Artigos de pesquisa em IA selecionados diariamente com traduções
Este relatório descreve o ARIS (Auto-Research-in-sleep), uma plataforma de pesquisa de código aberto para pesquisa autónoma, incluindo a sua arquitetura, mecanismos de garantia e experiências iniciais de implementação. O desempenho de sistemas de agentes baseados em LLMs depende tanto dos pesos do modelo como da plataforma que os envolve, a qual governa que informação armazenar, recuperar e apresentar ao modelo. Para fluxos de trabalho de pesquisa de longo prazo, o modo de falha central não é uma quebra visível, mas um sucesso plausível não suportado: um agente de longa execução pode produzir afirmações cujo suporte probatório é incompleto, incorretamente reportado ou silenciosamente herdado da estruturação do executor. Por conseguinte, apresentamos o ARIS como uma plataforma de pesquisa que coordena fluxos de trabalho de investigação em *machine learning* através de colaboração adversarial entre modelos como configuração padrão: um modelo executor impulsiona o progresso, enquanto é recomendado que um revisor de uma família de modelos diferente critique os artefactos intermédios e solicite revisões. O ARIS possui três camadas arquitetónicas. A camada de execução fornece mais de 65 competências reutilizáveis definidas em Markdown, integrações de modelos via MCP, uma wiki de pesquisa persistente para reutilização iterativa de resultados anteriores e geração determinística de figuras. A camada de orquestração coordena cinco fluxos de trabalho de ponta a ponta com definições de esforço ajustáveis e encaminhamento configurável para modelos revisores. A camada de garantia inclui um processo de três etapas para verificar se as afirmações experimentais são suportadas por evidências: verificação de integridade, mapeamento resultado-para-afirmação e auditoria de afirmações que cruza declarações do manuscrito com o registo de afirmações e a evidência bruta, bem como um *pipeline* de cinco fases de edição científica, verificações de provas matemáticas e inspeção visual do PDF renderizado. Um protótipo de ciclo de autoaperfeiçoamento regista os traços de pesquisa e propõe melhorias à plataforma que só são adotadas após aprovação do revisor.
As capacidades de busca profunda tornaram-se uma competência indispensável para agentes de LLM (Large Language Model) de fronteira, no entanto, o seu desenvolvimento continua dominado pelos gigantes industriais. A receita típica da indústria envolve um pipeline altamente intensivo em recursos que abrange pré-treinamento, pré-treinamento contínuo (CPT), ajuste fino supervisionado (SFT) e aprendizagem por reforço (RL). Neste relatório, mostramos que, quando alimentada com trajetórias informativas e de alta dificuldade, uma simples abordagem SFT pode ser surpreendentemente poderosa para treinar agentes de busca de fronteira. Ao introduzir três modificações simples na síntese de dados: escalonamento do tamanho do grafo de conhecimento para uma exploração mais rica, expansão do tamanho do conjunto de ferramentas para uma funcionalidade mais ampla e filtragem rigorosa por baixo número de etapas, estabelecemos uma linha de base mais forte. Treinado com apenas 10,6 mil pontos de dados, o nosso OpenSeeker-v2 atinge um desempenho de ponta em 4 benchmarks (agentes de 30B com paradigma ReAct): 46,0% no BrowseComp, 58,1% no BrowseComp-ZH, 34,6% no Humanity's Last Exam e 78,0% no xbench, superando até mesmo o Tongyi DeepResearch, treinado com o pesado pipeline CPT+SFT+RL, que atinge 43,4%, 46,7%, 32,9% e 75,0%, respectivamente. Notavelmente, o OpenSeeker-v2 representa o primeiro agente de busca de ponta dentro da sua escala de modelo e paradigma a ser desenvolvido por uma equipa puramente académica usando apenas SFT. Estamos entusiasmados por disponibilizar em código aberto os pesos do modelo OpenSeeker-v2 e partilhar as nossas descobertas simples mas eficazes para tornar a pesquisa de agentes de busca de fronteira mais acessível à comunidade.
A receita padrão de pós-treinamento para grandes modelos multimodais (LMMs) aplica o ajuste fino supervisionado (SFT) em demonstrações curadas, seguido por aprendizado por reforço com recompensas verificáveis (RLVR). No entanto, o SFT introduz um desvio distribucional que nem preserva as capacidades originais do modelo nem corresponde fielmente à distribuição de supervisão. Este problema é ainda mais amplificado no raciocínio multimodal, onde erros de perceção e falhas de raciocínio seguem padrões de desvio distintos que se agravam durante o RL subsequente. Apresentamos o PRISM, um pipeline de três fases que mitiga este desvio ao inserir uma fase explícita de alinhamento distribucional entre o SFT e o RLVR. Baseando-se no princípio da destilação on-policy (OPD), o PRISM formula o alinhamento como um jogo adversarial de caixa-preta a nível de resposta entre a política e um discriminador Mixture-of-Experts (MoE) com especialistas dedicados à perceção e ao raciocínio, fornecendo sinais corretivos desacoplados que orientam a política para a distribuição de supervisão sem exigir acesso aos logits do professor. Embora 1,26 milhões de demonstrações públicas sejam suficientes para uma inicialização ampla do SFT, o alinhamento distribucional exige supervisão de maior fidelidade; por isso, curamos 113 mil demonstrações adicionais a partir do Gemini 3 Flash, com anotação visual densa e raciocínio passo a passo sobre os problemas mais difíceis não resolvidos. Experiências no Qwen3-VL mostram que o PRISM melhora consistentemente o desempenho do RLVR subsequente em vários algoritmos de RL (GRPO, DAPO, GSPO) e benchmarks multimodais diversos, aumentando a precisão média em +4,4 e +6,0 pontos em relação à linha de base SFT-to-RLVR nas versões de 4B e 8B, respetivamente. O nosso código, dados e checkpoints do modelo estão publicamente disponíveis em https://github.com/XIAO4579/PRISM.
Os Modelos de Linguagem Multimodais de Grande Escala (MLLMs) demonstraram uma forte capacidade de compreensão e raciocínio visual a nível de imagem, mas a sua perceção a nível de pixel, tanto em imagens como em vídeos, permanece limitada. Os modelos de segmentação fundamentais, como a série SAM, produzem máscaras de alta qualidade, mas dependem de prompts visuais de baixo nível e não conseguem interpretar nativamente instruções conversacionais complexas. Os MLLMs de segmentação existentes reduzem esta lacuna, mas geralmente são especializados para imagens ou vídeos e raramente suportam prompts textuais e visuais numa única interface. Apresentamos o X2SAM, um MLLM de segmentação unificado que estende as capacidades de qualquer segmentação de imagens para vídeos. Dadas instruções conversacionais e prompts visuais, o X2SAM acopla um LLM a um módulo de Memória de Máscaras que armazena características visuais guiadas para uma geração de máscaras de vídeo temporalmente consistentes. A mesma formulação suporta segmentação genérica, de vocabulário aberto, de referência, de raciocínio, de conversa fundamentada, interativa e visualmente fundamentada em entradas de imagem e vídeo. Introduzimos ainda o benchmark de segmentação Video Visual Grounded (V-VGD), que avalia se um modelo consegue segmentar trajetórias de objetos em vídeos a partir de prompts visuais interativos. Com uma estratégia de treino conjunto unificada sobre conjuntos de dados heterogéneos de imagem e vídeo, o X2SAM oferece um forte desempenho em segmentação de vídeo, mantém-se competitivo em benchmarks de segmentação de imagem e preserva a capacidade geral de conversação sobre imagem e vídeo.
Avanços recentes em sistemas agentivos com estruturas de orquestração que coordenam múltiplos agentes com memória, habilidades e uso de ferramentas têm alcançado sucesso notável em tarefas complexas de raciocínio. No entanto, o mecanismo subjacente que realmente impulsiona o desempenho permanece obscurecido por trás de projetos de sistema intrincados. Neste artigo, propomos o HeavySkill, uma perspectiva que enxerga o "pensamento pesado" não apenas como uma unidade mínima de execução em sistemas de orquestração, mas também como uma habilidade interna internalizada nos parâmetros do modelo que impulsiona o orquestrador a resolver tarefas complexas. Identificamos essa habilidade como um pipeline de dois estágios, ou seja, raciocínio paralelo seguido de sumarização, que pode operar sob qualquer sistema agentivo. Apresentamos um estudo empírico sistemático do HeavySkill em diversos domínios. Nossos resultados mostram que essa habilidade interna supera consistentemente as estratégias tradicionais de Melhor-de-N (BoN); notavelmente, LLMs mais fortes podem até mesmo se aproximar do desempenho Pass@N. Crucialmente, demonstramos que a profundidade e a amplitude do pensamento pesado, como uma habilidade aprendível, podem ser ainda mais escaladas via aprendizado por reforço, oferecendo um caminho promissor para LLMs que evoluem autonomamente e internalizam o raciocínio complexo sem depender de camadas de orquestração frágeis.
O Video Autoencoder Variacional (VAE) permite a modelagem generativa de vídeos latentes ao mapear o mundo visual em espaços latentes espaço-temporais compactos, melhorando a eficiência e estabilidade do treinamento. Embora os VAEs de vídeo existentes atinjam qualidade de reconstrução louvável, a otimização contínua da reconstrução não se traduz necessariamente em melhor desempenho generativo. Como melhorar a difusibilidade dos latentes de vídeo permanece um desafio crítico e não resolvido. Neste trabalho, inspirados pelos princípios da modelagem preditiva do mundo, investigamos o potencial da aprendizagem preditiva para melhorar a modelagem generativa de vídeo. Para isso, introduzimos um objetivo de reconstrução preditiva simples e eficaz que unifica a aprendizagem preditiva com a reconstrução de vídeo. Especificamente, descartamos aleatoriamente quadros futuros e codificamos apenas observações parciais do passado, enquanto treinamos o decodificador para reconstruir os quadros observados e prever os futuros simultaneamente. Este projeto incentiva o espaço latente a codificar estruturas temporalmente preditivas e construir uma compreensão mais coerente da dinâmica do vídeo, melhorando assim a qualidade da geração. Nosso modelo, denominado Predictive Video VAE (PV-VAE), atua com desempenho superior na geração de vídeo, com convergência 52% mais rápida e uma melhoria de 34,42 no FVD em relação ao Wan2.2 VAE no UCF101. Além disso, análises abrangentes demonstram que o PV-VAE não apenas exibe escalabilidade favorável, com desempenho generativo melhorando juntamente com o treinamento do VAE, mas também produz ganhos consistentes na compreensão de vídeo downstream, destacando um espaço latente que captura efetivamente a coerência temporal e os priors de movimento.
Os modelos de linguagem apresentam excelente desempenho em avaliações diagnósticas com base em estudos de caso e vinhetas médicas selecionadas, equiparando-se ou superando profissionais clínicos. No entanto, os estudos existentes concentram-se em cenários complexos com contexto detalhado, dificultando a extração de conclusões sobre o desempenho desses sistemas para pacientes que relatam sintomas no dia a dia. Nós implementámos o SymptomAI, um conjunto de agentes de IA conversacional para entrevista de pacientes e diagnóstico diferencial (DDx) de ponta a ponta, através da aplicação Fitbit num estudo que randomizou participantes (N=13.917) para interagirem com cinco agentes de IA. Este corpus captura uma comunicação diversificada e uma distribuição realista de doenças de uma população do mundo real. Um subconjunto de 1.228 participantes relatou um diagnóstico fornecido por um médico, e 517 destes foram posteriormente avaliados por um painel de clínicos durante mais de 250 horas de anotação. Os diagnósticos diferenciais do SymptomAI foram significativamente mais precisos (OR = 2,47, p < 0,001) do que os de clínicos independentes, quando lhes foi apresentado o mesmo diálogo numa comparação randomizada e cega. Além disso, as estratégias agentes que conduzem uma entrevista de sintomas dedicada para obter informações adicionais antes de fornecer um diagnóstico apresentam um desempenho substancialmente melhor do que as conversas baseadas na orientação do utilizador (linha de base) (p < 0,001). Uma análise auxiliar de 1.509 conversas de um painel representativo da população geral dos EUA validou que estes resultados se generalizam para além dos utilizadores de dispositivos *wearables*. Utilizámos os diagnósticos do SymptomAI como rótulos para todos os 13.917 participantes para analisar mais de 500.000 dias de métricas de *wearables* em quase 400 condições únicas. Identificámos fortes associações entre infeções agudas e alterações fisiológicas (por exemplo, OR > 7 para a influenza). Embora limitados pela verdade terrestre autorrelatada, estes resultados demonstram os benefícios de uma entrevista de sintomos dedicada e completa em comparação com uma discussão de sintomas guiada pelo utilizador, que é o padrão da maioria dos LLM de consumo.
O Gaussian Splatting demonstra resultados impressionantes na reconstrução multi-visão baseada em representações Gaussianas explícitas. No entanto, os primitivos Gaussianos atuais possuem apenas uma única cor dependente da visão e uma opacidade para representar a aparência e a geometria da cena, resultando numa representação não compacta. Neste artigo, introduzimos um novo método denominado SVGS (Spatially Varying Gaussian Splatting) que utiliza cores e opacidade espacialmente variáveis num único primitivo Gaussiano para melhorar a sua capacidade de representação. Implementámos a interpolação bilinear, *kernels* móveis e pequenas redes neuronais como funções espacialmente variáveis. O SVGS emprega *surfels* Gaussianos 2D como primitivos, o que melhora significativamente a síntese de novas visões, mantendo uma reconstrução geométrica de alta qualidade. Esta abordagem é particularmente eficaz em aplicações práticas, uma vez que cenas que combinam texturas complexas com geometria relativamente simples ocorrem frequentemente em ambientes do mundo real. Resultados experimentais quantitativos e qualitativos demonstram que todas as três funções superam a linha de base, com os melhores *kernels* móveis a alcançar um desempenho superior na síntese de novas visões em múltiplos conjuntos de dados, destacando o forte potencial das funções espacialmente variáveis. Página do projeto: https://ruixu.me/html/SuperGaussians/index.html
A análise de patentes é um processo complexo e multifásico que requer tanto conhecimento técnico quanto raciocínio jurídico, sendo cada vez mais desafiado pelo volume crescente de pedidos. Os benchmarks anteriores veem predominantemente a análise de patentes como uma classificação discriminativa ou extração estática, falhando em capturar sua natureza inerentemente interativa e iterativa, semelhante ao processo de revisão por pares e réplica na publicação acadêmica. Neste artigo, apresentamos o PatRe, o primeiro benchmark que modela todo o ciclo de vida do exame de patentes, incluindo a geração de Ações do Escritório (Office Actions) e a contra-argumentação do requerente. O PatRe compreende 480 casos do mundo real e suporta configurações de avaliação simulada por oráculo e por recuperação de informação. Nosso benchmark reformula o exame de patentes como um processo dinâmico e multi-turno de justificação e resposta. Experimentos extensos com vários LLMs revelam insights críticos sobre o desempenho dos modelos, incluindo diferenças entre modelos proprietários e de código aberto, bem como assimetrias de tarefas entre a análise do examinador e a contra-argumentação do lado do requerente. Essas descobertas destacam tanto o potencial quanto as limitações atuais dos LLMs na modelagem do raciocínio jurídico complexo do mundo real e do julgamento de novidade técnica no exame de patentes. Disponibilizamos nosso código e conjunto de dados para facilitar pesquisas futuras sobre a modelagem do exame de patentes.
Apresentamos o StateSMix, um compressor sem perdas totalmente autónomo que combina um Modelo de Espaço de Estados (SSM) do tipo Mamba, treinado online, com uma mistura de contexto esparsa de n-gramas e codificação aritmética. O modelo é inicializado do zero e treinado token a token no ficheiro que está a ser comprimido, não necessitando de pesos pré-treinados, de GPU ou de dependências externas. O SSM (DM=32, NL=2, aproximadamente 120K parâmetros ativos por ficheiro) fornece uma estimativa de probabilidade continuamente atualizada sobre tokens BPE, enquanto nove tabelas de hash esparsas de n-gramas (desde bigramas até 32-gramas, 16M de espaços cada) adicionam uma memorização exata de padrões locais e de longo alcance através de um mecanismo de viés de *logit* invariante ao *softmax* que atualiza apenas tokens com contagem não nula. Um mecanismo de escalonamento adaptativo à entropia modula a contribuição dos n-gramas com base na confiança preditiva do SSM, impedindo a sobrecorreção quando o modelo neural já está bem calibrado. No benchmark padrão enwik8, o StateSMix alcança 2,123 bpb em 1 MB, 2,149 bpb em 3 MB e 2,162 bpb em 10 MB, superando o xz -9e (LZMA2) em 8,7%, 5,4% e 0,7%, respetivamente. Experiências de ablação estabelecem o SSM como o motor de compressão dominante: apenas por si, é responsável por uma redução de 46,6% no tamanho em relação a uma linha de base de contagem de frequência e supera o xz sem qualquer componente de n-grama, enquanto as tabelas de n-gramas proporcionam um ganho complementar de 4,1% através da memorização exata de contexto. A paralelização OpenMP do ciclo de treino produz uma aceleração de 1,9x em 4 núcleos. O sistema é implementado em C puro com instruções SIMD AVX2 e processa aproximadamente 2.000 tokens por segundo em hardware x86-64 comercial.
À medida que os agentes de modelos de linguagem de grande porte (LLM) evoluem de utilizadores isolados de ferramentas para equipas coordenadas, a aprendizagem por reforço (RL) deve otimizar não apenas as ações individuais, mas também a forma como o trabalho é gerado, delegado, comunicado, agregado e interrompido. Este artigo estuda a RL para sistemas multiagente baseados em LLM através de *traços de orquestração*: grafos de interação temporal cujos eventos incluem a criação de subagentes, delegação, comunicação, uso de ferramentas, retorno, agregação e decisões de paragem. Através desta lente, identificamos três eixos técnicos. Primeiro, o *design* de recompensas abrange oito famílias, incluindo recompensas de orquestração para aceleração por paralelismo, correção de divisão e qualidade de agregação. Segundo, os sinais de recompensa e crédito atribuem-se a oito unidades portadoras de crédito ou sinal, desde o *token* até à equipa; o crédito contrafactual explícito ao nível da mensagem permanece especialmente escasso na nossa coleção curada. Terceiro, a aprendizagem de orquestração decompõe-se em cinco subdecisões: quando gerar um subagente, a quem delegar, como comunicar, como agregar e quando parar. Na nossa coleção curada, em 4 de maio de 2026, não encontrámos nenhum método de treino de RL explícito para a decisão de paragem. Ligamos os métodos académicos a evidências industriais públicas do Kimi Agent Swarm, OpenAI Codex e Anthropic Claude Code. A lacuna de escala resultante é um hiato entre os ambientes de implantação publicamente reportados e os regimes de avaliação académica abertos, e não uma verificação independente dos traços de treino industriais. Disponibilizamos o artefacto em https://github.com/xxzcc/awesome-llm-mas-rl, incluindo uma coleção curada de 84 artigos etiquetados, um registo de exclusão com 32 entradas, estatísticas do corpus geradas por *script* e um esquema JSON mínimo para traços de orquestração reproduzíveis.
Na maioria dos cenários reais de imagem para imagem (I2I), as avaliações existentes concentram-se principalmente no seguimento de instruções e na qualidade perceptual ou estética das imagens geradas. No entanto, elas falham amplamente em avaliar se a imagem de saída preserva a correspondência semântica e a estrutura espacial da imagem de entrada. Para superar esta limitação, propomos o StableI2I, uma estrutura de avaliação unificada e dinâmica que mede explicitamente a fidelidade de conteúdo e a consistência pré e pós-processamento em uma ampla gama de tarefas I2I sem exigir imagens de referência, incluindo edição e restauração de imagens. Além disso, construímos o StableI2I-Bench, um benchmark projetado para avaliar sistematicamente a precisão de MLLMs nessas tarefas de avaliação de fidelidade e consistência. Resultados experimentais extensivos demonstram que o StableI2I fornece avaliações precisas, granulares e interpretáveis de fidelidade de conteúdo e consistência, com fortes correlações com julgamentos subjetivos humanos. Nossa estrutura serve como uma ferramenta de avaliação prática e confiável para diagnosticar a consistência de conteúdo e comparar o desempenho de modelos em sistemas I2I do mundo real.
Embora a aprendizagem multimodal tenha avançado a conclusão de nuvens de pontos, os mecanismos teóricos permanecem pouco claros. Trabalhos recentes atribuem o sucesso à conexão entre modalidades, mas nós identificamos que a projeção padrão rígida rompe essa conexão: projetar uma nuvem de pontos esparsa no plano da imagem produz um suporte extremamente esparso, o que dificulta a propagação de *priors* visuais, um modo de falha que denominamos Colapso de Entropia Cross-Modal. Para resolver esta limitação prática, propomos o SplAttN, que substitui a projeção rígida por *Differentiable Gaussian Splatting* para produzir uma representação densa e contínua no plano da imagem. Ao reformular a projeção como uma estimativa de densidade contínua, o SplAttN evita o suporte esparso colapsado, facilita o fluxo de gradientes e melhora a capacidade de aprendizado da conexão cross-modal. Experimentos extensivos mostram que o SplAttN alcança desempenho de última geração no PCN e no ShapeNet-55/34. Crucialmente, utilizamos o benchmark do mundo real KITTI como um teste de estresse para a dependência multimodal. A avaliação contrafactual revela que, enquanto os *baselines* degeneram em recuperadores de modelos unimodais insensíveis à remoção visual, o SplAttN mantém uma dependência robusta em pistas visuais, validando que nosso método estabelece uma conexão cross-modal eficaz. O código está disponível em https://github.com/zay002/SplAttN.
A aprendizagem em espaço de trabalho requer que agentes de IA identifiquem, raciocinem sobre, explorem e atualizem dependências explícitas e implícitas entre arquivos heterogêneos no espaço de trabalho de um profissional, permitindo-lhes concluir tarefas rotineiras e avançadas com eficácia. Apesar de sua importância, os benchmarks relevantes existentes avaliam principalmente agentes em arquivos pré-especificados ou sintetizados com dependências do mundo real limitadas, deixando a avaliação em nível de espaço de trabalho subexplorada. Para tanto, apresentamos o Workspace-Bench, um benchmark para avaliar agentes de IA na Aprendizagem em Espaço de Trabalho envolvendo Dependências de Arquivos em Larga Escala. Construímos espaços de trabalho realistas com 5 perfis de profissionais, 74 tipos de arquivo, 20.476 arquivos (até 20 GB) e curamos 388 tarefas, cada uma com seu próprio grafo de dependência de arquivos, avaliadas por 7.399 critérios no total que exigem recuperação cruzada de arquivos, raciocínio contextual e tomada de decisão adaptativa. Oferecemos ainda o Workspace-Bench-Lite, um subconjunto de 100 tarefas que preserva a distribuição do benchmark enquanto reduz os custos de avaliação em cerca de 70%. Avaliamos 4 plataformas de agentes populares e 7 modelos de base. Os resultados experimentais mostram que os agentes atuais ainda estão longe de uma aprendizagem em espaço de trabalho confiável, onde o melhor atinge apenas 68,7%, substancialmente abaixo do resultado humano de 80,7%, e o desempenho médio entre os agentes é de apenas 47,4%.
A ASR em línguas indianas para domínios específicos — cadeias de dígitos, valores monetários, endereços, nomes de marcas, código misto inglês/indiano — é pouco atendida tanto pelos sistemas state-of-the-art (SOTA) de código aberto quanto pelos sistemas comerciais. Em um conjunto de testes em télugo sintetizado e denso em entidades (reservado pelo sistema de síntese), o modelo vasista22/whisper-telugu-large-v2 (SOTA aberto) alcança uma Taxa de Acerto de Entidades (EHR) de 0.027, e o Deepgram Nova-3 (comercial) alcança 0.16. Nós fechamos esta lacuna com um ciclo autorrealimentado TTS<->STT autocontido: um *pipeline* de TTS para línguas indianas de código aberto sintetiza ~22.000 enunciados densos em entidades e em código misto indiano-inglês a um custo marginal <$50, e um ajuste fino com LoRA aplicado sobre o modelo vasista22 alcança uma EHR de 0.473 no teste reservado (17x superior ao SOTA aberto, 3x superior ao comercial), com regressão em prosa lida limitada a +6.6 pp de WER no FLEURS-Te. Entre línguas: beta-Hi 0.337 (7x vs vasista22) e beta-Ta 0.543 (22x vs vasista22, 22x vs Deepgram); no hindi, onde a Deepgram tem cobertura substancial de entidades, o ciclo fica abaixo do desempenho comercial. Todos os três modelos beta ficaram abaixo das metas de EHR pré-registradas (0.75 para Te, 0.65 para Hi/Ta); reportamos honestamente. Uma verificação de sanidade com gravações humanas nativas (n=20 télugo) confirma a transferência para fala real (beta-Te EHR 0.516 em nativo vs 0.473 em sintético). Uma ablação por isolamento do EDSA (LoRA apenas no FLEURS-Te) resulta em EHR 0.020 no mesmo conjunto reservado, atribuindo ~100% do ganho ao corpus EDSA. Relatamos adicionalmente uma descoberta condicional à língua: o modelo padrão Whisper-large-v3 sofre de Colapso de Escrita específico para o télugo (SFR 0.46-0.71) que é corrigido por um LoRA por língua (SFR 0.81-0.97), mas a receita é contraindicada para o hindi e o tâmil, onde o SFR padrão é >= 0.98. Código, conjuntos de teste reservados, previsões, corpus EDSA e dicionários de entidades são liberados como código aberto.
O rápido avanço dos Modelos de Linguagem Multimodais de Grande Escala (MLLMs) tem dotado os Veículos Aéreos Não Tripulados (VANTs) com capacidades excepcionais em raciocínio espacial, compreensão semântica e tomada de decisão complexa, tornando-os inerentemente adequados para Busca e Resgate (SAR) com VANTs. No entanto, a pesquisa existente em SAR com VANTs é dominada por métodos tradicionais de visão e planeamento de trajetórias e carece de um benchmark abrangente e unificado para agentes corporificados. Para colmatar esta lacuna, propomos primeiro a nova tarefa de Busca e Resgate Corporificada (ESAR), que exige que agentes aéreos explorem autonomamente ambientes complexos, identifiquem pistas de resgate e raciocinem sobre a localização de vítimas para executar uma tomada de decisão informada. Adicionalmente, apresentamos o ESARBench, o primeiro benchmark abrangente concebido para avaliar agentes VANT orientados por MLLMs em cenários de SAR altamente realistas. Alavancando o Unreal Engine 5 e o AirSim, construímos quatro ambientes abertos de alta fidelidade e grande escala, mapeados diretamente a partir de dados de Sistemas de Informação Geográfica (SIG) do mundo real para garantir paisagens foto-realistas. Para simular rigorosamente operações de resgate reais, o nosso benchmark incorpora variáveis dinâmicas, incluindo condições meteorológicas, hora do dia e colocação estocástica de pistas. Além disso, criamos um conjunto de dados com 600 tarefas modeladas com base em casos de resgate do mundo real e propomos um conjunto robusto de métricas de avaliação. Avaliamos diversas linhas de base, desde heurísticas tradicionais até avançados agentes ObjectNav baseados em MLLMs terrestres e aéreos. Os resultados experimentais destacam os desafios na ESAR, revelando estrangulamentos críticos na memória espacial, adaptação aérea e no compromisso entre a eficiência de busca e a segurança de voo. Esperamos que o ESARBench sirva como um recurso valioso para avançar a pesquisa no domínio da Busca e Resgate Corporificada. Código fonte e página do projeto: https://4amgodvzx.github.io/ESAR.github.io.
O raciocínio clínico exige interações em múltrias etapas — recolha do historial do paciente, solicitação de exames, interpretação de resultados e tomada de decisões de tratamento seguras —, no entanto, um ambiente de treino unificado que forneça a abrangência de domínios clínicos e ferramentas especializadas para formar agentes de IA médica generalizáveis através de aprendizagem por reforço permanece indefinido. Apresentamos um estudo empírico abrangente de RL agentivo multi-turn para IA médica, construído sobre um ambiente compatível com gymnasium que abrange 10 domínios clínicos com mais de 3,6 mil tarefas, 135 ferramentas específicas de domínio e uma base de conhecimento com 828 mil passagens médicas. A nossa análise revela que a estrutura agentiva multi-turn degenera em monólogos verbosos de turno único, caracterizados por uma explosão monótona do comprimento e uma simultânea erosão da frequência de uso de ferramentas. Caracterizamos como este colapso, juntamente com a instabilidade da destilação, decorre do desalinhamento entre recompensas terminais esparsas e trajetórias clínicas sequenciais. Verificamos que o GRPO padrão atinge uma forte precisão final em alguns benchmarks, mas sofre de instabilidade no treino, evidenciada por oscilações significativas no comprimento da resposta e períodos de convergência prolongados. Para melhorar a eficiência e estabilidade do treino, propomos a Destilação On-Policy Truncada por Turno (TT-OPD), uma estrutura de auto-destilação na qual um professor EMA sem gradientes aproveita informações privilegiadas de resultado para fornecer uma regularização KL densa e consciente do resultado em cada turno de conversação. A TT-OPD atinge o melhor desempenho em 10 de 18 benchmarks, com uma melhoria média de +3,9 pp em relação à linha de base não-RL, com convergência precoce mais rápida, comprimento de resposta controlado e uso sustentado de ferramentas multi-turn.
A análise de quádruplos de sentimento baseada em aspetos conversacionais (DiaASQ) necessita de capturar as complexas inter-relações em diálogos de múltiplas rondas. Os métodos existentes geralmente empregam Redes de Convolução de Grafos (GCN) simples, que introduzem ruído estrutural e não consideram a sequência temporal dos diálogos, ou usam RoPE padrão, que captura implicitamente distâncias relativas numa sequência plana, mas não consegue separar claramente a ordem sintática ao nível do *token* da progressão ao nível do enunciado, podendo sofrer do problema da Diluição pela Distância. Para resolver estas questões, propomos um novo quadro que combina o Grafo Acíclico Direcionado com Restrição de Tópico (TC-DAG) e a Incorporação de Posição Rotativa com Consciência do Discurso (D-RoPE). Especificamente, o TC-DAG filtra o ruído entre tópicos com base em restrições temáticas, mantém a conectividade global através de uma âncora raiz e incorpora a sequência temporal dos diálogos. O D-RoPE alinha semânticas de múltiplas camadas usando projeção de fluxo duplo e sinais de frequência multi-escala, captura dependências temáticas usando distâncias do tipo árvore e atenua o problema da Diluição pela Distância ao nível do *token* ao incorporar progressões ao nível do enunciado. Resultados experimentais em dois conjuntos de dados de referência demonstram que o nosso quadro alcança um desempenho de última geração.
A obtenção de Inteligência Artificial Geral (IAG) requer agentes que aprendam e interajam de forma adaptativa, sendo que os modelos de mundo interativos fornecem ambientes escaláveis para percepção, raciocínio e ação. No entanto, a investigação atual ainda carece de conjuntos de dados em larga escala e de benchmarks unificados para avaliar as suas capacidades de interação física. Para colmatar esta lacuna, propomos o iWorld-Bench, um benchmark abrangente para treinar e testar modelos de mundo em capacidades relacionadas com a interação, como perceção de distância e memória. Construímos um conjunto de dados diversificado com 330 mil *clips* de vídeo e selecionámos 2,1 mil amostras de alta qualidade que abrangem várias perspetivas, condições meteorológicas e cenários. Uma vez que os modelos de mundo existentes diferem nas modalidades de interação, introduzimos um *Action Generation Framework* para unificar a avaliação e concebemos seis tipos de tarefas, gerando 4,9 mil amostras de teste. Estas tarefas avaliam em conjunto o desempenho dos modelos ao nível da geração visual, do seguimento de trajetórias e da memória. Avaliando 14 modelos de mundo representativos, identificámos limitações-chave e fornecemos perspetivas para investigação futura. O *leaderboard* de modelos do iWorld-Bench está publicamente disponível em iWorld-Bench.com.
Apresentamos o Skills-Coach, uma nova estrutura automatizada concebida para melhorar significativamente a auto-evolução de competências em agentes baseados em Modelos de Linguagem de Grande Escala (LLM). Abordando a atual fragmentação do ecossistema de competências, o Skills-Coach explora os limites das capacidades das mesmas, facilitando assim a cobertura abrangente de competências essencial para aplicações inteligentes. A estrutura compreende quatro módulos principais: um Módulo de Geração de Tarefas Diversas que cria sistematicamente uma suíte de testes abrangente para várias competências; um Módulo de Otimização Leve dedicado à otimização de instruções (prompts) de competências e seu código correspondente; um Módulo de Execução Comparativa que facilita a execução e avaliação de competências originais e otimizadas; e um Módulo de Avaliação Rastreável, que avalia rigorosamente o desempenho face a critérios especificados. O Skills-Coach oferece opções de execução flexíveis através dos seus modos virtual e real. Para validar a sua eficácia, apresentamos o Skill-X, um conjunto de dados de referência abrangente composto por 48 competências diversas. Resultados experimentais demonstram que o Skills-Coach alcança melhorias significativas de desempenho na capacidade das competências numa ampla gama de categorias, destacando o seu potencial para avançar o desenvolvimento de agentes baseados em LLM mais robustos e adaptáveis.
O aprendizado por reforço (RL) tornou-se uma ferramenta central de pós-treinamento para melhorar as capacidades de raciocínio de grandes modelos de linguagem (LLMs). Nestes sistemas, o *rollout* – a trajetória amostrada desde um *prompt* até a terminação, incluindo etapas de raciocínio intermediárias e interações opcionais com ferramentas ou ambientes – determina os dados a partir dos quais o otimizador aprende. No entanto, o projeto do *rollout* é frequentemente pouco documentado. Este estudo oferece uma visão independente do otimizador sobre estratégias de *rollout* para o pós-treinamento baseado em RL de LLMs de raciocínio. Formalizamos os *pipelines* de *rollout* com uma notação unificada e introduzimos o *Generate-Filter-Control-Replay* (GFCR), uma taxonomia de ciclo de vida que decompõe os *pipelines* de *rollout* em quatro estágios modulares: **Generate** propõe trajetórias e topologias candidatas; **Filter** constrói sinais intermediários por meio de verificadores, juízes, críticos; **Control** aloca recursos computacionais e toma decisões de continuação/ramificação/parada sob orçamentos; e **Replay** retém e reutiliza artefatos entre *rollouts* sem atualizações de pesos, incluindo currículos de auto-evolução que geram autonomamente novas tarefas de treinamento. Complementamos o GFCR com uma taxonomia de critérios de confiabilidade, cobertura e sensibilidade de custo que caracteriza os trade-offs do *rollout*. Utilizando este framework, sintetizamos métodos que abrangem RL com recompensas verificáveis, supervisão de processo, gateamento baseado em juízes, *rollouts* guiados e em árvore/segmento, alocação adaptativa de computação, *rollouts* com saída antecipada e parciais, otimização de taxa de transferência e *replay*/recomposição para autoaperfeiçoamento. Fundamentamos o framework com estudos de caso em matemática, código/SQL, raciocínio multimodal, agentes que utilizam ferramentas e benchmarks de habilidades agentes que avaliam indução, reuso e transferência de habilidades entre tarefas. Finalmente, fornecemos um índice de diagnóstico que mapeia patologias comuns de *rollout* para os módulos GFCR e alavancas de mitigação, juntamente com desafios em aberto para a construção de *pipelines* de *rollout* reproduzíveis, computacionalmente eficientes e confiáveis.
A adaptação de modelos de raciocínio a novas tarefas durante o pós-treinamento, com supervisão apenas a nível de saída, estagna sob o aprendizado por reforço com recompensas verificáveis (RLVR) quando a probabilidade inicial de sucesso p_0 é pequena. Utilizando o q-logaritmo de Tsallis, definimos uma família de perdas J_Q que interpola entre o RLVR (em q=0, o polo de exploração) e a log-verossimilhança marginal sobre trajetórias latentes (em q=1, o polo de estimação de densidade). Todos os membros compartilham a mesma direção de gradiente por exemplo, diferindo apenas por uma amplificação escalar P_{θ^{-q}} que repondera cada instância independentemente da taxa de aprendizado. Esta amplificação é o mecanismo que aborda a estagnação no "arranque a frio" (cold-start): sob fluxo de gradiente, o polo de exploração requer tempo Ω(1/p_0) para escapar do início difícil, enquanto o polo de estimação de densidade escapa em Θ(log(1/p_0)); valores intermédios de q trocam velocidade de escape por memorização de ruído. Como P_θ é intratável, derivamos dois estimadores de Monte Carlo a partir das duas fatorizações do gradiente: o RL Amplificado por Gradiente (GARL) amostra da priori e amplifica o gradiente de RL, e o Ajuste Fino Atenuado pela Posteriori (PAFT) faz reamostragem por importância da posteriori e executa o ajuste fino supervisionado padrão (SFT). Ambos possuem viés O(q/(M P_θ^{q+1})); o GARL tem variância menor, o PAFT tem gradientes semanticamente coerentes. No FinQA, HotPotQA e MuSiQue, o GARL com q=0,75 mitiga substancialmente a estagnação no início difícil, escapando dessa fase onde o GRPO falha completamente. Em início favorável (warm start), o GARL com q baixo domina no FinQA, onde o treinamento é estável; no HotPotQA e MuSiQue, o GARL desestabiliza durante o treinamento, e o PAFT com q=0,75 fornece gradientes estáveis (melhor resultado geral no HotPotQA com 47,9 maj@16, +14,4 sobre o GRPO).
A Geração Aumentada por Recuperação Iterativa (iRAG) emergiu como um paradigma poderoso para responder a perguntas complexas de múltiplos saltos, recuperando e raciocinando progressivamente sobre documentos externos. No entanto, os sistemas atuais operam predominantemente em texto analisado, o que cria dois gargalos críticos: (1) Atribuição de granularidade grossa, onde os utilizadores são sobrecarregados com a tarefa de localizar manualmente evidências em documentos extensos com base em citações vagas a nível de texto; e (2) Perda semântica visual, onde a conversão de documentos visualmente ricos (por exemplo, slides, PDFs com gráficos) em texto descarta a lógica espacial e os sinais de layout essenciais para o raciocínio. Para colmatar esta lacuna, apresentamos a Cadeia de Evidências (CoE), uma estrutura de atribuição visual independente do mecanismo de recuperação que aproveita os Modelos de Visão e Linguagem para raciocinar diretamente sobre capturas de ecrã dos documentos candidatos recuperados. A CoE elimina a análise específica de formato e produz caixas delimitadoras precisas, visualizando a cadeia de raciocínio completa dentro do conjunto de candidatos recuperados. Avaliamos a CoE em dois benchmarks distintos: Wiki-CoE, um conjunto de dados em larga escala de páginas web estruturadas derivado do 2WikiMultiHopQA, e SlideVQA, um conjunto de dados desafiador de slides de apresentação com diagramas complexos e layouts de forma livre. Os experimentos demonstram que o modelo Qwen3-VL-8B-Instruct, após fine-tuning, atinge um desempenho robusto, superando significativamente as linhas de base baseadas em texto em cenários que exigem compreensão do layout visual, estabelecendo simultaneamente uma solução independente do mecanismo de recuperação para iRAG interpretável a nível de píxel. O nosso código está disponível em https://github.com/PeiYangLiu/CoE.git.