Artigos de pesquisa em IA selecionados diariamente com traduções
Os sistemas de recuperação modernos, sejam lexicais ou semânticos, expõem um corpus através de uma interface de similaridade fixa que comprime o acesso em uma única etapa de recuperação top-k antes do raciocínio. Essa abstração é eficiente, mas para buscas agentivas, torna-se um gargalo: restrições lexicais exatas, conjunções de pistas esparsas, verificações de contexto local e refinamento de hipóteses em múltiplos passos são difíceis de implementar ao chamar um recuperador convencional de prateleira, e evidências filtradas precocemente não podem ser recuperadas por um raciocínio subsequente mais forte. Tarefas agentivas exacerbam ainda mais essa limitação porque exigem que os agentes orquestrem múltiplos passos, incluindo descobrir entidades intermediárias, combinar pistas fracas e revisar o plano após observar evidências parciais. Para enfrentar essa limitação, estudamos a interação direta com o corpus (DCI), na qual um agente pesquisa o corpus bruto diretamente com ferramentas de terminal de propósito geral (por exemplo, grep, leitura de arquivos, comandos shell, scripts leves), sem qualquer modelo de embedding, índice vetorial ou API de recuperação. Essa abordagem não requer indexação offline e adapta-se naturalmente a corporas locais em evolução. Em benchmarks de RI e tarefas de busca agentiva de ponta a ponta, essa configuração simples supera substancialmente fortes baselines esparsas, densas e de reclassificação em vários conjuntos de dados BRIGHT e BEIR, e atinge alta precisão em BrowseComp-Plus e QA multi-hop sem depender de qualquer recuperador semântico convencional. Nossos resultados indicam que, à medida que os agentes de linguagem se tornam mais capazes, a qualidade da recuperação depende não apenas da capacidade de raciocínio, mas também da resolução da interface pela qual o modelo interage com o corpus, com a qual a DCI abre um espaço de design de interface mais amplo para buscas agentivas.
Os modelos de linguagem de grande escala alcançaram sucesso notável sob o paradigma autoregressivo, porém a geração de texto de alta qualidade não precisa estar vinculada a uma ordem fixa da esquerda para a direita. As alternativas existentes ainda lutam para alcançar conjuntamente eficiência de geração, aprendizado de representação escalável e modelagem semântica global eficaz. Propomos o Cola DLM, um modelo de linguagem de difusão latente hierárquico que estrutura a geração de texto através da decomposição hierárquica de informação. O Cola DLM primeiro aprende um mapeamento estável de texto para latente com um VAE de Texto, depois modela um *prior* semântico global em espaço latente contínuo com um DiT de causalidade em bloco e, finalmente, gera texto através de decodificação condicional. De uma perspectiva unificada de caminho markoviano, seu processo de difusão realiza transporte de *prior* latente em vez de recuperação de observação a nível de *token*, separando assim a organização semântica global da realização textual local. Este projeto produz um viés indutivo não autoregressivo mais flexível, suporta compressão semântica e ajuste de *prior* em espaço contínuo e estende-se naturalmente a outras modalidades contínuas. Através de experimentos abrangendo 4 questões de pesquisa, 8 *benchmarks*, linhas de base autoregressivas e LLaDA estritamente pareadas com ~2B de parâmetros, e curvas de escala até cerca de 2000 EFLOPs, identificamos uma configuração geral eficaz do Cola DLM e verificamos seu forte comportamento de escala para geração de texto. Em conjunto, os resultados estabelecem a modelagem hierárquica contínua de *prior* latente como uma alternativa fundamentada à modelagem de linguagem estritamente a nível de *token*, onde a qualidade de geração e o comportamento de escala podem refletir melhor a capacidade do modelo do que a verossimilhança, ao mesmo tempo que sugerem um caminho concreto para a modelagem unificada entre texto discreto e modalidades contínuas.
Uma biblioteca de habilidades persistentes permite que agentes de modelos de linguagem reutilizem estratégias bem-sucedidas em diferentes tarefas. A manutenção de tal biblioteca requer três capacidades acopladas. O agente seleciona uma habilidade relevante, utiliza-a durante a execução e destila novas habilidades a partir da experiência. Os métodos existentes otimizam essas capacidades de forma isolada ou com fontes de recompensa separadas, resultando numa evolução parcial e conflituosa. Propomos o Skill1, uma estrutura que treina uma única política para co-evoluir a seleção, utilização e destilação de habilidades em direção a um objetivo compartilhado de resultado da tarefa. A política gera uma consulta para pesquisar a biblioteca de habilidades, reclassifica os candidatos para selecionar um, resolve a tarefa condicionada a ela e destila uma nova habilidade a partir da trajetória. Todo o aprendizado deriva de um único sinal de resultado da tarefa. A sua tendência de baixa frequência credita a seleção e a sua variação de alta frequência credita a destilação. Experimentos no ALFWorld e no WebShop mostram que o Skill1 supera as linhas de base anteriores baseadas em habilidades e em aprendizagem por reforço. A dinâmica de treino confirma a co-evolução das três capacidades, e as ablações mostram que a remoção de qualquer sinal de crédito degrada a evolução.
Um crescente conjunto de trabalhos em ciência cognitiva sugere que o acesso consciente reportável está associado a uma ignição global sobre sistemas de memória distribuídos, enquanto tal ativação é apenas parcialmente acessível, uma vez que os indivíduos não podem aceder ou enumerar diretamente todos os conteúdos ativados. Esta tensão sugere um mecanismo plausível de que a cognição pode depender de uma representação compacta que aproxima a influência global da ativação no processamento subsequente. Inspirados por esta ideia, introduzimos o conceito de Assinatura de Ativação da Paisagem Mental (MiA-Signature), uma representação comprimida do padrão de ativação global induzido por uma consulta. Em sistemas de LLM, isto é instanciado através da seleção baseada em submodularidade de conceitos de alto nível que cobrem o espaço de contexto ativado, opcionalmente refinados através de atualizações iterativas leves usando memória de trabalho. A MiA-Signature resultante serve como um sinal de condicionamento que aproxima o efeito do estado completo de ativação, mantendo-se computacionalmente tratável. A integração de MiA-Signatures em sistemas de RAG e agentivos produz ganhos de desempenho consistentes em múltiplas tarefas de compreensão de contexto longo.
Apresentamos o nosso sistema vencedor para a Tarefa B (geração com passagens de referência) no SemEval-2026 Tarefa 8: MTRAGEval. O nosso método é um ensemble heterogéneo de sete LLMs com duas variantes de *prompting*, no qual um juiz GPT-4o-mini seleciona o melhor candidato por instância. Ficámos em 1º lugar entre 26 equipas, alcançando uma média harmónica condicionada de 0,7827 e superando a *baseline* mais forte (gpt-oss-120b, 0,6390). Estudos de ablação mostram que a diversidade em famílias de modelos, escalas e estratégias de *prompting* é essencial, com o ensemble a superar consistentemente qualquer modelo individual. Apresentamos também o Meno-Lite-0.1, um modelo de 7B adaptado ao domínio com um forte equilíbrio custo-desempenho, e analisamos o MTRAGEval, salientando limitações na anotação e direções para melhorias. O nosso código está publicamente disponível: https://github.com/RaguTeam/ragu_mtrag_semeval.
Os Modelos de Ação Mundial (WAMs) emergiram recentemente como um paradigma promissor para a manipulação robótica, prevendo conjuntamente observações visuais futuras e ações futuras. No entanto, os WAMs atuais normalmente executam um número fixo de ações previstas após cada inferência do modelo, deixando o roboto cego quanto à consistência entre o futuro imaginado e a execução física real. Neste trabalho, formulamos a execução adaptativa de WAMs como um problema de verificação futuro-realidade: o robô deve executar por mais tempo quando o futuro previsto pelo WAM permanece confiável e replanejar mais cedo quando a realidade se desvia da imaginação. Para isso, propomos o Future Forward Dynamics Causal Attention (FFDC), um verificador leve que raciocina conjuntamente sobre ações futuras previstas, dinâmicas visuais previstas, observações reais e instruções de linguagem para estimar se a execução das ações restantes ainda pode ser confiável. O FFDC permite tamanhos de chunk de ação adaptativos como uma consequência emergente da consistência previsão-observação, preservando a eficiência da execução de longo horizonte enquanto restaura a responsividade em fases ricas em contato ou difíceis. Introduzimos ainda o Mixture-of-Horizon Training para melhorar a cobertura de trajetórias de longo horizonte para execução adaptativa. Experimentos no benchmark RoboTwin e no mundo real demonstram que nosso método alcança um forte equilíbrio entre robustez e eficiência: no RoboTwin, reduz as passagens diretas do WAM em 69,10% e o tempo de execução em 34,02%, enquanto melhora a taxa de sucesso em 2,54% em relação à baseline de chunk curto; em experimentos do mundo real, melhora a taxa de sucesso em 35%.
O ajuste fino por aprendizagem por reforço tornou-se a abordagem dominante para alinhar modelos de difusão com preferências humanas. No entanto, a avaliação de imagens é intrinsecamente uma tarefa multidimensional, sendo necessário otimizar múltiplos critérios de avaliação simultaneamente. As práticas existentes lidam com múltiplas recompensas treinando um modelo especialista por recompensa, otimizando uma recompensa de soma ponderada R(x)=Σₖ wₖ Rₖ(x), ou realizando ajuste fino sequencial com um cronograma de estágios definido manualmente. Essas abordagens ou falham em produzir um modelo unificado que possa ser treinado conjuntamente em todas as recompensas, ou necessitam de um pesado treinamento sequencial com ajuste manual. Descobrimos que a falha decorre do uso de uma agregação de recompensas por soma ponderada ingênua. Essa abordagem sofre de um descompasso a nível de amostra porque a maioria das trajectórias são amostras de especialistas, altamente informativas para certas dimensões de recompensa mas irrelevantes para outras; consequentemente, a soma ponderada dilui sua supervisão. Para resolver este problema, propomos o MARBLE (Multi-Aspect Reward BaLancE), um framework de otimização no espaço do gradiente que mantém estimadores de vantagem independentes para cada recompensa, calcula gradientes de política por recompensa e os harmoniza numa única direção de atualização sem ponderação manual de recompensas, resolvendo um problema de Programação Quadrática. Propomos ainda uma formulação amortizada que explora a estrutura afim da perda usada no DiffusionNFT, para reduzir o custo por passo de K+1 retropropagações para um custo próximo ao da linha de base de recompensa única, juntamente com uma suavização por média móvel exponencial (EMA) nos coeficientes de balanceamento para estabilizar as atualizações contra flutuações transitórias de um único lote. No SD3.5 Medium com cinco recompensas, o MARBLE melhora todas as cinco dimensões de recompensa simultaneamente, transforma o cosseno do gradiente da recompensa menos alinhada de negativo sob a soma ponderada em 80% dos minilotes para consistentemente positivo, e executa a 0,97X da velocidade de treinamento da linha de base.
O aprendizado por reforço com recompensas verificáveis, particularmente a Otimização de Política Relativa de Grupo (GRPO), avançou significativamente as capacidades de raciocínio dos Grandes Modelos de Linguagem (LLMs). No entanto, em tarefas complexas, a GRPO frequentemente sofre do "problema de vantagem zero": quando todas as rollouts amostradas para uma consulta falham, a vantagem relativa colapsa para zero. Consequentemente, o modelo perde sinais de treinamento eficazes para essas questões, desperdiçando os dados de treinamento e o orçamento computacional. Embora simplesmente aumentar o orçamento de amostragem para essas questões seja um remédio comum, a política de amostragem estática restringe inerentemente a exploração do raciocínio, limitando a taxa de sucesso. Neste artigo, propomos a Perturbação Lorem para Exploração (LoPE), uma estrutura de treinamento simples, mas eficaz, para superar esse gargalo de exploração. Postulamos que perturbações no espaço do prompt irrelevantes para a tarefa podem deslocar a distribuição de saída do modelo o suficiente para desbloquear vias de raciocínio ortogonais para questões difíceis. Especificamente, a LoPE antepõe sequências montadas estocasticamente a partir do vocabulário Lorem Ipsum (um texto de placeholder pseudo-latino) aos prompts antes da reamostragem. Experimentos com modelos de 1,7B, 4B e 7B demonstram que a LoPE supera significativamente a reamostragem com os prompts originais. Uma análise mais aprofundada revela que outras sequências aleatórias baseadas em latim com baixa perplexidade também são perturbações eficazes. Nossos resultados estabelecem a LoPE como uma linha de base forte para ampliar a exploração no aprendizado por reforço de LLMs.
Os agentes baseados em LLM estão sendo cada vez mais implantados para lidar com tarefas de fluxo contínuo, mas frequentemente permanecem como solucionadores de problemas pontuais que não aprendem com interações passadas. Habilidades reutilizáveis, destiladas da experiência, fornecem um substrato natural para a auto-evolução, onde a curadoria de habilidades de alta qualidade atua como o principal gargalo. As abordagens existentes ou dependem de curadoria manual de habilidades, prescrevem operações heurísticas de habilidades ou treinam operações de habilidades de curto prazo. No entanto, elas ainda lutam para aprender políticas complexas de curadoria de longo prazo a partir de feedback indireto e atrasado. Para enfrentar esse desafio, propomos o SkillOS, uma receita de treinamento por RL (Reinforcement Learning) orientada por experiência para aprender curadoria de habilidades em agentes auto-evolutivos. O SkillOS emparelha um executor de agente congelado que recupera e aplica habilidades com um curador de habilidades treinável que atualiza um SkillRepo externo a partir da experiência acumulada. Para fornecer sinais de aprendizado para a curadoria, projetamos recompensas compostas e treinamos em fluxos de tarefas agrupadas com base em dependências de tarefas relevantes para habilidades, onde trajetórias anteriores atualizam o SkillRepo e tarefas relacionadas subsequentes avaliam essas atualizações. Em tarefas agentivas multi-turno e tarefas de raciocínio de turno único, o SkillOS supera consistentemente as linhas de base sem memória e com memória robusta, tanto em eficácia quanto em eficiência, com o curador de habilidades aprendido generalizando-se através de diferentes *backbones* de executores e domínios de tarefas. Análises adicionais mostram que o curador aprendido produz um uso de habilidades mais direcionado, enquanto as habilidades no SkillRepo evoluem para arquivos Markdown com estrutura mais rica que codificam meta-habilidades de nível superior ao longo do tempo.
A Inteligência Audiovisual (IAV) emergiu como uma fronteira central na inteligência artificial, interligando as modalidades auditiva e visual para capacitar máquinas que podem perceber, gerar e interagir no mundo real multimodal. Na era dos grandes modelos de base, a modelagem conjunta de áudio e visão tornou-se cada vez mais crucial, não apenas para compreensão, mas também para geração controlável e raciocínio sobre sinais dinâmicos e temporalmente fundamentados. Avanços recentes, como o Meta MovieGen e o Google Veo-3, destacam o crescente foco industrial e acadêmico em arquiteturas audiovisuais unificadas que aprendem de dados multimodais massivos. No entanto, apesar do rápido progresso, a literatura permanece fragmentada, abrangendo tarefas diversas, taxonomias inconsistentes e práticas de avaliação heterogêneas que impedem a comparação sistemática e a integração de conhecimento. Esta revisão fornece a primeira análise abrangente da IAV sob a perspectiva dos grandes modelos de base. Estabelecemos uma taxonomia unificada que cobre o amplo espectro de tarefas de IAV, desde compreensão (ex.: reconhecimento de fala, localização sonora) até geração (ex.: síntese de vídeo orientada por áudio, vídeo-para-áudio) e interação (ex.: interfaces dialógicas, incorporadas ou agentivas). Sintetizamos fundamentos metodológicos, incluindo tokenização de modalidades, fusão cross-modal, geração baseada em modelos autoregressivos e de difusão, pré-treinamento em larga escala, alinhamento por instrução e otimização de preferências. Adicionalmente, compilamos conjuntos de dados representativos, benchmarks e métricas de avaliação, oferecendo uma comparação estruturada entre famílias de tarefas e identificando desafios em aberto em sincronização, raciocínio espacial, controlabilidade e segurança. Ao consolidar este campo em rápida expansão num quadro coerente, esta revisão visa servir como referência fundamental para pesquisas futuras sobre IAV em grande escala.
A destilação por etapas tornou-se uma técnica líder para acelerar modelos de difusão, entre as quais a Destilação por Correspondência de Distribuição (DMD) e a Destilação de Consistência são dois paradigmas representativos. Enquanto os métodos de consistência impõem a auto-consistência ao longo de toda a trajetória PF-ODE para direcioná-la em direção à variedade de dados limpos, a DMD padrão depende de supervisão esparsa em alguns intervalos de tempo discretos predefinidos. Esta formulação restrita a tempo discreto e a natureza de busca por modos da divergência reversa de KL tendem a exibir artefatos visuais e resultados excessivamente suavizados, frequentemente necessitando de módulos auxiliares complexos – como GANs ou modelos de recompensa – para restaurar a fidelidade visual. Neste trabalho, introduzimos a Correspondência de Distribuição em Tempo Contínuo (CDM), migrando a estrutura DMD da ancoragem discreta para a otimização contínua pela primeira vez. A CDM alcança isso através de dois projetos em tempo contínuo. Primeiro, substituímos o cronograma discreto fixo por um cronograma contínuo dinâmico de duração aleatória, de modo que a correspondência de distribuição seja aplicada em pontos arbitrários ao longo das trajetórias de amostragem, e não apenas em algumas âncoras fixas. Segundo, propomos um objetivo de alinhamento em tempo contínuo que realiza uma correspondência ativa fora da trajetória em latentes extrapolados via campo de velocidade do estudante, melhorando a generalização e preservando detalhes visuais finos. Experimentos extensos em diferentes arquiteturas, incluindo SD3-Medium e Longcat-Image, demonstram que a CDM oferece uma fidelidade visual altamente competitiva para a geração de imagens em poucas etapas, sem depender de objetivos auxiliares complexos. O código está disponível em https://github.com/byliutao/cdm.
Os grandes modelos de linguagem (LLMs) são cada vez mais utilizados como agentes interativos, mas otimizá-los para tomada de decisão de longo horizonte permanece difícil porque os métodos atuais são amplamente puramente reativos, o que fragiliza tanto a exploração quanto a atribuição de crédito ao longo de trajetórias estendidas. Neste trabalho, apresentamos a Abstração de Trajetória Estratégica (StraTA), uma estrutura simples que introduz uma estratégia explícita em nível de trajetória no aprendizado por reforço (RL) agentivo. O StraTA amostra uma estratégia compacta do estado inicial da tarefa, condiciona ações subsequentes a essa estratégia e treina a geração de estratégias e a execução de ações conjuntamente com um projeto de rollout hierárquico estilo GRPO, aprimorado ainda por rollouts de estratégia diversificados e autojulgamento crítico. Experimentos no ALFWorld, WebShop e SciWorld mostram que o StraTA melhora consistentemente tanto a eficiência amostral quanto o desempenho final em relação às linhas de base fortes. O StraTA atinge taxas de sucesso de 93,1% no ALFWorld e 84,2% no WebShop. No SciWorld, o StraTA alcança uma pontuação geral de 63,5%, superando modelos proprietários de última geração.
Estudamos a pesquisa automatizada como um ciclo empírico fechado orientado por medição externa. Cada submissão de teste carrega uma hipótese, uma edição de código executável, um resultado pertencente ao avaliador e um *feedback* que molda a próxima proposta. O resultado não é um artigo gerado ou um único *checkpoint* de modelo, mas uma trajetória auditável de propostas, *diffs* de código, experimentos, pontuações e rótulos de falha. Instanciamos este ciclo com agentes especialistas que particionam superfícies de receita e compartilham linhagem mensurada entre os testes. A principal descoberta empírica é que o *feedback* de linhagem permite que os agentes transformem os resultados do avaliador — incluindo travamentos, estouros de orçamento, falhas de tamanho e erros nos limites de precisão — em edições posteriores de receita a nível de programa, em vez de sugestões únicas. Ao longo de 1.197 testes principais e 600 testes de controlo do Parameter Golf após configuração e lançamento únicos, os humanos não escolheram propostas, editaram receitas, anularam pontuações ou repararam testes com falha durante a busca. Nos três testes principais, o mesmo ciclo de submissão reduz o bpb de validação do Parameter Golf em 0,81%, aumenta o NanoChat-D12 CORE em 38,7% e reduz o tempo de execução (*wallclock*) do CIFAR-10 Airbench96 em 4,59%, com cada tarefa medida pelo seu próprio avaliador externo e verificações de legalidade. O rastreio inclui uma auditoria estrita de domínio arquitetural de 157 submissões principais e reescritas de programa, como uma alteração no caminho do *kernel* de atenção do NanoChat. Dentro deste escopo, o ciclo escreve código autonomamente, submete experimentos, absorve *feedback*, aplica e combina técnicas conhecidas dentro de cada ambiente e aprimora receitas públicas iniciais.
O aprendizado por reforço para modelos de linguagem grandes (LLMs) agentivos geralmente depende de uma recompensa de resultado esparsa e em nível de trajetória, dificultando a avaliação da contribuição de chamadas individuais de ferramentas dentro de interações multi-turno. As abordagens existentes para tal atribuição de crédito de processo dependem de modelos de recompensa de processo externos separados que introduzem consumo adicional, ou de rollouts estruturais baseados em árvore que meramente redistribuem o sinal de resultado enquanto restringem a diversidade da trajetória. Uma alternativa promissora aproveita a mudança por turno na probabilidade prevista pela política para a verdade fundamental, denominada Ganho de Informação (GI), como um sinal de processo intrínseco sem um avaliador externo. No entanto, trabalhos anteriores sobre o aproveitamento de sinais de GI dentro do ciclo de treinamento de RL enfrentam três desafios sistemáticos: a normalização entre turnos que enfrentam contextos posicionais heterogêneos pode distorcer a posição relativa de turnos individuais, a acumulação de um número variável de termos faz com que as magnitudes de vantagem se desviem com a profundidade da trajetória, e um intervalo de corte fixo governa as atualizações da política de forma idêntica para turnos com sinais de GI vastamente diferentes. Neste artigo, propomos o A²TGPO (Otimização de Política por Grupo de Turnos Agentivos com Corte Adaptativo em Nível de Turno), que retém o GI como sinal intrínseco mas redesenha como ele é normalizado, acumulado e consumido: (i) normalização por grupo de turnos: normaliza o GI dentro de cada grupo (prompt, índice-do-turno) para que cada turno seja comparado apenas com pares na mesma profundidade de interação; (ii) acumulação descontada com reescala de variância: divide o GI normalizado acumulado pela raiz quadrada dos termos acumulados para manter magnitudes de vantagem comparáveis entre posições de turno; e (iii) corte adaptativo em nível de turno: modifica o intervalo de corte de cada turno com base em seu GI normalizado, ampliando a região de atualização para turnos informativos e estreitando-a para os não informativos.
O aprendizado por reforço (RL) tem sido aplicado para melhorar o raciocínio de grandes modelos de linguagem (LLMs), mas o estudo sistemático de como o treinamento escala com a dificuldade da tarefa tem sido dificultado pela falta de ambientes controlados e escaláveis. Apresentamos o ScaleLogic, uma estrutura sintética de raciocínio lógico que oferece controle independente sobre dois eixos de dificuldade: a profundidade do planejamento da prova necessário (ou seja, o horizonte) e a expressividade da lógica subjacente. Nossa estrutura proposta suporta uma ampla gama de lógicas: desde uma lógica simples de apenas implicação ("se-então") até raciocínio de primeira ordem mais expressivo com conjunção ("e"), disjunção ("ou"), negação ("não") e quantificação universal ("para todo"). Usando esta estrutura, mostramos que o custo computacional de treinamento por RL (T) segue uma lei de potência em relação à profundidade de raciocínio D (T ∝ D^γ, R² > 0,99), e que o expoente de escala γ aumenta monotonicamente com a expressividade lógica, de 1,04 para 2,60. Em benchmarks de matemática e raciocínio geral subsequentes, configurações de treinamento mais expressivas produzem tanto ganhos de desempenho maiores (até +10,66 pontos) quanto uma transferência mais eficiente em termos computacionais em comparação com configurações menos expressivas, demonstrando que *o conteúdo* no qual um modelo é treinado, e não apenas *a quantidade* de treinamento, molda a transferência para tarefas subsequentes. Mostramos ainda que a relação de lei de potência se mantém em múltiplos métodos de RL, e que o treinamento baseado em currículo melhora substancialmente a eficiência de escalonamento.
Apresentamos o co-matemático de IA, uma bancada de trabalho que permite aos matemáticos utilizar agentes de IA de forma interativa para realizar pesquisas de natureza aberta. O co-matemático de IA é otimizado para fornecer suporte holístico à realidade exploratória e iterativa dos fluxos de trabalho matemáticos, incluindo ideação, pesquisa bibliográfica, exploração computacional, prova de teoremas e construção teórica. Ao fornecer um espaço de trabalho assíncrono e com estado que gerencia incertezas, refina a intenção do usuário, rastreia hipóteses falhas e produz artefatos matemáticos nativos, o sistema espelha os fluxos de trabalho colaborativos humanos. Nos primeiros testes, o co-matemático de IA ajudou pesquisadores a resolver problemas em aberto, identificar novas direções de pesquisa e descobrir referências bibliográficas negligenciadas. Além de demonstrar um paradigma altamente interativo para a descoberta matemática assistida por IA, o co-matemático de IA também alcança resultados de última geração em benchmarks de resolução de problemas complexos, incluindo uma pontuação de 48% no FrontierMath Nível 4, um novo recorde entre todos os sistemas de IA avaliados.
Os modelos de linguagem de grande escala são normalmente implantados como sistemas monolíticos, exigindo o modelo completo mesmo quando as aplicações necessitam apenas de um subconjunto restrito de capacidades, por exemplo, código, matemática ou conhecimento específico de domínio. As Misturas de Especialistas (MoEs) aparentam oferecer uma alternativa potencial ao ativar apenas um subconjunto de especialistas por entrada, mas, na prática, restringir a inferência a um subconjunto de especialistas para um determinado domínio resulta em severa degradação de desempenho. Isso limita sua praticidade em ambientes com restrições de memória, especialmente à medida que os modelos se tornam maiores e mais esparsos. Apresentamos a EMO, uma MoE projetada para modularidade – o uso e composição independentes de subconjuntos de especialistas – sem exigir pré-definições humanas. Nossa ideia central é incentivar que tokens de domínios semelhantes dependam de especialistas similares. Como os tokens dentro de um documento frequentemente compartilham um domínio, a EMO os restringe a selecionar especialistas de um conjunto compartilhado, permitindo que diferentes documentos usem conjuntos diferentes. Esta simples restrição permite que agrupamentos coerentes de especialistas surjam durante o pré-treinamento usando apenas os limites dos documentos. Pré-treinamos uma EMO de 1B ativo, 14B total em 1T de tokens. Como modelo completo, ele iguala o desempenho das MoEs padrão. Crucialmente, ele permite o uso seletivo de especialistas: reter apenas 25% (12,5%) dos especialistas acarreta uma queda de apenas 1% (3%) em termos absolutos, enquanto as MoEs padrão falham na mesma configuração. Adicionalmente, descobrimos que os subconjuntos de especialistas na EMO se especializam em níveis semânticos (por exemplo, domínios como matemática ou código), em contraste com a especialização sintática de baixo nível observada nas MoEs padrão. Em conjunto, nossos resultados demonstram um caminho para a implantação modular e eficiente em memória de modelos grandes e esparsos, abrindo novas oportunidades para arquiteturas composáveis.
Apresentamos o ReflectDrive-2, um planejador de difusão discreta mascarada com especialista de ação separado para condução autónoma, que representa planos como *tokens* de trajetória discretos e os gera através de descodificação mascarada paralela. Este espaço discreto de *tokens* permite a revisão in-situ da trajetória: o AutoEdit reescreve *tokens* selecionados usando o mesmo modelo, sem exigir uma rede de refinamento auxiliar. Para treinar esta capacidade, utilizamos um procedimento em duas fases. Primeiro, construímos perturbações com consciência da estrutura das trajetórias especialistas ao longo das direções de progressão longitudinal e de rumo lateral e supervisionamos o modelo para recuperar a trajetória especialista original. De seguida, afinamos o *rollout* completo de decisão-rascunho-reflexão com aprendizagem por reforço (RL), atribuindo a recompensa final de condução à trajetória pós-edição final e propagando o crédito do gradiente de política através de transições de *rollout* completo. O RL de *rollout* completo revela-se crucial para acoplar a geração de rascunhos e a edição: apenas com treino supervisionado, o AutoEdit em tempo de inferência melhora o PDMS no máximo 0.3, enquanto o RL aumenta o seu ganho para 1.9. Também co-projetamos uma *stack* de descodificação reflexiva eficiente para o *pipeline* decisão-rascunho-reflexão, combinando a reutilização de KV de prefixo partilhado, a Descodificação por Passos Alternados e o desmascaramento fundido no dispositivo. No NAVSIM, o ReflectDrive-2 atinge 91.0 de PDMS com entrada apenas de câmara e 94.8 de PDMS numa configuração *oráculo* de melhor-de-6, enquanto executa com uma latência média de 31.8 ms no NVIDIA Thor.
Os modelos de base estabeleceram representações unificadas para o processamento de linguagem natural, contudo, este paradigma permanece amplamente inexplorado para dados tabulares. Os métodos existentes enfrentam limitações fundamentais: as abordagens baseadas em LLM carecem de saídas vetoriais compatíveis com recuperação, enquanto os modelos de incorporação de texto frequentemente falham em capturar a estrutura tabular e a semântica numérica. Para preencher esta lacuna, introduzimos primeiro o *Tabular Embedding Benchmark* (TabBench), um conjunto abrangente concebido para avaliar a capacidade de compreensão tabular de modelos de incorporação. Em seguida, propomos o TabEmbed, o primeiro modelo de incorporação generalista que unifica a classificação e a recuperação tabular dentro de um espaço de incorporação partilhado. Ao reformular diversas tarefas tabulares como problemas de correspondência semântica, o TabEmbed aproveita a aprendizagem contrastiva em larga escala com mineração de negativos difíceis com consciência do positivo para discernir nuances estruturais e numéricas de granularidade fina. Os resultados experimentais no TabBench demonstram que o TabEmbed supera significativamente os modelos de incorporação de texto state-of-the-art, estabelecendo uma nova referência para a aprendizagem de representação tabular universal. O código e os conjuntos de dados estão publicamente disponíveis em https://github.com/qiangminjie27/TabEmbed e https://huggingface.co/datasets/qiangminjie27/TabBench.
As arquiteturas modernas de Mistura de Especialistas (MoE) alocam capacidade de especialistas por meio de uma regra rígida por camada: cada camada do transformer possui um conjunto de especialistas separado. Esta convenção acopla a escalagem de profundidade com o crescimento linear de parâmetros de especialistas e assume que cada camada precisa de capacidade de especialista isolada. No entanto, análises recentes e nossa sonda de roteamento desafiam esta regra de alocação: substituir o roteador top-k aprendido de uma camada mais profunda por um roteamento aleatório uniforme reduz a precisão downstream em apenas 1,0-1,6 pontos em vários modelos MoE de produção. Motivados por esta redundância, propomos o UniPool, uma arquitetura MoE que trata a capacidade de especialistas como um orçamento arquitetônico global, substituindo a propriedade de especialistas por camada por um único pool compartilhado acessado por roteadores independentes por camada. Para permitir um treinamento estável e equilibrado sob compartilhamento, introduzimos uma perda auxiliar em nível de pool que equilibra a utilização de especialistas em todo o pool e adotamos o NormRouter para fornecer um roteamento esparso e estável em escala para o pool compartilhado de especialistas. Em cinco escalas de modelo de arquitetura LLaMA (182M, 469M, 650M, 830M e 978M de parâmetros) treinadas em 30B de tokens do Pile, o UniPool melhora consistentemente a perda de validação e a perplexidade em relação às linhas de base MoE padrão equivalentes. Nessas escalas, o UniPool reduz a perda de validação em até 0,0386 em relação ao MoE padrão. Além da melhoria bruta na perda, nossos resultados identificam o tamanho do pool como um hiperparâmetro explícito de escalagem de profundidade: variantes do UniPool com pool reduzido, usando apenas 41,6%-66,7% do orçamento de parâmetros de especialistas do MoE padrão, igualam ou superam o MoE por camada nas escalas testadas. Isso mostra que, sob um design de pool compartilhado, os parâmetros de especialistas não precisam crescer linearmente com a profundidade; eles podem crescer de forma sublinear enquanto permanecem mais eficientes e eficazes do que o MoE padrão. Uma análise adicional mostra que os benefícios do UniPool se compõem com uma decomposição de especialistas mais refinada.
O raciocínio geoespacial exige que os modelos resolvam semânticas espaciais complexas e a intenção do usuário em locais-alvo precisos para a observação da Terra. Progressos recentes libertaram o caminho de raciocínio da curadoria manual, permitindo que os modelos gerem suas próprias cadeias de inferência. No entanto, uma dependência final permanece: eles ainda são supervisionados por coordenadas de referência anotadas por humanos. Isso deixa o processo de raciocínio autónomo, mas não o seu ponto final espacial, e impede a verdadeira auto-evolução com base nos abundantes dados de sensoriamento remoto não rotulados. Para superar este estrangulamento, introduzimos o RemoteZero, uma estrutura livre de supervisão por caixas delimitadoras para raciocínio geoespacial. O RemoteZero é motivado por uma assimetria simples: um MLLM (Modelo de Linguagem Multimodal) é tipicamente melhor em verificar se uma região satisfaz uma consulta do que em gerar diretamente coordenadas precisas. Aproveitando esta capacidade discriminativa mais forte, o RemoteZero substitui a supervisão geométrica por verificação semântica intrínseca e permite o treino de GRPO (Geospatial Reasoning from Physical Observation) sem anotações de caixas. A estrutura resultante suporta ainda a auto-evolução iterativa, permitindo que o modelo melhore a partir de imagens de sensoriamento remoto não rotuladas através do seu próprio sinal de verificação. Experiências mostram que o RemoteZero alcança um desempenho competitivo face a métodos supervisionados robustos, demonstrando o potencial do treino por auto-verificação para a localização em raciocínio geoespacial.
A geração de vídeo a partir de imagem (I2V) de alta resolução visa sintetizar dinâmicas temporais realistas, preservando ao mesmo tempo os detalhes de aparência refinados da imagem de entrada. Em resolução 2K, este desafio torna-se extremamente complexo, e as soluções existentes apresentam várias fragilidades: 1) os modelos *end-to-end* são frequentemente proibitivamente dispendiosos em memória e latência; 2) a abordagem em cascata, que gera primeiro em baixa resolução e depois aplica um super-resolução de vídeo genérico, tende a alucinar detalhes e a afastar-se das estruturas locais específicas da entrada, uma vez que a etapa de super-resolução não é explicitamente condicionada pela imagem de entrada. Para tal, propomos o SwiftI2V, uma estrutura eficiente concebida para I2V de alta resolução. Seguindo o desenho amplamente utilizado em duas fases, ele resolve o dilema eficiência-fidelidade gerando primeiro uma referência de movimento em baixa resolução para reduzir os custos de *tokens* e facilitar a modelação, realizando depois uma síntese 2K fortemente condicionada pela imagem, guiada pelo movimento, para recuperar detalhes fiéis à entrada com uma sobrecarga controlada. Especificamente, para tornar a geração mais escalável, o SwiftI2V introduz a Geração Condicional por Segmentos (*Conditional Segment-wise Generation - CSG*) para sintetizar vídeos segmento a segmento com um orçamento limitado de *tokens* por passo, e adota uma interação contextual bidirecional dentro de cada segmento para melhorar a coerência entre segmentos e a fidelidade à entrada. No VBench-I2V em resolução 2K, o SwiftI2V alcança um desempenho comparável aos *baselines end-to-end*, enquanto reduz o tempo total de GPU em 202x. Particularmente, ele permite a prática de geração I2V em 2K numa única GPU de datacenter (ex: H800) ou numa GPU de consumidor (ex: RTX 4090).
Revisitamos uma escolha de projeto universalmente aceita, mas pouco examinada, em todos os LLMs modernos: um índice de token é consultado uma única vez na camada de incorporação de entrada e depois descartado permanentemente. Essa premissa de injeção única induz a duas falhas estruturais: (i) o *Problema do Token Raro*, onde uma distribuição Zipfiana do vocabulário faz com que as incorporações de tokens raros sejam cronicamente subtreinadas, por receberem uma fração do sinal gradiente cumulativo em comparação com tokens comuns; e (ii) o *Problema do Colapso Contextual*, onde modelos com parâmetros limitados mapeiam tokens distributionalmente semelhantes para estados ocultos indistinguíveis. Como uma tentativa de abordar ambos, propomos o TIDE, que amplia o *transformer* padrão com uma *EmbeddingMemory*: um conjunto de K *MemoryBlocks* independentes que mapeiam índices de token para vetores semânticos livres de contexto, computados uma vez e injetados em todas as camadas por meio de um roteador *softmax* condicionado à profundidade com um banco nulo aprendível. Estabelecemos teórica e empiricamente os benefícios do TIDE ao abordar os problemas associados à injeção única da identidade do token, bem como ao melhorar o desempenho em múltiplas tarefas de modelagem de linguagem e tarefas *downstream*.
A geração de kernels Triton baseada em LLMs tem atraído interesse significativo, mas uma questão empírica fundamental permanece sem resposta: onde essa capacidade falha e por quê? Apresentamos o KernelBench-X, um benchmark projetado para responder a essa questão por meio de avaliação consciente da categoria, analisando correção semântica e eficiência de hardware em 176 tarefas de 15 categorias. Nossa comparação sistemática de cinco métodos representativos produz três descobertas principais. Primeiro, a estrutura da tarefa determina a correção mais do que o design do método. A categoria explica quase três vezes mais variância na correção semântica do que o método (9,4% vs. 3,3% de desvio explicado), e 72% das tarefas de Fusão falham em todos os cinco métodos, enquanto tarefas de Matemática são resolvidas consistentemente. Segundo, o refinamento iterativo melhora a correção, mas não o desempenho. Através das iterações do GEAK, a taxa de compilação sobe de 52,3% para 68,8%, enquanto a aceleração média diminui de 1,58x para 1,44x; kernels recém-resgatados têm desempenho consistentemente inferior aos persistentemente corretos (aceleração de 1,16x vs. 1,58x na rodada~0para1). Terceiro, correção não implica eficiência. 46,6% dos kernels corretos são mais lentos que a linha de base eager do PyTorch, e a variância de aceleração entre hardwares chega a 21,4x. Além disso, a quantização permanece completamente não resolvida (0/30 sucessos) apesar de taxas de compilação não triviais, revelando um mal-entendido sistemático dos contratos de computação numérica, e não apenas erros de sintaxe superficiais. Essas descobertas sugerem que o progresso futuro depende de lidar com a coordenação global, modelar explicitamente a precisão numérica e incorporar a eficiência de hardware na geração. O código está disponível em https://github.com/BonnieW05/KernelBenchX.
Os grandes modelos de linguagem (LLMs) são frequentemente instruídos a assumir papéis sociais que variam de indivíduos a instituições, mas permanece incerto se suas representações internas codificam a granularidade desses papéis, desde a experiência individual em nível micro até o raciocínio organizacional, institucional ou nacional em nível macro. Nós demonstramos que eles o fazem. Definimos um Eixo de Granularidade baseado em contraste como a diferença entre os estados ocultos médios dos papéis macro e micro. No Qwen3-8B, esse eixo se alinha com o eixo principal (PC1) do espaço de representação de papéis com um cosseno de 0,972 e responde por 52,6% de sua variância, indicando que a granularidade é o eixo geométrico dominante que organiza os papéis sociais solicitados. Construímos 75 papéis sociais em cinco níveis de granularidade e coletamos 91.200 respostas condicionadas por papéis para perguntas compartilhadas e variantes de instrução, depois extraímos os estados ocultos no nível do papel e os projetamos no eixo. As projeções dos papéis aumentam monotonicamente em todos os cinco níveis, permanecem estáveis entre camadas, variantes de instrução, definições de endpoint, divisões de validação e subconjuntos filtrados por pontuação, e transferem-se para o Llama-3.1-8B-Instruct. O eixo também é causalmente relevante: a ativação por *steering* ao longo dele altera a granularidade da resposta na direção prevista, com o Llama passando de 2,00 para 3,17 em uma escala macro de cinco pontos sob *steering* positivo em instruções que admitem respostas locais. Os dois modelos diferem em controllability, sugerindo que o *steering* depende do regime operacional padrão de cada modelo. No geral, nossos achados sugerem que a granularidade do papel social não é meramente uma característica superficial estilística, mas uma direção latente estruturada, ordenada e causalmente manipulável no comportamento do modelo de linguagem condicionado por papéis.
Conjuntos de dados de música simbólica com partituras e performances correspondentes são essenciais para muitas tarefas de recuperação de informação musical (MIR). No entanto, os recursos existentes geralmente abrangem uma gama restrita de compositores, carecem de variedade de performances, omitem alinhamentos em nível de nota ou utilizam formatos de nomenclatura inconsistentes. Este trabalho apresenta o PianoCoRe, um conjunto de dados de MIDI para piano em larga escala que unifica e refina os principais corpora de piano de código aberto. O conjunto de dados contém 250.046 performances de 5.625 peças escritas por 483 compositores, totalizando 21.763 h de música executada. O PianoCoRe é lançado em subconjuntos escalonados para suportar diferentes aplicações: desde análise e pré-treinamento em larga escala (PianoCoRe-C e PianoCoRe-B sem duplicações) até modelagem de performance expressiva com alinhamento de partitura em nível de nota (PianoCoRe-A/A*). O subconjunto com notas alinhadas, PianoCoRe-A, fornece a maior coleção de código aberto até à data, com 157.207 performances alinhadas a 1.591 partituras. Além do conjunto de dados, as contribuições são: (1) um classificador de qualidade de MIDI para detetar transcrições corrompidas e semelhantes a partituras e (2) o RAScoP, um pipeline de refinamento de alinhamento que limpa erros de alinhamento temporal e interpola notas em falta. A análise mostra que o refinamento reduz o ruído temporal e elimina valores atípicos de andamento. Além disso, um modelo de renderização de performance expressiva treinado no PianoCoRe demonstra maior robustez a peças não vistas anteriormente em comparação com modelos treinados em conjuntos de dados brutos ou menores. O PianoCoRe fornece uma base pronta para uso para a próxima geração de pesquisa em performance expressiva para piano.
A aprendizagem por reforço com recompensas verificáveis (RLVR) tornou-se um paradigma central para melhorar o raciocínio e a geração de código em modelos de linguagem de grande escala, e o treino de estilo GRPO é amplamente adotado pela sua simplicidade e eficácia. No entanto, uma importante escolha de projeto permanece pouco explorada: como os termos do gradiente da política a nível de *token* são agregados dentro de cada grupo amostrado. O GRPO padrão utiliza agregação por sequência, enquanto trabalhos recentes defendem a agregação por *token* como uma alternativa superior. Demonstramos que estas duas regras induzem vieses de otimização distintos: a agregação por *token* introduz um acoplamento sinal-comprimento, enquanto a agregação por sequência pondera implicitamente menos as respostas mais longas através de uma ponderação igualitária a nível de sequência. Para resolver esta tensão, propomos a Agregação Equilibrada (BA), uma substituição simples que calcula as médias a nível de *token* separadamente dentro dos subconjuntos positivos e negativos e depois combina-as com pesos baseados na contagem de sequências. Experiências com os modelos Qwen2.5-Math-7B e Qwen3-1.7B nos conjuntos DAPO-17k e Polaris, avaliados em seis *benchmarks* de raciocínio e codificação, mostram que a BA melhora consistentemente a estabilidade do treino e o desempenho final em relação às agregações padrão por *token* e por sequência. A nossa análise mostra ainda que a eficácia relativa da agregação por *token* e por sequência é largamente governada pela variação do comprimento da resposta e pela diferença de comprimento entre respostas positivas e negativas, destacando a agregação como uma dimensão crítica de projeto no RLVR de estilo GRPO.
O poder computacional de treino está a superar cada vez mais a disponibilidade de dados de alta qualidade. Isto desloca o principal desafio da alocação ótima de computação para a extração do máximo valor de dados limitados. A lei de escala de Chinchilla, amplamente adotada, assume que cada token de treino é único. Isto limita a sua capacidade de orientar decisões de pré-treinamento em regimes com restrições de dados. Modelamos a perda excessiva sob repetição com uma penalidade simples de sobreajuste aditiva e verificamos que esta descreve com precisão o comportamento do modelo. A nossa lei de escala produz recomendações qualitativamente novas para alocação computacionalmente ótima. Para além de um certo ponto, a repetição adicional é contraproducente e a computação é melhor aplicada na capacidade do modelo. Demonstramos que seguir a configuração recomendada pela nossa lei melhora o desempenho em regimes com restrições de dados. Finalmente, como a nossa forma de um parâmetro isola o sobreajuste num único coeficiente, permite a comparação direta entre configurações de treino. Como estudo de caso, mostramos que uma forte decaimento de pesos (λ=1.0) reduz este coeficiente em aproximadamente 70%, fornecendo uma explicação baseada em leis de escala para descobertas recentes de que o decaimento de pesos ótimo em regimes com restrições de dados é uma ordem de grandeza superior à prática padrão.
Este artigo apresenta o EnergyFlow, um framework que unifica a modelagem generativa de ações com o aprendizado por reforço inverso, parametrizando uma função escalar de energia cujo gradiente é o campo de remoção de ruído. Estabelecemos que, sob condições de otimalidade de entropia máxima, a função de escore aprendida via correspondência de escore por remoção de ruído recupera o gradiente da função Q suave do especialista, permitindo a extração de recompensa sem treinamento adversarial. Formalmente, provamos que restringir o campo aprendido a ser conservador reduz a complexidade da hipótese e aperta os limites de generalização fora da distribuição. Caracterizamos ainda a identificabilidade das recompensas recuperadas e limitamos como os erros de estimativa de escore se propagam para as preferências de ação. Empiricamente, o EnergyFlow alcança desempenho de imitação state-of-the-art em várias tarefas de manipulação, fornecendo simultaneamente um sinal de recompensa eficaz para aprendizado por reforço downstream que supera tanto métodos adversarial de IRL quanto alternativas baseadas em verossimilhança. Estes resultados demonstram que as restrições estruturais necessárias para extração válida de recompensa servem simultaneamente como vieses indutivos benéficos para generalização de políticas. O código está disponível em https://github.com/sotaagi/EnergyFlow.
Investigamos as propriedades de escalabilidade do raciocínio dedutivo implícito sobre cláusulas de Horn em Transformers com profundidade limitada. Ao descorrelacionar sistematicamente a provabilidade de características espúrias e impor um alinhamento algorítmico, descobrimos que, em modelos suficientemente profundos com uma máscara de prefixo bidirecional, o raciocínio implícito aproxima-se do desempenho do CoT explícito em várias topologias de grafos e larguras de problemas, embora o CoT permaneça necessário para a extrapolação de profundidade.
Muitas implantações precisam comparar modelos de linguagem candidatos quanto à segurança antes que exista um benchmark rotulado para o idioma, setor ou regime regulatório relevante. Formalizamos esse cenário como pontuação comparativa de segurança sem benchmark e especificamos o contrato sob o qual uma auditoria baseada em cenários pode ser interpretada como evidência de implantação. As pontuações são válidas apenas sob um pacote de cenários fixo, uma rubrica, um auditor, um juiz, uma configuração de amostragem e um orçamento de reexecução. Como nenhum rótulo está disponível, substituímos o acordo com a verdade real por uma cadeia de validade instrumental: responsividade a um contraste controlado (seguro versus aniquilado), domínio da variância orientada pelo alvo sobre artefatos do auditor e do juiz, e estabilidade entre reexecuções. Instanciamos a cadeia no SimpleAudit, um instrumento de pontuação de prioridade local, e a validamos em um pacote de segurança norueguês. Os alvos seguros e aniquilados se separam com valores de AUROC entre 0,89 e 1,00, a identidade do alvo é o componente dominante da variância (η² ≈ 0,52), e os perfis de severidade estabilizam após dez reexecuções. Aplicar a mesma cadeia ao Petri mostra que ela admite ambas as ferramentas. As diferenças substanciais surgem a montante da cadeia, na aplicação do contrato de afirmação e no ajuste de implantação. Um caso de licitação do setor público norueguês que compara Borealis e Gemma 3 demonstra a evidência resultante na prática: o modelo mais seguro depende da categoria do cenário e da medida de risco. Consequentemente, as pontuações, os deltas pareados, as taxas críticas, a incerteza e o auditor e o juiz utilizados devem ser relatados em conjunto, em vez de serem condensados em uma única classificação.
Apesar da crescente popularidade da Generalização de Domínio Multimodal (MMDG) para melhorar a robustez dos modelos, permanece incerto se os ganhos de desempenho reportados refletem um progresso algorítmico genuíno ou são artefactos de protocolos de avaliação inconsistentes. A investigação atual está fragmentada, com estudos a variar significativamente entre conjuntos de dados, configurações de modalidade e definições experimentais. Além disso, os benchmarks existentes focam-se predominantemente no reconhecimento de ações, frequentemente negligenciando desafios críticos do mundo real, como corrupções de entrada, modalidades ausentes e confiabilidade do modelo. Esta falta de padronização obscurece uma avaliação fiável do avanço da área. Para resolver esta questão, introduzimos o MMDG-Bench, o primeiro benchmark unificado e abrangente para MMDG, que padroniza a avaliação em seis conjuntos de dados abrangendo três tarefas distintas: reconhecimento de ações, diagnóstico de falhas mecânicas e análise de sentimentos. O MMDG-Bench engloba seis combinações de modalidades, nove métodos representativos e múltiplas configurações de avaliação. Para além da precisão padrão, avalia sistematicamente a robustez à corrupção, a generalização com modalidades ausentes, a deteção de classificações erróneas e a deteção de dados fora da distribuição. Com um total de 7.402 redes neurais treinadas em 95 tarefas cruzadas de domínio únicas, o MMDG-Bench produz cinco conclusões principais: (1) sob comparações justas, os métodos especializados recentes de MMDG oferecem apenas melhorias marginais face à linha de base ERM; (2) nenhum método único supera consistentemente os outros em todos os conjuntos de dados ou combinações de modalidades; (3) persiste uma lacuna substancial em relação ao desempenho máximo, indicando que a MMDG está longe de estar resolvida; (4) a fusão trimodal não supera consistentemente as configurações bimodais mais fortes; e (5) todos os métodos avaliados exibem uma degradação significativa em cenários de corrupção e modalidades ausentes, com alguns métodos a comprometerem ainda mais a confiabilidade do modelo.
A computação de alto desempenho (HPC) é cada vez mais importante para fluxos de trabalho escaláveis de química quântica que integram modelos generativos clássicos, simulação de circuitos quânticos e pós-processamento por interação de configuração selecionada. Apresentamos o resolvedor de autovalores quântico-inspirado generativo de Kolmogorov-Arnold (GQKAE), uma extensão com eficiência de parâmetros do resolvedor de autovalores quântico generativo (GQE) para química quântica. O GQKAE substitui os componentes de rede neural *feed-forward*, intensivos em parâmetros, dos resolvedores de autovalores generativos no estilo GPT por módulos híbridos quântico-inspirados de rede de Kolmogorov-Arnold, formando uma estrutura compacta do tipo HQKANsformer. O método preserva a seleção autorerregressiva de operadores e o *pipeline* de avaliação por interação de configuração quântico-selecionada, ao mesmo tempo que utiliza módulos de Ativação por Recarregamento de Dados de um único qubit para fornecer mapeamentos não lineares expressivos. *Benchmarks* numéricos em H4, N2, LiH, C2H6, H2O e no dímero de H2O mostram que o GQKAE atinge precisão química comparável à arquitetura GQE baseada em GPT, enquanto reduz os parâmetros treináveis e a memória em aproximadamente 66% e melhora o tempo de execução (*wall-time*). Para sistemas fortemente correlacionados, como N2 e LiH, o GQKAE também melhora o comportamento de convergência e os erros de energia final. Esses resultados indicam que as redes quântico-inspiradas de Kolmogorov-Arnold podem reduzir a sobrecarga computacional clássica, preservando a qualidade da geração de circuitos, oferecendo uma rota escalável para o co-projeto HPC-quântico em plataformas quânticas de curto prazo.
Abordamos o desafio da composição de conhecimento em Modelos de Linguagem e Visão (VLMs), nos quais o acúmulo de expertise em múltiplos domínios ou tarefas normalmente resulta em esquecimento catastrófico. Apresentamos o GeoStack (Geometric Stacking), uma estrutura modular que permite a composição de especialistas de domínio treinados independentemente em um modelo unificado. Ao impor restrições geométricas e estruturais na variedade do adaptador, o GeoStack garante a preservação do conhecimento fundamental do modelo base. Além disso, demonstramos matematicamente uma propriedade de "dobragem de pesos" que atinge uma complexidade de inferência em tempo constante (O(1)), independentemente do número de especialistas integrados. Resultados experimentais em adaptação multi-domínio e aprendizado incremental de classes mostram que o GeoStack fornece um mecanismo eficiente para composição de conhecimento de longo prazo, mitigando significativamente o esquecimento catastrófico. O código está disponível em https://github.com/QuantitativeImagingLaboratory/GeoStack.
Os avanços recentes em modelos generativos de vídeo são cada vez mais impulsionados pela escalagem pós-treinamento e em tempo de teste, ambas dependendo criticamente da qualidade dos modelos de recompensa de vídeo (RMs). Um modelo de recompensa ideal deve prever recompensas precisas que estejam alinhadas com as preferências humanas em diversos cenários. No entanto, os paradigmas existentes enfrentam um dilema fundamental: Os RMs Discriminativos regridem recompensas diretamente sobre características extraídas por modelos de linguagem grandes multimodais (MLLMs) sem raciocínio explícito, tornando-os propensos ao aprendizado por atalhos e fortemente dependentes da escalagem massiva de dados para generalização. Em contraste, os RMs Generativos com raciocínio Chain-of-Thought (CoT) exibem potencial de interpretabilidade e generalização superiores, pois aproveitam a supervisão semântica de granularidade fina para internalizar as racionalidades por trás das preferências humanas. No entanto, eles sofrem com gargalos de otimização inerentes devido ao acoplamento do raciocínio e da pontuação dentro de uma única cadeia de inferência autoregressiva. Para aproveitar os benefícios de generalização do raciocínio CoT enquanto mitiga a instabilidade do treinamento causada pelo acoplamento entre raciocínio e pontuação, nós introduzimos o DeScore, um modelo de recompensa de vídeo eficiente em treinamento e generalizável. O DeScore emprega um paradigma desacoplado "pensar-depois-pontuar": um MLLM primeiro gera um CoT explícito, seguido por um módulo de pontuação discriminativo dedicado, consistindo de um token de consulta treinável e um cabeçalho de regressão que prevê a recompensa final. O DeScore é otimizado por meio de uma estrutura de duas etapas: (1) uma inicialização a frio discriminativa que incorpora um mecanismo de mascaramento aleatório para garantir capacidades robustas de pontuação, e (2) uma etapa de aprendizado por reforço de duplo objetivo que refina independentemente a qualidade do raciocínio CoT e calibra a recompensa final, garantindo que um raciocínio de maior qualidade se traduza diretamente em um desempenho superior do modelo.
Apesar do sucesso dos modelos de linguagem de grande escala (LLMs) em tarefas de propósito geral, o seu desempenho em domínios altamente especializados, como a biomedicina, permanece insatisfatório. Uma limitação fundamental é a incapacidade dos LLMs de alavancar eficazmente ferramentas biomédicas, as quais são amplamente utilizadas por especialistas clínicos e investigadores biomédicos nos seus fluxos de trabalho diários. Embora conjuntos de dados recentes de chamada de ferramentas no domínio geral tenham melhorado substancialmente as capacidades dos agentes baseados em LLMs, os esforços existentes no domínio biomédico dependem largamente da aprendizagem por contexto e restringem os modelos a um pequeno conjunto de ferramentas. Para colmatar esta lacuna, apresentamos o BioTool, um conjunto de dados abrangente de chamada de ferramentas biomédicas, concebido para o ajuste fino de LLMs. O BioTool compreende 34 ferramentas de uso frequente, recolhidas das bases de dados NCBI, Ensembl e UniProt, juntamente com 7.040 pares de consulta-chamada de API de alta qualidade, verificados por humanos, abrangendo variação, genómica, proteómica, evolução e biologia geral. O ajuste fino de um LLM com 4 mil milhões de parâmetros no BioTool resulta em melhorias substanciais no desempenho de chamada de ferramentas biomédicas, superando LLMs comerciais de última geração, como o GPT-5.1. Adicionalmente, avaliações de peritos humanos demonstram que a integração de um chamador de ferramentas ajustado com o BioTool melhora significativamente a qualidade das respostas subsequentes em comparação com o mesmo LLM sem utilização de ferramentas, destacando a eficácia do BioTool no aprimoramento das capacidades biomédicas dos LLMs. O conjunto de dados completo e o código de avaliação estão disponíveis em https://github.com/gxx27/BioTool.
Nos últimos anos, esforços de código aberto como o Senorita-2M têm impulsionado a edição de vídeo em direção ao controle por instruções em linguagem natural. No entanto, os conjuntos de dados publicamente disponíveis atuais concentram-se predominantemente em edições locais ou transferência de estilo, que em grande parte preservam a estrutura original da cena e são mais fáceis de escalar. Em contraste, a Substituição de Fundo, uma tarefa central para aplicações criativas como produção cinematográfica e publicidade, requer a síntese de cenas completamente novas e temporalmente consistentes, mantendo interações precisas entre primeiro plano e fundo, tornando a geração de dados em larga escala significativamente mais desafiadora. Consequentemente, esta tarefa complexa permanece amplamente inexplorada devido à escassez de dados de treinamento de alta qualidade. Esta lacuna é evidente no fraco desempenho dos modelos state-of-the-art, por exemplo, o Kiwi-Edit, porque o principal conjunto de dados de código aberto que contém esta tarefa, ou seja, o OpenVE-3M, frequentemente produz fundos estáticos e artificiais. Neste artigo, rastreamos esta degradação de qualidade à falta de orientação precisa do fundo durante a síntese de dados. Assim, projetamos um *pipeline* escalável que gera orientações de primeiro plano e fundo de maneira desacoplada, com filtragem de qualidade rigorosa. Com base neste *pipeline*, introduzimos o Sparkle, um conjunto de dados de ~140K pares de vídeos abrangendo cinco temas comuns de mudança de fundo, juntamente com o Sparkle-Bench, o maior benchmark de avaliação específico para substituição de fundo até à data. Experimentos demonstram que o nosso conjunto de dados e o modelo treinado nele alcançam um desempenho substancialmente melhor do que todas as *baselines* existentes, tanto no OpenVE-Bench como no Sparkle-Bench. O nosso conjunto de dados, *benchmark* e modelo propostos são totalmente de código aberto em https://showlab.github.io/Sparkle/.
Os Modelos de Linguagem Multimodais de Grande Escala (MLLMs) apresentam um potencial significativo para revolucionar o ensino tradicional e reduzir a carga de trabalho dos professores. No entanto, a interpretação precisa de soluções manuscritas não restritas de estudantes de STEM, que intercalam fórmulas matemáticas, diagramas e raciocínios textuais, representa um desafio considerável devido à falta de benchmarks autênticos e específicos do domínio. Adicionalmente, os paradigmas de avaliação atuais baseiam-se predominantemente nos resultados de tarefas subsequentes (por exemplo, correção automática), que frequentemente analisam apenas um subconjunto do conteúdo reconhecido, falhando assim em capturar a compreensão dos MLLMs da lógica manuscrita complexa como um todo. Para colmatar esta lacuna, disponibilizamos o EDU-CIRCUIT-HW, um conjunto de dados composto por mais de 1300 soluções manuscritas autênticas de estudantes de um curso universitário de STEM. Utilizando as transcrições verbatim verificadas por especialistas e os relatórios de correção das soluções dos estudantes, avaliamos simultaneamente a fidelidade do reconhecimento a montante e o desempenho da correção automática a jusante de vários MLLMs. A nossa avaliação revela uma escala surpreendente de falhas latentes no conteúdo manuscrito dos estudantes reconhecido pelos MLLMs, destacando a fiabilidade insuficiente dos modelos para correção automática e outras aplicações orientadas à compreensão em contextos educacionais de alto impacto. Como uma solução potencial, apresentamos um estudo de caso que demonstra que a utilização de padrões de erro identificados para detetar e corrigir proativamente erros de reconhecimento, exigindo apenas uma intervenção humana mínima (por exemplo, encaminhando 3,3% dos trabalhos para corretores humanos e os restantes para o corretor GPT-5.1), pode melhorar eficazmente a robustez do sistema de correção assistida por IA implementado. O código e o conjunto de dados estão disponíveis neste repositório GitHub: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL.