123 artigos
O artigo apresenta o TeamHOI, uma política descentralizada baseada em Transformers que permite a coordenação escalável e realista de interações cooperativas humano-objeto entre um número variável de agentes, utilizando uma estratégia de Adversarial Motion Prior mascarado para superar a escassez de dados e garantir movimentos fisicamente plausíveis.
Este estudo utiliza um modelo multiagente para demonstrar que, embora as mudanças climáticas tenham um impacto limitado, a redução do esforço de pesca é essencial para evitar o colapso da pesca artesanal no Senegal e promover migrações sustentáveis, fornecendo assim uma ferramenta de apoio à decisão para políticas de gestão regional.
Este artigo demonstra que a simplificação das representações observacionais e a implementação de um mecanismo de atribuição de crédito local (CGCA) permitem uma coordenação robusta e sem comunicação em cenários de perseguição-evasão 3D, superando abordagens dependentes de comunicação em termos de sucesso e resiliência a atrasos e ruídos.
O artigo apresenta o IronEngine, uma plataforma de assistente de IA geral que integra uma orquestração unificada, memória persistente e execução de ferramentas através de um pipeline de três fases, demonstrando desempenho superior em tarefas heterogêneas e posicionando-se como uma base orientada a sistemas para assistentes pessoais e automação.
Este artigo apresenta as Sociedades de Mentes Baseadas em Linguagem Natural (NLSOMs), um sistema modular onde múltiplos agentes de inteligência artificial interagem por meio de linguagem natural para resolver tarefas complexas de multimodalidade, ao mesmo tempo que explora questões fundamentais sobre a estrutura social, governança e economia dessas sociedades emergentes de mentes heterogêneas.
Este artigo propõe um framework de inferência de nível 2 para inferir as estimativas que os agentes fazem dos objetivos uns dos outros, superando as limitações dos métodos tradicionais de nível 1 que assumem conhecimento completo mútuo em cenários descentralizados como a condução urbana.
Este artigo apresenta o Yokai Learning Environment (YLE), um novo benchmark de código aberto para coordenação zero-shot que supera as limitações do Hanabi Learning Environment ao exigir que agentes cooperantes construam terreno comum através do rastreamento de crenças sobre cartas móveis e do raciocínio sob dicas ambíguas, revelando que os métodos de IA de última geração que dominam o Hanabi falham em manter modelos internos consistentes com parceiros desconhecidos no YLE.
O artigo propõe uma extensão teórica dos jogos causais para cenários sequenciais, mas conclui, através de extensa análise empírica e teórica, que essa abordagem não oferece qualquer vantagem de bem-estar em relação ao equilíbrio de Stackelberg clássico sob racionalidade, indicando a necessidade de novos quadros teóricos além do equilíbrio de Nash para agentes de IA.
O artigo apresenta o ThunderAgent, um sistema de inferência ágil e consciente de programas que unifica o gerenciamento de recursos heterogêneos (como cache KV e ferramentas externas) para otimizar fluxos de trabalho de agentes LLM, resultando em ganhos significativos de throughput e economia de memória em comparação com sistemas existentes.
Este artigo de posição enquadra a memória de sistemas multiagentes como um problema de arquitetura de computadores, propondo uma hierarquia de três camadas e destacando a consistência da memória como o desafio mais urgente para garantir a confiabilidade e escalabilidade desses sistemas.
O KernelSkill é um framework multiagente que otimiza kernels de GPU substituindo heurísticas implícitas de modelos de linguagem por habilidades de especialistas baseadas em conhecimento e uma arquitetura de memória dupla, alcançando sucesso de 100% e acelerações significativas em relação ao Torch Eager e a métodos anteriores.
O artigo apresenta o GRACE, um simulador e conjunto de benchmarks unificado para planejamento de trajetórias de múltiplos robôs em 2D, que permite comparações justas e reprodutíveis entre diferentes níveis de abstração (grade, mapa de rotas e contínuo) para avaliar as compensações entre fidelidade e escalabilidade.
O artigo apresenta o LLMGreenRec, um novo sistema de recomendação baseado em agentes múltiplos e modelos de linguagem (LLMs) que promove o consumo sustentável ao identificar intenções ecológicas dos usuários e reduzir a pegada de carbono digital, preenchendo a lacuna entre a intenção verde e a ação no comércio eletrônico.
O artigo propõe um sistema de IA totalmente automatizado que utiliza uma população de agentes inspirados em papéis de estúdio e críticos de LLM alinhados a preferências reais para gerar vídeos de comédia esboçada de alta qualidade, alcançando desempenho próximo ao de produções profissionais.
Este artigo propõe o algoritmo OA-Bug, que utiliza sinais olfativos e auditivos para permitir que enxames de robôs autônomos explorem ambientes negados com alta eficiência de cobertura (96,93%), superando métodos anteriores tanto em simulação quanto em experimentos com robôs reais.
O artigo apresenta o SysDPO, um framework que alinha sistemas de IA compostos com preferências humanas ao modelá-los como grafos acíclicos direcionados e estender a Otimização Direta de Preferências (DPO) para superar desafios como interações não diferenciáveis e a dificuldade de traduzir preferências de nível de sistema para componentes individuais.
O artigo apresenta o KramaBench, um benchmark composto por 104 desafios curados manualmente para avaliar a capacidade de sistemas de IA em orquestrar pipelines completos de dados a insights em lagos de dados, revelando que, embora os modelos atuais consigam identificar tarefas individuais, eles ainda têm dificuldade significativa em gerar e executar pipelines funcionais de ponta a ponta.
Este trabalho apresenta um sistema multiagente baseado em modelos de linguagem grandes multimodais (MLLM) que supera significativamente o estado da arte na extração automática e robusta de informações químicas complexas de gráficos e textos da literatura, facilitando a construção de bancos de dados estruturados para impulsionar a pesquisa química orientada por IA.
O artigo apresenta o MARLIN, um framework descentralizado de aprendizado por reforço multiagente inspirado no comportamento de murmuração de estorninhos e guiado por LLMs, que otimiza a gestão de reservatórios sob incertezas climáticas, melhorando a coordenação global, reduzindo custos computacionais e acelerando a resposta a inundações.
O artigo apresenta o WNumMPC, um método hierárquico de navegação multiagente que combina aprendizado por reforço e controle baseado em modelo para resolver impasses causados por simetria em cenários densos, utilizando o número de enrolamento como invariante topológico para coordenar estratégias de passagem e garantir transferência robusta da simulação para a realidade.