124 artigos
Este artigo apresenta o XR-DT, um quadro de Gêmeo Digital aprimorado por Realidade Estendida que integra um controlador de planejamento de trajetória HA-MPPI com um modelo de previsão humana baseado em Transformer (ATLAS) para garantir navegação segura, eficiente e interpretável de robôs móveis em ambientes compartilhados com humanos.
Este trabalho propõe um framework de treinamento regularizado por privacidade que aborda o vazamento de informações composicional em sistemas sequenciais de agentes LLM, demonstrando que a privacidade nesses ambientes deve ser tratada como uma propriedade sistêmica e não apenas através de restrições locais.
O artigo apresenta o RACAS, uma arquitetura agênica baseada em modelos de linguagem que permite o controle em malha fechada de robôs radicalmente diferentes (terrestres, subaquáticos e de membros articulados) utilizando apenas descrições em linguagem natural, eliminando a necessidade de reprogramação ou re-treinamento para cada nova plataforma.
Este artigo demonstra que as métricas tradicionais de coordenação em jogos multiagente são cegas à estrutura temporal e podem mascarar falhas graves na alternância, propondo novas métricas sensíveis ao tempo que revelam que políticas aprendidas podem performar significativamente pior do que o acaso, apesar de apresentarem altas recompensas agregadas.
Este trabalho apresenta uma análise de caixa branca do modelo EleutherAI/gpt-j-6B que demonstra, por meio de comparação de similaridade de cosseno no espaço de ativação, que suas representações internas de confiança alinham-se mais fortemente com o modelo socio-cognitivo de Castelfranchi do que com outras teorias humanas estabelecidas.
Este estudo utiliza simulações de mercado artificial para demonstrar que, durante quedas bruscas de preços, a arbitragem entre ETFs alavancados e futuros fornece liquidez entre os dois mercados, mitigando o impacto de ordens errôneas ao transferir profundidade de venda e estreitamento de spread de um mercado para o outro, dependendo de onde ocorre o choque inicial.
O artigo apresenta o MASFactory, um framework centrado em grafos para orquestrar sistemas multiagentes baseados em LLM, que introduz a "Vibe Graphing" para converter intenções em linguagem natural em fluxos de trabalho executáveis, além de oferecer componentes reutilizáveis, integração de contexto e visualização, validados em sete benchmarks públicos.
Este artigo apresenta a Resposta à Demanda Conversacional (CDR), um mecanismo de coordenação bidirecional entre agregadores e prosumidores baseado em IA agêntica que utiliza linguagem natural para equilibrar escalabilidade automatizada com transparência e agência do usuário, permitindo decisões informadas e comunicação em tempo real.
O artigo propõe uma arquitetura de orquestração com "portões de esquema" que separa a flexibilidade conversacional da execução determinística, permitindo que modelos de linguagem traduzam objetivos naturais em fluxos de trabalho científicos reprodutíveis e governados sem comprometer a precisão.
Este artigo apresenta o Agentic Design Review System (AgenticDRS), um framework baseado em múltiplos agentes que avalia designs gráficos de forma holística e gera feedback acionável, validado pelo novo benchmark DRS-BENCH.
O artigo apresenta o WideSeek-R1, um sistema multiagente treinado por aprendizado por reforço que utiliza a escalabilidade em largura para realizar buscas amplas de informações de forma paralela, alcançando desempenho comparável ao de modelos individuais massivos como o DeepSeek-R1-671B.
O estudo revela que agentes baseados em grandes modelos de linguagem (LLMs) ainda não possuem uma capacidade emergente confiável para alcançar consenso em cenários adversariais, apresentando falhas frequentes de vivacidade que aumentam com o tamanho do grupo e a presença de agentes maliciosos.
Este artigo apresenta o VAS-CFA, um novo quadro que alinha modelos de linguagem com valores humanos ao fundir as perspetivas de múltiplos agentes morais distintos através da Análise de Fusão Combinatória, superando assim as limitações dos métodos tradicionais de feedback único.
O artigo apresenta o iSWE Agent, um sistema automatizado que combina técnicas baseadas em regras e modelos de linguagem para resolver problemas em repositórios de código Java, alcançando desempenho superior a métodos anteriores em benchmarks específicos.
O artigo apresenta o VMAO, um framework de orquestração multiagente que utiliza um ciclo iterativo de planejamento, execução, verificação e replanejamento baseado em DAGs para melhorar significativamente a completude e a qualidade das respostas a consultas complexas de pesquisa de mercado em comparação com abordagens de agente único.
O artigo propõe o "Grammar of the Wave", um framework de agentes neuro-simbólicos que utiliza a representação "Event Logic Tree" para detectar eventos em séries temporais multivariadas com base em descrições em linguagem natural, oferecendo detecções precisas e explicações interpretáveis mesmo com dados de treinamento limitados.
Este artigo propõe uma teoria dinâmica que explica como a coordenação inteligente emerge em sistemas multiagentes através de uma arquitetura de feedback recursivo entre agentes, incentivos e um ambiente persistente, estabelecendo condições estruturais para estabilidade e viabilidade sem depender de otimização global, racionalidade perfeita ou design centralizado.
Este estudo apresenta um framework robusto baseado em aprendizado por reforço multiagente que utiliza drones coordenados por nós âncora virtuais para localizar com maior precisão e eficiência fontes de vazamento de gases químicos, superando métodos tradicionais como o fluxotaxia.
O artigo apresenta a Inteligência Coletiva Deliberativa (DCI), um framework que estrutura a interação de múltiplos agentes de IA por meio de atos epistêmicos tipificados e um algoritmo de convergência, demonstrando que essa abordagem deliberativa melhora significativamente o desempenho em tarefas não rotineiras e de integração de perspectivas, embora gere um alto custo computacional e seja menos eficaz em decisões rotineiras.
Este artigo demonstra que agentes artificiais, ao utilizarem sinais observáveis globalmente para coordenar o gerenciamento de carga energética, podem superar dilemas sociais e melhorar os resultados agregados mesmo em estágios iniciais de adoção, embora isso possa criar assimetrias onde não adotantes se beneficiem desproporcionalmente da cooperação induzida.