13080 artigos
O artigo apresenta o DepthCharge, um framework agnóstico a domínios que mede a profundidade do conhecimento de Grandes Modelos de Linguagem através de sondagem adaptativa e verificação de fatos, revelando variações de desempenho dependentes do domínio que benchmarks padrão não capturam.
Este artigo de posição propõe uma abordagem de avaliação interpretável baseada em regras simbólicas e interpretabilidade mecanicista para superar as limitações das métricas de precisão, demonstrando como essa metodologia consegue distinguir a generalização genuína da memorização em tarefas de NL-to-SQL, onde as métricas tradicionais falham.
O artigo investiga como grandes modelos de linguagem sofrem falhas de memória prospectiva ao executar tarefas complexas, demonstrando que a conformidade com instruções de formatação diminui sob carga cognitiva, mas pode ser significativamente recuperada por meio de lembretes salientes, enquanto as restrições de formatação também podem prejudicar a precisão da tarefa principal.
O MDKeyChunker é um pipeline de três etapas para documentos Markdown que realiza o fatiamento estrutural, a extração de metadados em uma única chamada LLM com propagação de chaves rolantes e a reestruturação de chunks por agrupamento semântico, resultando em alta precisão para sistemas RAG.
O artigo demonstra que LLMs pré-treinados em criticidade auto-organizada (PLDR-LLMs) exibem raciocínio durante a inferência, caracterizado por uma transição de fase de segunda ordem onde a proximidade do parâmetro de ordem a zero indica maior capacidade de raciocínio, permitindo quantificar essa habilidade apenas através de estatísticas globais dos parâmetros do modelo sem necessidade de benchmarks externos.
Este artigo apresenta o DeepOFW, um framework de modulação de forma de onda flexível baseado em aprendizado profundo que reduz o pico para potência média (PAPR) e melhora a taxa de erro de bits em sistemas OFDM, otimizando a geração de ondas de forma de dados offline para garantir eficiência de hardware e compatibilidade com transceptores convencionais.
O artigo apresenta o PDGMM-VAE, um modelo de autoencoder variacional que utiliza priores de mistura gaussiana adaptativos e independentes para cada dimensão latente, permitindo a recuperação eficaz de sinais fonte não lineares através da aprendizagem end-to-end de estatísticas não gaussianas diversas.
O artigo apresenta a Otimização Implícita de Política por Turno (ITPO), um método que utiliza um modelo de recompensa de processo implícito para derivar recompensas granulares por turno a partir de sinais esparsos, melhorando significativamente a estabilidade e a convergência em interações colaborativas multi-turno entre humanos e LLMs em tarefas como tutoria, redação e recomendação médica.
Este artigo apresenta uma análise exaustiva de complexidade e um algoritmo de solução fortemente polinomial para o cálculo da entropia superior em probabilidades inferiores 2-monótonas, oferecendo melhorias significativas em relação aos métodos anteriores.