O artigo apresenta o LAS-VAD, um novo framework para detecção de anomalias em vídeos com supervisão fraca que supera as limitações atuais ao integrar mecanismos de componentes conectados e raciocínio de intenção, além de utilizar atributos de anomalia para aprimorar a semântica e a precisão da detecção.
O artigo apresenta o "Geometry OR Tracker", um pipeline de duas etapas que corrige inconsistências geométricas e de calibração em salas cirúrgicas para permitir um rastreamento 3D robusto e em escala métrica unificada, resultando em ganhos significativos de precisão no benchmark MM-OR.
O artigo propõe o MIDAS, um novo framework de jailbreak para Modelos de Linguagem Multimodais (MLLMs) que contorna mecanismos de segurança ao decompor intenções maliciosas em subunidades dispersas por múltiplas imagens e reconstruí-las gradualmente por meio de raciocínio visual cruzado, alcançando uma taxa de sucesso média de 81,46% em modelos fechados de última geração.
O artigo propõe o DASP, um novo quadro de adaptação em tempo de teste para modelos multimodais que desacopla estabilidade e plasticidade em componentes assimétricos para mitigar a transferência negativa e o esquecimento catastrófico, superando assim os métodos atuais em diversos benchmarks.
Este trabalho apresenta o MicroVerse, um modelo de geração de vídeo especializado em simulações de microcosmos, fundamentado no benchmark MicroWorldBench e no conjunto de dados MicroSim-10K, para superar as limitações atuais na representação fiel de fenômenos biológicos em escala microscópica.
O artigo apresenta o LangGap, um novo benchmark que expõe a incapacidade dos atuais modelos Visão-Linguagem-Ação de compreender instruções linguísticas diversas e demonstra que, embora a augmentação de dados possa melhorar o desempenho em tarefas específicas, a capacidade de aprendizado desses modelos permanece insuficiente para lidar com a diversidade semântica complexa.
O artigo apresenta o UNICBench, um benchmark unificado e rigoroso com 5.300 imagens, 872 documentos e 2.069 áudios, além de um toolkit de avaliação, para medir e comparar o desempenho de 45 modelos de linguagem multimodais (MLLMs) na tarefa de contagem, revelando lacunas significativas em tarefas complexas de raciocínio.