Artigos de pesquisa em IA selecionados diariamente com traduções
A seleção de otimizadores para treinamento de modelos em larga escala tornou-se uma decisão de design a nível de sistema, restrita conjuntamente por computação, memória, orçamento de ajuste e diversidade de tarefas, embora o panorama de mais de cem métodos permaneça fragmentado. Assim, apresentamos o OmniOpt, um levantamento unificado e um guia prático de referência de otimizadores para a comunidade de pesquisa. O OmniOpt baseia-se em quatro componentes interligados. Primeiro, tratamos cada atualização de otimizador como uma transformação estruturada por meio de um meta-pipeline de cinco estágios e mostramos que a maioria dos métodos envolve apenas um ou dois desses estágios. Segundo, utilizamos oráculos de minimização linear com restrição de norma (LMOs) para unificar diferentes otimizadores. Terceiro, essas duas visões fundamentam uma taxonomia de dupla dimensão, onde uma dimensão atribui cada método a uma família de mecanismos e a outra registra os objetivos de treinamento mensuráveis que ele visa melhorar. Quarto, e no centro deste artigo, instanciamos a taxonomia completa em um benchmark unificado entre domínios, abrangendo otimizadores representativos, escalas de modelo e regimes de treinamento, desde pré-treinamento de modelos de linguagem até classificação de imagens, analisando sistematicamente cada família de métodos em múltiplos efeitos objetivos e expondo suas compensações. Assim, o OmniOpt fornece à comunidade de pesquisa um sistema de coordenadas operacional para seleção de otimizadores sob pressupostos explícitos de mecanismo e objetivo, e traça uma direção para o desenvolvimento futuro da comunidade de otimizadores.
Avanços recentes em modelos fundamentais multimodais e sistemas agentes têm impulsionado os agentes GUI da execução de tarefas em uma única plataforma para a interação multiplataforma. No entanto, construir agentes GUI multiplataforma continua sendo um desafio. Por um lado, trajetórias de interação multiplataforma de alta qualidade e executáveis ainda são escassas, e os dados existentes frequentemente sofrem de cobertura limitada de plataformas. Por outro lado, diferentes plataformas exibem convenções de interação distintas, tornando o treinamento conjunto ou contínuo propenso à mistura de padrões comportamentais, degradação de capacidades específicas da plataforma e esquecimento catastrófico. Para enfrentar esses desafios, construímos o Uni-GUI, um conjunto de dados de interação GUI multiplataforma de alta qualidade, e propomos o UI-MOPD, o primeiro método que incorpora destilação on-policy com múltiplos professores no aprendizado contínuo para agentes GUI. O UI-MOPD seleciona dinamicamente um professor específico da plataforma de acordo com o ambiente atual e transfere prioridades comportamentais específicas da plataforma para uma política compartilhada por meio de destilação condicionada por plataforma, permitindo adaptação a novas plataformas enquanto preserva capacidades nas já existentes. Experimentos no OSWorld e no MobileWorld mostram que o UI-MOPD atinge taxas de sucesso de tarefas de 38,2% e 12,0%, respectivamente, demonstrando sua eficácia em equilibrar a retenção de capacidades multiplataforma e a adaptação a novas plataformas. Página do projeto: https://elispectre.github.io/UI-MOPD/.
A disseminação de pesquisa — transformar um artigo em um pôster, um vídeo de palestra e um blog post — ainda é uma última milha manual. A automação anterior trata cada artefato isoladamente, extraindo o artigo do zero repetidas vezes, geralmente produzindo renderizações unidirecionais que o autor não pode reabrir no PowerPoint ou Word, e condiciona a qualidade a pontuações subjetivas de preferência VLM que estagnam enquanto seções de suporte ainda soam vazias. Defendemos que essa última milha é melhor construída como uma composição de habilidades: contratos finos legíveis por agentes que compartilham um extrator upstream único e encapsulam primitivas determinísticas em um loop de preenchimento medido cujas saídas são portões de renderização rígidos de aprovação/reprovação. Implementamos isso como ResearchStudio-Reel, cinco habilidades Claude Code e Codex organizadas em um extrator compartilhado (Paper2Assets), três geradores editáveis (Paper2Poster, Paper2Video, Paper2Blog) e uma camada de convergência interativa (Paper2Reel). O Paper2Assets extrai cada artigo uma única vez em um pacote compartilhado que pode ser reutilizado por toda habilidade downstream; os três geradores produzem um pôster pronto para impressão, um vídeo de palestra sincronizado e um blog bilíngue que permanecem factualmente consistentes e permitem ida e volta no PowerPoint ou Word; o Paper2Reel então vincula os três em um visualizador HTML autossuficiente cujos cliques no nível de seção saltam o vídeo, os slides, as legendas e o blog para o conteúdo correspondente. No benchmark Paper2Poster, nossos pôsteres lideram todos os subcritérios estéticos e informacionais contra sistemas automatizados anteriores e LLMs de fronteira de disparo único, superando os próprios autores em estética sob dois juízes VLM retidos e vencendo no geral em 84% a 93% dos artigos; auditorias de capacidade mostram ainda que, ao combinar exclusivamente destaques nos slides alinhados à narração com um blog bilíngue condicionado por reparo DOCX ciente do layout, o ResearchStudio-Reel é o único pipeline a entregar todos os três artefatos editáveis. O projeto está disponível em https://aka.ms/ResearchStudio
A reconstrução e a geração 3D são comumente abordadas por paradigmas separados: regressão baseada em pixels para reconstrução e difusão latente para geração. Trabalhos recentes tentam unificá-los no espaço latente, mas com desvantagens notáveis: o objetivo da difusão é definido sobre características latentes, e não sobre a representação 3D subjacente, e ambos os ramos sofrem com a perda de informação introduzida pela codificação latente, além de exigirem um Autoencoder Variacional (VAE) ou Autoencoder de Representação (RAE) pré-treinado. Neste artigo, reformulamos essas duas tarefas sob um paradigma unificado de difusão no espaço de pixels e introduzimos o PixWorld, um modelo único que aborda conjuntamente a reconstrução e a geração 3D. Ao supervisionar a difusão diretamente sobre imagens renderizadas, o PixWorld remove as limitações acima e alinha a otimização com a fidelidade da cena 3D. Além da supervisão fotométrica e perceptual que opera no nível da imagem 2D e carece de consciência geométrica 3D, introduzimos ainda uma perda de percepção geométrica que alinha as vistas renderizadas com sua verdade fundamental no espaço de características com consciência geométrica de um modelo base 3D pré-treinado, fornecendo supervisão estrutural 3D. O PixWorld supera consistentemente os métodos anteriores de geração no espaço latente e equipara-se aos métodos de reconstrução de última geração, demonstrando a superioridade de uma abordagem unificada no espaço de pixels.
Grandes modelos de linguagem tornaram a ideação de pesquisa cada vez mais acessível, porém o desenvolvimento eficaz de ideias exige mais do que a geração de direções candidatas. Pesquisadores devem fundamentar um problema na literatura atual, identificar gargalos significativos, diferenciar-se de soluções existentes e avaliar riscos antes de se comprometerem com a implementação. Apresentamos o ResearchStudio-Idea como um conjunto de habilidades reutilizáveis para essa primeira milha da ideação de pesquisa. O conjunto inclui o Paper-Search, uma habilidade independente de busca bibliográfica em múltiplas fontes; o Scoop-Check, uma habilidade independente de verificação de conflitos com trabalhos anteriores para alegações de novidade; e o IdeaSpark, a habilidade completa que compõe fundamentação de evidências, geração guiada por padrões, recuperação de conflitos, auditoria e renderização de cartões de ideias em um único fluxo de trabalho. O IdeaSpark é construído a partir de um corpus de 1.947 artigos de conferências de aprendizado de máquina coletados do ICLR, ICML e NeurIPS entre 2021 e 2025, incluindo artigos Orais, um subconjunto de alta citação rastreado separadamente e submissões rejeitadas. A análise desses resultados revela 31 subpadrões recorrentes de ideação, consolidados em 15 padrões de ideação reutilizáveis. Cada padrão é operacionalizado como um cartão estruturado contendo contextos de pesquisa, tipos de gargalos, estratégias de diferenciação, precedentes de apoio e modos comuns de falha. Dado um problema de pesquisa e um conjunto de evidências, o IdeaSpark avalia a prontidão das evidências, reconstrói o contexto de pesquisa circundante, identifica gargalos não resolvidos, seleciona padrões relevantes, instancia uma direção candidata, recupera trabalhos anteriores potencialmente conflitantes e realiza auditoria informada pelos resultados. Esse fluxo de trabalho transforma padrões de ideação reutilizáveis em propostas de pesquisa rastreáveis. Avaliações cegas com juízes automatizados mostram que o IdeaSpark produz consistentemente propostas de pesquisa mais fortes do que as linhas de base sem habilidade e com habilidade genérica, mantendo uma novidade competitiva.
A remoção de conceito visa eliminar um conceito alvo de uma representação enquanto preserva as demais informações nela codificadas. Isso é difícil porque as representações codificam muitos conceitos que frequentemente são correlacionados com o alvo de remoção, de modo que removê-lo corre o risco de danificá-los. Propomos a Hipótese da Restrição à Variedade (Manifold Constraint Hypothesis, MCH): se as representações naturais se concentram em uma variedade estruturada de menor dimensionalidade, então as intervenções devem ser restritas a essa variedade para preservar melhor outras informações codificadas na representação durante as intervenções. Instanciamos a MCH em um novo método de remoção de conceito: Remoção de Conceito Ciente da Variedade (MANifold aware Concept Erasure, MANCE). O MANCE realiza atualizações iterativas nas representações usando sinais de um classificador que prevê um conceito alvo. Estimamos a variedade usando representações obtidas a partir de entradas naturais e, em seguida, projetamos a atualização de remoção do conceito na variedade estimada. Realizamos uma avaliação extensa em 119 configurações abrangendo texto e visão, incluindo 13 modelos de linguagem, três conceitos de PLN e 40 atributos do CelebA-CLIP. A aplicação do MANCE sobre métodos anteriores mostra melhores resultados de vazamento de forma consistente. Também introduzimos MANCE+ e MANCE++, que antepõem um algoritmo de remoção de forma fechada antes de empregar o MANCE, alcançando melhores compromissos entre vazamento e cirurgicidade em relação a atualizações correspondentes no espaço completo. O MANCE++, nosso melhor método, obtém resultados de estado da arte na remoção não linear de conceitos. Esses resultados corroboram a MCH no contexto de remoção: as intervenções devem ser restritas à variedade natural da representação.
A avaliação de modelos fundamentais de robôs incorporados continua sendo um gargalo crítico; diferentemente dos grandes modelos de linguagem, que são avaliados eficientemente por meio de benchmarks digitais, as políticas robóticas exigem implementações lentas e caras no mundo real, limitadas por hardware e supervisão humana, o que tem impulsionado o interesse em modelos de mundo como avaliadores substitutos de políticas. No entanto, as propriedades-chave que tornam um modelo de mundo confiável para avaliação de políticas ainda são pouco compreendidas. Este trabalho apresenta um estudo sistemático de modelos de mundo para avaliação de políticas robóticas e introduz o WMBench, um benchmark construído a partir de dados de teleoperação de robôs reais e rollouts de políticas correspondentes, abrangendo diversas tarefas de manipulação, para permitir comparações controladas entre famílias de modelos, codificações de ação, horizontes de rollout e métricas de avaliação. Usando o WMBench, analisamos 7 modelos de mundo de vídeo, 4 esquemas de representação de ação e mais de 324.000 rollouts simulados de políticas emparelhados com execuções reais de robôs, enriquecendo ainda mais nossa análise com submissões em larga escala da comunidade do Desafio GigaBrain da CVPR 2026, trajetórias sintéticas selecionadas e vídeos de treinamento totalizando mais de 12.000 horas. Nossos experimentos fornecem três insights principais: a qualidade do avaliador é dominada pela consistência de rollout de longo horizonte e fiel à ação, em vez do realismo visual de curto prazo; os ganhos de pré-treinamento decorrem não apenas da escala de dados, mas do equilíbrio entre conhecimento geral do mundo e controlabilidade específica do robô; e as escolhas arquitetônicas, incluindo codificação de ação, design de memória e pós-treinamento focado no avaliador, determinam fortemente o alinhamento com o comportamento real do robô. Com base nesses resultados, derivamos um roteiro de design prático e o concretizamos no GigaWorld-1, um modelo de mundo especialmente otimizado para avaliação de políticas, e disponibilizamos integralmente nosso código, modelos, conjuntos de dados e ferramentas para avançar a pesquisa de avaliação escalável para modelos fundamentais incorporados.
A percepção espacial densa é essencial para a inteligência física, onde se espera que sistemas visuais recuperem representações estruturadas, métricas e acionáveis a partir de observações de pixels. Os modelos fundamentais visuais modernos tendem a priorizar a invariância semântica, muitas vezes em detrimento de uma compreensão espacial detalhada. Neste trabalho, estudamos o pré-treinamento visual sob uma ótica centrada em contornos, motivados pela premissa de que contornos e descontinuidades de forma oferecem pistas essenciais para a percepção de propriedades geométricas. Concretamente, propomos a modelagem mascarada de contornos, um paradigma auto-supervisionado que aprende dinamicamente representações de contornos em sub-pixels e, posteriormente, utiliza os tokens portadores de contornos descobertos como alvos mascarados para facilitar o aprendizado denso de tokens visuais. Ao escalar esta estrutura, desenvolvemos o LingBot-Vision e demonstramos sua eficácia em um conjunto diversificado de tarefas visuais downstream, tendo o DINOv3 como uma base forte. Notavelmente, o LingBot-Vision impulsiona a progressão do LingBot-Depth 1.0 para o LingBot-Depth 2.0 na tarefa de complementação de profundidade, resultando assim em uma estimativa de profundidade aprimorada, um pilar fundamental para a inteligência artificial corporificada. Nossos achados revelam que a modelagem de contornos vai além de simples segmentos de linha, servindo, em vez disso, como um princípio escalável de pré-treinamento para aprender representações visuais espacialmente estruturadas.
Apresentamos o Wan-Streamer v0.2, uma atualização que preserva a latência do modelo nativo de streaming para interação audiovisual fim a fim. O v0.2 mantém a formulação de modelagem do v0.1, mas eleva o fluxo de saída interativo de 192x336 para 640x368, preservando aproximadamente 200 ms de latência sinal a sinal do lado do modelo a 25 FPS. O fluxo de maior resolução suporta agentes de plano médio ancorados na cena, cuja postura, olhar, mãos, objetos próximos e layout local da cena permanecem legíveis durante conversas em tempo real. Para suportar o fluxo visual maior sem adicionar atraso perceptível ao usuário, o v0.2 mantém o "thinker" como um caminho de baixa latência em uma única GPU para percepção em streaming, a passagem curta do Transformer de linguagem/estado que constrói o cache de geração, e a decodificação final. O "performer" torna-se um grupo paralelo de contexto ao estilo Ulysses com múltiplas GPUs para a cara geração latente da próxima unidade. Cada rank do performer escreve os K/V recebidos em um cache local pré-fracionado. A longa sequência de vídeo latente de alta resolução é dividida entre os ranks para remoção de ruído e agregada por comunicação Ulysses, enquanto a sequência de áudio latente, muito mais curta, é gerada sem fragmentação de sequência. Nessa divisão, o cálculo de linguagem/estado do thinker chega ao performer apenas como condicionamento K/V, de modo que nenhuma sequência de linguagem separada precisa ser comunicada dentro do grupo do performer. Isso concentra hardware adicional na geração visual, preservando ao mesmo tempo a fronteira compacta thinker-performer, mantendo a latência total de interação remota em aproximadamente 550 ms quando um orçamento de rede bidirecional de 350 ms é incluído.
Apresentamos o EVA-Client, um framework de código aberto para implantação, coleta de dados e avaliação de políticas manipulativas treinadas em robôs reais. Situado entre um servidor de políticas e o hardware físico, o EVA-Client unifica as etapas reais de robótica do ciclo de iteração de políticas em uma única base de código. Ele apresenta três contribuições. Primeiro, uma arquitetura com componentes desacoplados na qual backends de robô, estratégias de inferência e middlewares de transporte formam uma grade ortogonal: adicionar um robô ou uma estratégia afeta apenas sua própria camada. Segundo, execução inspecionável por meio dos fluxos de trabalho Debug, Collect e Eval, com modos que variam de simulação em malha aberta a controle contínuo em tempo real. Terceiro, cada execução de avaliação também funciona como uma coleta de dados, registrando rollouts completos em formato pronto para treinamento, juntamente com logs exaustivos e um visualizador de comparação lado a lado — de modo que cada avaliação alimenta a próxima rodada de treinamento, em vez de terminar como uma impressão não registrada. O EVA-Client ainda consolida as principais estratégias de inferência em tempo real — execução síncrona e assíncrona, ensembling temporal no estilo ACT, Real-Time Chunking e uma linha de base de ablação naive-async — em uma única superfície de configuração.
Modelos unificados para manipulação robótica têm como objetivo equipar uma única política tanto com os priors semânticos de VLMs pré-treinados quanto com a dinâmica física aprendida por meio da predição futura. Na prática, projetos existentes tendem a erodir a semântica do backbone pré-treinado, sofrer interferência entre objetivos heterogêneos e aprender predição futura do zero no espaço de pixels, deixando inexplorados os priors de dinâmica de geradores de vídeo pré-treinados. Apresentamos o InternVLA-A1.5, que constrói a política sobre um backbone VLM nativo que continua treinando em VQA e predição de subtarefas, e anexa um especialista unificado leve para geração contínua de ações. A predição futura é reformulada como um problema de consulta latente, onde um pequeno conjunto de tokens de previsão aprendíveis condensa o futuro relevante para a tarefa em um código latente compacto sob a supervisão de um modelo de geração de vídeo pré-treinado congelado, de modo que a política herde priors de dinâmica de modelo mundial sem nunca aprender geração em nível de pixel. O ramo de vídeo é descartado na inferência, mantendo o controle em tempo real. Pré-treinado em 1,2 milhões de episódios robóticos e 3 milhões de amostras multimodais, o InternVLA-A1.5 alcança os melhores resultados gerais em todos os seis benchmarks de simulação. No mundo real, a semântica preservada proporciona a mais forte generalização composicional em vinculações de instruções não vistas, e os dois projetos juntos sustentam a execução de longo horizonte.
A busca por literatura científica frequentemente exige mais do que recuperar artigos a partir de uma única consulta: as intenções dos usuários são subespecificadas, dependentes de preferências e evoluem através da interação. Agentes de busca existentes normalmente dependem de pipelines fixos ou raciocínio implícito baseado apenas em linguagem, tornando suas estratégias de busca difíceis de controlar, inspecionar e refinar. Apresentamos o PaperPilot, um agente de busca bibliográfica multi-turno que enquadra a busca científica como indução de fluxo de trabalho. Dado um artigo âncora e uma consulta do usuário, o PaperPilot constrói um DAG executável de operadores de busca de artigos, incluindo busca por palavras-chave, expansão de citações, filtragem, pontuação, reordenação e extração de evidências. O feedback do usuário é então usado para refinar tanto a consulta quanto o próprio fluxo de trabalho. Treinamos o PaperPilot com imitação supervisionada de fluxo de trabalho e otimização de preferência sobre corrupções controladas de fluxo de trabalho. Experimentos mostram que o PaperPilot-9B melhora em relação ao agente base Qwen3.5-9B em interação multi-turno, aumentando Hit@5 de 58,0 para 77,0, MRR de 47,5 para 59,4 e nDCG@10 de 26,8 para 32,5, enquanto reduz erros de execução de fluxo de trabalho de 9,5% para 0%. Esses resultados mostram que fluxos de trabalho de busca explícitos e editáveis fornecem uma interface eficaz e controlável para alinhar agentes de busca bibliográfica com intenções científicas complexas.
O crescimento do cache de chave-valor (KV) é um gargalo importante na decodificação autorregressiva, uma vez que a memória e a largura de banda escalam linearmente com o comprimento do contexto. Métodos existentes de remoção de KV frequentemente dependem de heurísticas estáticas ou pontuações proxy, que acompanham mal a utilidade futura dos tokens e causam remoções frágeis à medida que a relevância muda. Para resolver isso, apresentamos o KVpop, que aprende uma política de remoção de KV com orçamento fixo ao supervisionar diretamente a decisão de manter ou descartar. O pontuador é treinado com um novo alvo de atenção futura, computado eficientemente sem materializar mapas de atenção densos. Introduzimos ainda um pontuador baseado em memória atrasada que, de forma única entre os métodos de remoção aprendidos, adia a pontuação por um número fixo de etapas para explorar o contexto de futuro próximo. No raciocínio matemático AIME e HMMT, o KVpop retém 98% do desempenho de atenção total no Qwen3-4B com compressão de 75% do cache KV e 97% com compressão de 88%, superando consistentemente as linhas de base de remoção estabelecidas. O Qwen3-8B apresenta resultados ainda mais fortes, atingindo desempenho quase total do professor. Esses resultados mostram que supervisionar a remoção com sinais de atenção futura reduz os custos de memória enquanto mantém a qualidade.
A recuperação multivetorial visão-linguagem preserva evidências visuais de granulação fina por meio de interação tardia de máxima similaridade, mas os tokens densos do lado da imagem tornam o armazenamento e a pontuação caros. Os métodos existentes de compressão de tokens reduzem esse custo, mas podem remover ou colapsar evidências em nível de objeto e região que futuros tokens de consulta podem precisar selecionar. Propomos o SaMer, uma estrutura de fusão de tokens consciente de objetos que comprime tokens pós-projetor do lado da imagem em K centroides representativos, preservando a interface original de interação tardia. O SaMer usa anotações de objetos apenas durante o treinamento como um prior de fusão para desencorajar a mistura entre instâncias, não requer caixas delimitadoras ground-truth ou detectores no momento da inferência, e adapta apenas a camada de projeção compartilhada com backbones de visão e linguagem congelados. Com K=64, o SaMer remove mais de 93% dos tokens do lado da imagem e reduz o armazenamento do ColPali em 16,09 vezes, enquanto melhora o R@1 no Flickr30K e no MSCOCO. Esses ganhos surgem porque a fusão consciente de objetos preserva evidências de objetos selecionáveis por consulta que a poda ou o pooling apenas de características podem remover ou colapsar. O SaMer também supera as linhas de base de compressão e mostra um grounding em nível de frase mais forte, sugerindo que a recuperação multivetorial eficiente depende não apenas da redução do número de tokens, mas da preservação das evidências que futuros tokens de consulta precisam selecionar.
Modelos de linguagem de grande escala por difusão (dLLMs) geram texto ao remover iterativamente o ruído de uma sequência mascarada, oferecendo uma alternativa paralela aos modelos autorregressivos, mas extrair raciocínio robusto por meio de pós-treinamento continua difícil: o ajuste fino supervisionado é off-policy e sofre de viés de exposição, enquanto o aprendizado por reforço fornece apenas recompensas esparsas em nível de sequência e é difícil de aplicar sem verossimilhanças de sequência tratáveis. A autodestilação on-policy (OPSD) oferece uma alternativa promissora, utilizando um modelo como aluno e professor para fornecer supervisão densa, token a token e on-policy, mas sua eficácia depende da concessão de informação privilegiada (PI) ao professor — tipicamente uma referência de ground-truth específica da instância indisponível na inferência — de modo que o aluno acaba destilando uma política de consenso fraca e sem PI que gera pouca melhoria no raciocínio dos dLLMs. Apresentamos dOPSD, que, em vez disso, deriva o privilégio do professor diretamente da própria trajetória de remoção de ruído do aluno, avaliando posições mascaradas usando etapas posteriores e mais decodificadas dessa mesma trajetória, em vez de um rótulo externo; assim, a vantagem do professor emerge do próprio processo de decodificação do modelo. No Dream e no LLaDA, dOPSD melhora tanto o raciocínio matemático dentro do domínio quanto a geração de código fora do domínio, superando as abordagens de base supervisionadas e on-policy.
Apresentamos o primeiro modelo de mundo multijogador para ambientes altamente dinâmicos governados por interações físicas complexas. Enquanto os modelos de mundo para um único jogador tratam os outros agentes como parte do ambiente, o nosso condiciona-se nos fluxos de ação de múltiplos agentes, aprendendo a atribuir mudanças na cena ao jogador correto e a manter-se coerente sob combinações arbitrárias das suas ações. Estudamos este problema no jogo Rocket League, onde os jogadores competem e cooperam sob dinâmicas rápidas e fortemente acopladas. Treinado em 10.000 horas de jogo recolhidas com robôs disponíveis publicamente, o nosso modelo de difusão latente com 5 bilhões de parâmetros gera partidas de quatro jogadores em tempo real, produzindo 20 quadros por segundo numa única GPU Nvidia B200. Embora treinado apenas em pequenos excertos, as suas simulações permanecem estáveis muito além do horizonte de treino: a qualidade distribucional mantém-se constante até cinco minutos, o horizonte mais longo que medimos, e na prática observamos simulações a continuar por horas sem sinal de colapso. Investigamos sistematicamente as escolhas centrais de design: o codec de vídeo, o objetivo generativo e o esquema de condicionamento multijogador. Além disso, caracterizamos como o comportamento muda com a escala do modelo e dos dados, incluindo as capacidades que emergem e os modos de falha que persistem. Desenvolvemos adicionalmente avaliações direcionadas que investigam a compreensão física do modelo, em vez de apenas a aparência visual. Para apoiar a investigação contínua sobre modelos de mundo multijogador, disponibilizamos o nosso conjunto de dados, a nossa base de código completa para treino e inferência, e uma demonstração ao vivo.
As leis de escala de pré-treinamento revelam que a capacidade do modelo melhora de forma previsível com dados e computação. No entanto, o aprendizado a partir de ambientes reais após a implantação ainda é muito menos compreendido. Analisando aproximadamente 38.000 horas de interação de agentes com o ambiente em 134 tarefas do mundo real, encontramos, até onde sabemos, a primeira evidência de que o desempenho geral durante o aprendizado ambiental segue uma lei de escala log-sigmoidal com precisão notavelmente alta, atingindo R² = 0,998. Entre gerações de modelos, também descobrimos que a velocidade de aprendizado do agente aproximadamente duplica a cada três meses. Essa descoberta decorre do EdgeBench, um conjunto de 134 tarefas do mundo real com horizontes ultra-longos, abrangendo descoberta científica, engenharia de software, otimização combinatória, trabalho de conhecimento profissional, matemática formal e jogos interativos. Cada tarefa sustenta pelo menos 12 horas de operação contínua do agente sob feedback rico e multinível, sendo construída com esforço substancial de especialistas. Disponibilizamos publicamente 51 tarefas e nossa estrutura de avaliação completa para acelerar o estudo de como os agentes aprendem com a experiência do mundo real.
Propomos a Correspondência de Fluxo Perceptual (PFM, do inglês *Perceptual Flow Matching*), uma estrutura simples, porém eficaz, para geração em poucos passos em modelos de correspondência de fluxo (*flow-matching models*). Em vez de realizar regressão de velocidade no espaço latente VAE convencional, o PFM supervisiona a correspondência de fluxo em um espaço de características perceptuais, utilizando modelos perceptuais pré-treinados. Essa simples modificação melhora substancialmente a capacidade de geração em poucos passos dos modelos de correspondência de fluxo, reduzindo o número de etapas de amostragem de 35-50 para 4-8, enquanto preserva a qualidade da geração. Diferentemente das abordagens existentes de aceleração e destilação, o PFM não requer modelos professores nem redes de *score* auxiliares, podendo ser integrado a pipelines de treinamento padrão de correspondência de fluxo com modificações mínimas. Experimentos extensivos em tarefas de geração de imagens, geração de vídeos e edição de imagens demonstram que o PFM produz consistentemente resultados de alta qualidade, gerando menos artefatos do que métodos baseados em destilação. Mostramos ainda que a supervisão perceptual desloca o minimizador de regressão da busca pela média para a busca pela moda, orientando as previsões para modos na variedade (*on-manifold modes*) que permanecem precisos sob integração aproximada em poucos passos. Nossos resultados revelam que o treinamento padrão de correspondência de fluxo pode naturalmente produzir geradores de alta qualidade em poucos passos quando supervisionado em um espaço de representação apropriado. Esperamos que essa percepção inspire pesquisas futuras sobre objetivos conscientes da representação para modelagem generativa eficiente.
Escalonar o pré-treinamento, o pós-treinamento e a computação em tempo de teste tornou-se o paradigma central para melhorar as capacidades dos LLMs. Neste trabalho, identificamos a verificação — a capacidade de determinar a correção de uma solução — como um novo eixo de escalonamento. Para desbloquear esse potencial e demonstrar sua eficácia, introduzimos o LLM-como-Verificador, uma estrutura de verificação de propósito geral que fornece feedback granular para tarefas agentivas sem exigir treinamento adicional. Diferentemente dos juízes LM padrão, que instruem LLMs a produzir pontuações discretas para soluções candidatas, o LLM-como-Verificador calcula a expectativa sobre a distribuição dos logits do token de pontuação para gerar pontuações contínuas. Essa formulação probabilística permite que a verificação seja escalonada em múltiplas dimensões: (1) granularidade da pontuação, (2) avaliação repetida e (3) decomposição de critérios. Em particular, mostramos que escalonar a granularidade da pontuação leva a uma melhor separação entre soluções positivas e negativas, resultando em comparações mais calibradas. Além disso, escalonar a avaliação repetida e a decomposição de critérios consistentemente gera ganhos adicionais na precisão da verificação por meio da redução de variância e complexidade. Introduzimos ainda um algoritmo de classificação eficiente em termos de custo para selecionar a melhor solução entre candidatos, utilizando as pontuações contínuas do verificador. O LLM-como-Verificador alcança desempenho de ponta no Terminal-Bench V2 (86,5%), SWE-Bench Verified (78,2%), RoboRewardBench (87,4%) e MedAgentBench (73,3%). Além da verificação, os sinais granulares do LLM-como-Verificador também podem servir como proxy para estimar o progresso da tarefa. Construímos uma extensão para o Claude Code, permitindo que desenvolvedores monitorem e melhorem seus próprios sistemas agentivos. Finalmente, mostramos que o LLM-como-Verificador pode fornecer feedback denso para RL, melhorando a eficiência amostral do SAC e do GRPO em benchmarks de robótica e raciocínio matemático.
A inteligência de áudio envolve compreensão, raciocínio e geração de áudio e fala. Neste trabalho, apresentamos o Nemotron-Labs-Audex-30B-A3B (Audex), um LLM unificado de áudio-texto construído sobre o Nemotron-Cascade-2-30B-A3B, um LLM MoE robusto exclusivamente textual. O Audex adota um design unificado simples com um único decodificador Transformer: as entradas de áudio são codificadas e projetadas no espaço de embeddings de texto, enquanto tokens de texto e tokens de saída de áudio quantizados são tratados uniformemente durante a geração. Essa arquitetura possibilita uma fusão áudio-texto eficaz, geração multimodal contínua e compatibilidade com infraestruturas padrão de treinamento e inferência de LLMs. Para o treinamento, curadoria meticulosa de conjuntos de dados de áudio-texto totalizando 157,4B tokens de áudio e 320,5B tokens de texto. Aplicamos treinamento supervisionado em múltiplos estágios sobre esses conjuntos, seguido por RL em cascata exclusivamente textual e destilação on-policy multi-domínio. O Audex oferece compreensão de áudio, reconhecimento e tradução de fala, texto-para-fala, geração de áudio e geração de fala-para-fala no estado da arte, ao mesmo tempo que preserva capacidades muito convincentes de raciocínio, alinhamento, conhecimento, contexto longo e agência do seu backbone LLM exclusivamente textual, com regressão marginal ou nula. Disponibilizamos os checkpoints do modelo para facilitar a pesquisa aberta.
Avanços recentes em modelos de difusão de vídeo permitiram tanto a geração longa de vista única por meio de autoregressão temporal quanto a síntese curta multivista por meio de atenção bidirecional. No entanto, gerar vídeos longos e multivista geometricamente consistentes de cenas dinâmicas permanece um problema em aberto. Neste trabalho, apresentamos o MV-Forcing, um arcabouço que compõe autoregressão temporal e por vista em um único modelo de difusão, introduzindo uma ponte geométrica 4D entre vistas geradas sequencialmente. Nossa percepção chave é que um modelo de reconstrução 3D autoregressivo naturalmente faz a interface entre vistas geradas autoregressivamente. Dada uma vista fonte completa, reconstruímos sua estrutura 3D e renderizamos uma priori geométrica do próximo ponto de vista alvo, que o modelo de difusão refina em um vídeo de alta qualidade. Para estender a geração além da janela temporal fixa do professor, introduzimos um regime conjunto de denoising onde ambos os espaços de vista são inicializados a partir de ruído durante o treinamento, permitindo geração temporalmente ilimitada. Destilamos o modelo por meio de Destilação por Correspondência de Distribuição com Auto-Forçamento Espaço-Temporal, fechando a lacuna de viés de exposição treino-inferência tanto para autoregressão temporal quanto para a sequencial de vistas. Experimentos extensivos em dados sintéticos e do mundo real demonstram que o MV-Forcing produz vídeos multivista geometricamente consistentes de cenas dinâmicas em comprimentos e contagens de pontos de vista arbitrários usando um único modelo estudante de poucos passos.
Os agentes de LLM realizam cada vez mais ações autônomas por meio de ferramentas externas, gerando riscos de segurança complexos e em evolução. No entanto, os testes de segurança existentes têm como alvo violações de segurança projetadas por especialistas, e os resultados correspondentes são avaliados por regras codificadas de forma fixa, tornando sua extensão custosa à medida que os agentes evoluem. Para isso, apresentamos Vera, um framework automatizado de teste de segurança de ponta a ponta que instancia princípios de teste de engenharia de software para agentes não determinísticos por meio de um pipeline auto-reforçador de três estágios. Primeiro, uma exploração orientada pela literatura descobre e estrutura continuamente riscos emergentes em taxonomias de riscos de segurança, métodos de ataque e ambientes de execução de ferramentas. Segundo, a composição combinatória entre as dimensões da taxonomia produz casos de segurança executáveis, cada um especificando uma meta concreta de segurança, um estado inicial construído programaticamente e um predicado de verificação determinístico fundamentado em artefatos observáveis. Terceiro, a execução adaptativa opera agentes heterogêneos em sandboxes isolados, onde um agente de controle direciona a interação de múltiplas rodadas com base em observações em tempo de execução, enquanto verificadores fundamentados em evidências julgam os resultados a partir do estado do ambiente e de evidências de chamadas a ferramentas, em vez de autorrelato do modelo. Avaliamos Vera em quatro frameworks de agentes em produção (OpenClaw, Hermes, Codex, Claude Code), revelando fragilidades substanciais de segurança, com taxas médias de sucesso de ataque atingindo 93,9% sob ataques multicanais; também lançamos o Vera-Bench, que compreende 1600 casos de segurança executáveis abrangendo 124 categorias de risco em três configurações de execução. Esses resultados indicam que uma infraestrutura modular e executável de testes é essencial para uma avaliação de segurança rigorosa e sustentável de sistemas agentes em rápida evolução, em escala. O código está disponível publicamente em https://github.com/Yunhao-Feng/Vera.
A predição de comportamento de longo horizonte tem como objetivo inferir a próxima ação de um usuário com base em uma longa sequência histórica, desempenhando um papel crucial no campo da inteligência artificial. O surgimento dos modelos de linguagem de grande porte (LLMs) oferece uma direção promissora para a predição sequencial de comportamento; no entanto, os LLMs enfrentam dificuldades na indução de padrões comportamentais latentes e em vieses cognitivos intrínsecos ao modelo ao lidar com predição de comportamento de longo horizonte. Métodos anteriores de gerenciamento de memória seguem um paradigma de compressão de contexto que tenta abordar essa tarefa aliviando a carga das sequências históricas, mas não conseguem resolver os desafios centrais. Neste artigo, defendemos uma mudança de paradigma que reformula a longa sequência histórica de um fardo para um recurso valioso a ser explorado e, consequentemente, propomos o PraMem, que conduz uma prática prévia sobre a longa sequência histórica para construir uma memória experiencial, servindo assim como entrada assistida para predição precisa de comportamento de longo horizonte. Experimentos extensivos em diversas tarefas demonstram que o PraMem alcança desempenho superior aos métodos anteriores, e análises mais aprofundadas fornecem insights valiosos sobre o mecanismo e a evolução da memória experiencial. Código: https://github.com/icip-cas/PraMem.
Modelos de linguagem de grande porte operam cada vez mais em contextos longos, onde o cache de KV se torna um gargalo de memória dominante: seu tamanho cresce linearmente com o comprimento da sequência e deve ser mantido durante toda a decodificação, tornando o cache completo em GPU proibitivamente caro sem compressão. Os métodos existentes de compressão do cache de KV têm dificuldade em equilibrar eficiência com preservação fiel do contexto. A remoção de tokens descarta informações, enquanto o agrupamento semântico fixa as decisões de compressão no momento de preenchimento; nenhum deles consegue recuperar detalhes no nível de tokens a partir de um intervalo comprimido quando este se torna relevante durante a geração. Como solução, propomos o SeKV, um cache semântico de KV com resolução adaptável que organiza o contexto em intervalos semânticos guiados por entropia e os armazena em uma hierarquia de memória GPU-CPU sem descartar informações. Cada intervalo mantém um vetor de resumo leve na GPU para roteamento grosseiro e uma base SVD de baixo posto na CPU para reconstrução no nível de tokens sob demanda. Um mecanismo de aproximação treinado expande seletivamente intervalos relevantes para a consulta durante a decodificação, permitindo recuperação precisa sem materializar o cache de KV completo na GPU. O SeKV possibilita reconstrução adaptativa no nível de tokens, mantendo o LLM base completamente congelado e adicionando menos de 0,05% de parâmetros treináveis. Em quatro benchmarks, o SeKV supera a linha de base mais forte de compressão semântica em 5,9% em média, enquanto reduz a memória da GPU em 53,3% em comparação com o cache de KV completo em contexto de 128K. O código está disponível em https://github.com/AmirAbaskohi/SeKV.
Prever a dinâmica de objetos (ou seja, modelagem do mundo) é um desafio fundamental para a manipulação robótica, e a modelagem de objetos deformáveis apresenta um caso particularmente difícil devido aos seus espaços de estado de alta dimensionalidade e propriedades materiais complexas. Embora os modelos de mundo atuais abordem isso por meio de dois paradigmas distintos: aprender a dinâmica no espaço de pixels 2D ou no espaço geométrico 3D mais explícito, uma compreensão sistemática de seus pontos fortes e limitações relativos permanece elusiva devido à falta de dados reais diversos e em grande escala. Para abordar isso, apresentamos o Deform360, um conjunto de dados visuotáteis em larga escala que apresenta 198 objetos do cotidiano, 1.980 sequências de interação e mais de 215 horas de observações de 41 câmeras de visão panorâmica e garras táteis bimanuais para capturar tanto o movimento global quanto as deformações locais induzidas por contato. Utilizando um novo pipeline inovador de rastreamento 3D visuotátil sem marcadores para extrair geometria e movimento densos, avaliamos sistematicamente os modelos de mundo atuais do estado da arte, comparando modelos de vídeo 2D com modelos de partículas 3D. Finalmente, fornecemos uma demonstração preliminar indicando a aplicabilidade real do nosso conjunto de dados ao realizar tarefas de planejamento robótico em objetos deformáveis. Nossa análise revela insights importantes sobre as compensações entre prioridades estruturais e escalabilidade, fornecendo um benchmark sólido para pesquisas futuras em modelagem de mundo centrada em objetos deformáveis generalizáveis. Site do projeto: https://deform360.lhy.xyz
A reprodução de vulnerabilidades em nível de repositório é uma tarefa exigente em engenharia de software (ES): um agente deve inspecionar uma base de código, inferir a gramática de entrada que alcança um caminho vulnerável, construir uma prova de conceito (PoC) e verificar que a falha desaparece na versão corrigida. Agentes baseados em LLM recentes frequentemente conseguem executar essas etapas quando a abordagem está correta, mas ainda falham ao escolher a estratégia errada. Este artigo argumenta que a estratégia, e não a trajetória completa de ações, é a unidade de aprendizado adequada para tais agentes de ES: ela é compacta o suficiente para ser otimizada, concreta o suficiente para guiar a execução e estável o suficiente para ser armazenada e reutilizada entre tentativas. Apresentamos o Mastermind, um framework de duplo loop que separa o aprendizado de estratégias transferíveis da experiência específica da tarefa. Um planejador treinável aprende estratégias reutilizáveis de reprodução de vulnerabilidades por meio de ajuste fino supervisionado (SFT) e otimização de política relativa ao grupo baseada em marcos (GRPO), enquanto um loop de experiência mantém registros de estratégia locais à tarefa que orientam tentativas subsequentes. O planejador é treinado independentemente do executor, permitindo que o aprendizado de estratégias melhore múltiplos executores congelados sem modificar sua capacidade de geração de ações. Avaliamos o Mastermind no CyberGym usando 260 tarefas de treinamento e 200 tarefas de avaliação retidas. Com o GPT-5.5 como executor congelado, o Mastermind atinge uma taxa de aprovação de 84,5%, superando o contexto de PoC com consulta aberta (60,0%), a amostragem de melhor entre 8 (63,0%) e a melhoria iterativa (77,0%). O mesmo planejador também melhora o GPT-5.4 mini e o GLM~5.1 de 45,0% e 58,5% para 60,0% e 71,0%. Esses resultados demonstram que aprender estratégias de alto nível é um mecanismo eficaz e transferível para melhorar agentes de ES em escala de repositório.
Na prática clínica longitudinal, cada radiografia de tórax é interpretada no contexto do exame anterior do paciente, e grande parte do que o radiologista comunica é a mudança de uma consulta para a seguinte. Até onde sabemos, apresentamos o primeiro esquema de amostragem melhor-de-N livre de treinamento para geradores de relatórios de radiografia de tórax pré-treinados que está explicitamente ciente dessa transição de prior para corrente longitudinal. Chamamos isso de amostragem melhor-de-N ciente de transição: cada relatório é dividido em frases e incorporado em um conjunto não ordenado em R^d; cada par (prior, corrente) é reduzido a um vetor direcional de dimensão fixa por meio de uma distância conjunto a conjunto projetada para codificar a mudança entre os dois conjuntos; e os candidatos são pontuados pela distância do cosseno de seu vetor de transição candidato a um banco cacheado de vetores de transição de treinamento de referência, agregados como mínimo ou kNN. Instanciamos a estrutura com quatro distâncias direcionais conjunto a conjunto (deslocamento de média, resíduo de novidade, âncora de Hausdorff direcionada e transporte ótimo ponderado por custo) e avaliamos em uma coorte AP-PA de múltiplas visitas, executando inferência sob três prompts em três geradores visão-linguagem. A amostragem melhor-de-N ciente de transição supera a seleção aleatória de forma consistente, com os maiores ganhos relativos na seção de Impressão.
Cada vez mais, serviços de inferência de LLM fazem proxy de solicitações de clientes para réplicas de motor distribuídas globalmente. Políticas de balanceamento de carga devem considerar conjuntamente fatores como localidade do cache KV, carga da réplica e latência de rede variável ao otimizar métricas como latência e TTFT. No entanto, sistemas existentes avaliam apenas um subconjunto desses fatores em seu modelo de custo, levando a concentrações desiguais de carga e cache KV entre as réplicas. Apresentamos GORGO, uma arquitetura de proxy que considera holisticamente latência de rede, custo de preenchimento e atraso de fila usando parâmetros ajustáveis. Como conjuntos de dados de chat de código aberto, como LMSYS-Chat1M e WildChat-4.8M, carecem de dados de contexto longo e alto reuso de prefixo, disponibilizamos um conjunto de dados sintético, ART-Chat-2.5M, a partir de metadados de produção de contexto longo. Em uma janela de ajuste extraída do ART-Chat-2.5M, estratégias evolutivas guiam os parâmetros da política GORGO para otimizar diretamente o p95 TTFT. Durante janelas de avaliação retidas, fixamos os valores dos parâmetros aprendidos no ajuste e melhoramos o p95 TTFT em 6,9–15,5% e a latência ponta a ponta (E2E) p95 em 14,3–30,9% em relação a políticas de balanceamento de carga de base, como afinidade de sessão simples e cache de prefixo. O código e o conjunto de dados ART-Chat-2.5M podem ser encontrados em https://github.com/Arcadia-Research-Team/GORGO.
Modelos multimodais unificados (MMUs) demonstram capacidade promissora de raciocínio intercalado entre texto e imagem; no entanto, otimizar efetivamente essa geração multiturno por meio de aprendizado por reforço (AR) ainda é um desafio em aberto. Abordagens existentes aplicam AR exclusivamente às etapas textuais, relegando a geração de imagens a substitutos supervisionados, o que impede que os gradientes de política se propaguem por toda a trajetória intercalada entre modalidades heterogêneas. Isso deixa o potencial do AR para MMUs largamente inexplorado. Neste artigo, apresentamos o BRAID (Bridging inteRleAved multI-modal reasoning as a unified Decision process, ou seja, unificando o raciocínio multimodal intercalado como um processo de decisão unificado), uma estrutura simples que trata o raciocínio texto-imagem-texto multiturno como um processo de decisão de Markov (PDM) unificado, permitindo a otimização conjunta da geração textual e visual por meio de um único objetivo de AR baseado em princípios. O BRAID calcula uma vantagem compartilhada no nível da trajetória e a propaga de forma coerente tanto para os tokens de texto quanto para os caminhos de remoção de ruído da imagem, cada um otimizado por seu mecanismo de gradiente de política nativo da modalidade. Para lidar ainda com a atribuição de crédito de horizonte longo, o BRAID emprega um juiz baseado em modelo de visão-linguagem (MVL) que pontua cada imagem intermediária quanto à sua utilidade para o raciocínio, fornecendo feedback denso em nível de turno para refinar o aprendizado em ramificações visuais críticas. Experimentos em benchmarks de raciocínio espacial e percepção visual mostram que o BRAID supera consistentemente diversas linhas de base, confirmando que uma formulação unificada de PDM com orientação de pensamento visual é essencial para o raciocínio multimodal eficaz.
Apresentamos a submissão dos AI Wizards ao EXIST 2026 para identificação multimodal de sexismo em memes. A tarefa é composta por três subtarefas com dificuldade crescente. Modelamos essas subtarefas hierarquicamente como predição condicional de rótulos suaves sobre distribuições empíricas dos anotadores. Nosso sistema mapeia representações visão-linguagem do Gemini Embedding 2 por meio de um Gated MLP leve treinado com divergência KL e ponderação de incerteza homoscedástica. Nossas submissões classificaram-se em primeiro lugar na Tarefa 2.3 e em quarto lugar nas Tarefas 2.1 e 2.2 nos leaderboards oficiais Soft-Soft. O código está disponível em https://github.com/NLP-AI-Wizards/EXIST-2026.
Modelos Visão-Linguagem-Ação (VLA) adquirem amplas capacidades corporificadas por meio de pré-treinamento em larga escala, mas sua generalização permanece muito mais frágil do que a de LLMs e VLMs. O remédio predominante, o pós-treinamento via ajuste fino supervisionado ou aprendizado por reforço, melhora o desempenho em tarefas específicas, mas reduz a capacidade generalista que torna o pré-treinamento valioso. Identificamos um gargalo fundamental: as falhas dos VLAs decorrem não apenas da geração de ações, mas também da avaliação de ações. Um estudo diagnóstico de pass@k confirma que VLAs congelados já contêm comportamentos competentes em sua distribuição de saída, com taxas de sucesso geral subindo de 33% em pass@1 para 92% em pass@32. Inspirados por isso, propomos SVA (Search, Value, and Act – Buscar, Valor e Agir), uma estrutura simples que dota políticas VLA congeladas de consciência de consequências de longo prazo. O SVA primeiro utiliza busca em árvore Monte Carlo em simulação para explorar completamente a distribuição de saída do VLA e coletar trajetórias diversas anotadas com retornos empíricos; esse conhecimento é então destilado em um modelo de valor Q leve que prevê a consequência esperada de ações candidatas; na implantação, o VLA congelado propõe múltiplos candidatos e o avaliador seleciona aquele com o maior valor Q regularizado por incerteza, sem necessidade de acesso ao simulador. Ao desacoplar a proposição de ações da avaliação de consequências, o SVA preserva a capacidade de generalização da espinha dorsal VLA enquanto melhora substancialmente as taxas de sucesso das tarefas. Experimentos em benchmarks corporificados mostram que o SVA melhora consistentemente a generalização em tarefas não vistas e exibe forte comportamento de escalonamento em tempo de teste. Surpreendentemente, o SVA permite que um VLA de 9B supere um VLA de 27B por 7 pontos percentuais com 27% menos latência de inferência, sugerindo que escalonar a avaliação em tempo de teste é mais custo-efetivo do que escalonar o tamanho do modelo.
A detecção de depressão baseada em fala comprime características de segmentos curtos de áudio em uma decisão no nível do falante, uma etapa chamada de agregação temporal raramente estudada por si só. A maioria dos benchmarks fixa um único codificador auto-supervisionado e uma única camada selecionada manualmente, de modo que um ganho relatado pode refletir o pipeline, e não o método de agregação em si. Apresentamos o DEPOOL, um benchmark controlado que compara seis arquiteturas de agregação com seis backbones de fala congelados em um corpus de depressão em inglês e um em mandarim, onde cada configuração aprende quais camadas do backbone são relevantes, em vez de fixar uma manualmente. Em toda a grade resultante de 72 configurações, um terço das configurações colapsa em prever uma única classe para cada falante, uma falha ligada tanto ao backbone quanto ao método, e a arquitetura que é mais estável em uma execução com uma única semente torna-se não confiável quando o treinamento se repete entre sementes. A robustez em relação ao backbone e à semente, e não a acurácia média em um único pipeline, deve ser um critério de primeira linha para benchmarking da agregação temporal em fala clínica.
Modelos generativos controláveis de imagens médicas 3D podem sintetizar volumes com atributos clínicos especificados, mas isso exige amostras que sejam simultaneamente de alta fidelidade, nativamente 3D e fiéis à condição solicitada. Apresentamos o CONFLUX, um modelo de difusão latente para tomografia computadorizada (TC) de tórax: um autoencoder variacional 3D comprime cada volume, e um transformador de fluxo retificado gera no espaço latente. A geração é condicionada a metadados radiológicos estruturados (18 achados de anormalidade, sexo, idade e kernel de reconstrução) por meio de normalização adaptativa de camadas. O modelo supera fortes linhas de base volumétricas na distância de Fréchet triplanar (FID 32,3 vs. 74,6 para o MAISI), ao mesmo tempo que expõe controle direto sobre atributos clínicos. Para fortalecer esse controle, adicionamos uma etapa de pós-treinamento por aprendizado por reforço online (otimização de política relativa ao grupo) que recompensa quão confiavelmente um classificador recupera os achados solicitados a partir de cada volume gerado. Avaliado por um classificador separado e independente, o pós-treinamento remove 47% do déficit em relação à confiabilidade de exames reais. Disponibilizamos o modelo e um conjunto de dados sintéticos de TC de tórax com aproximadamente 200 mil volumes, acompanhados de metadados de condicionamento que abrangem uma ampla variedade de achados clínicos.
Apresentamos o SynCity 3000, uma estrutura para geração de cenas 3D que são globalmente coerentes, ao mesmo tempo que permitem controle refinado de layout. Baseando-se na capacidade dos atuais geradores imagem-para-3D de produzir ativos 3D complexos a partir de uma única imagem, estendemos essa capacidade para a escala de cenas inteiras ao adaptar o gerador para ser aplicável como um operador convolucional. Alcançamos isso ajustando o modelo em dados semelhantes a cenas gerados por um novo motor de dados sintéticos, que propomos para lidar com a escassez de dados de cenas 3D para treinamento. O gerador convolucional é então aplicado a uma imagem dimétrica de toda a cena, gerada a partir do prompt do usuário, resultando em cenas 3D de tamanho e complexidade arbitrários. Em diversos prompts e layouts, o SynCity 3000 produz cenas grandes, coerentes e detalhadas, abordando as deficiências das abordagens anteriores para geração de cenas 3D.
Correspondências crossmodais entre som e paladar são bem estabelecidas na psicologia e neurociência, mas amplamente ausentes da recuperação multimídia baseada em conteúdo. Formalizamos a previsão de paladar a partir de áudio como um benchmark de recuperação de informação musical baseada em conteúdo sobre um corpus multifornne perceptualmente validado, comparando dez codificadores de áudio congelados das quatro famílias HEAR sob uma cabeça de regressão multitarefa compartilhada, com fusão tardia com portão como uma variante configurável. Para avaliar a eficácia dos modelos, calculamos o erro absoluto e a correlação de postos. Os sistemas mais fortes preveem os cinco paladares dentro de um RMSE macro de 0,134; em música real de teste, seu erro é menor que metade do desvio de um único avaliador em relação ao consenso (RMSE 0,13 vs. 0,28), de modo que o modelo acompanha o consenso do grupo mais de perto do que um avaliador humano médio, e bem abaixo da linha de base do estado da arte anterior (0,219). Em erro absoluto, os codificadores são estatisticamente planos, com um único VGGish igualando a melhor fusão, mas a vantagem da fusão tardia com portão está confinada à correlação de postos (Pearson r macro 0,724 vs. 0,666). Operacionalizado como um índice de recuperação baseado em conteúdo, o espaço de paladar previsto classifica um conjunto de 309 itens de forma muito mais fiel do que uma linha de base CLAP-text, que fica ao acaso; sondas ridge e um knockout de banda de áudio leem as representações mais fortes contra correspondências documentadas de som e paladar.
O planejamento em tempo de decisão com modelos de mundo condicionados por ação tornou-se um paradigma popular para controle encarnado. No entanto, o custo de planejamento padrão julga um candidato apenas por quão próximo seu estado terminal previsto está do objetivo, deixando a realizabilidade das transições intermediárias sem verificação — uma trajetória prevista pode parecer convincente enquanto a simulação do ambiente se desvia dela. Neste artigo, propomos ACID, uma estrutura de planejamento em tempo de decisão que introduz consistência de ação cíclica: a ação inferida retroativamente a partir de uma transição prevista por um modelo de dinâmica inversa deve recuperar aquela que foi condicionada. Incorporamos este resíduo por passo no custo de planejamento por meio de um peso adaptativo invariante à escala. Em quatro modelos de mundo condicionados por ação e seis tarefas abrangendo manipulação rígida e deformável, controle articulado e navegação visual, ACID melhora consistentemente o planejamento e iguala a precisão da linha de base com substancialmente menos custo computacional de planejamento.
Para que robôs trabalhem de forma confiável em aplicações comerciais e industriais, será que os recentes avanços em sistemas de codificação agentivos podem combinar programação interpretável de robôs com a adaptabilidade em mundo aberto de políticas livres de modelo? Focamos na "Automação Variacional" (AV), uma classe de tarefas que apresentam maiores variações na geometria e pose dos objetos do que a automação fixa. Políticas livres de modelo frequentemente têm dificuldade em fechar a lacuna de confiabilidade para tarefas AV, que precisam ser executadas de forma persistente e confiável em aplicações comerciais e industriais. Motivados por trabalhos anteriores em Planejamento de Tarefa e Movimento (TAMP) e no Sistema Operacional de Robôs (ROS), apresentamos o Graph-as-Policy (GaP), uma estrutura de codificação multiagente que gera gráficos de computação direcionados com nós de percepção, planejamento e controle a partir de uma Biblioteca Modular Aberta de Habilidades Robóticas (MORSL). Em seguida, o GaP gera um ambiente de simulação interno para ensaiar instâncias de tarefas com diferentes gráficos em paralelo, refinando iterativamente a estrutura e os parâmetros dos gráficos para melhorar as taxas de sucesso e o vazão. A avaliação com 8 novos benchmarks abertos de tarefas AV, 4 em simulação e 4 no mundo real, sugere que o GaP pode alcançar taxas de sucesso que superam significativamente as baselines. Detalhes, código e dados podem ser encontrados online: https://graph-robots.github.io/gap
Tokenização silábica não supervisionada tem como objetivo aprender tokens silábicos discretos que capturam a estrutura latente relacionada ao conteúdo linguístico a partir de fala bruta. Métodos recentes de tokenização silábica empregam destilação professor-aluno do HuBERT pré-treinado para organizar representações latentes de quadros de fala em segmentos silábicos. No entanto, quando treinados com um objetivo de entropia cruzada em nível de enunciado, o modelo prevê a identidade do locutor em vez do conteúdo linguístico, comprometendo assim a pureza dos tokens silábicos. Para solucionar esse problema, propomos um tokenizador silábico com desentrelaçamento de locutor, que regride representações do aluno perturbadas pelo locutor em direção a alvos limpos do professor dentro de blocos de comprimento fixo. Resultados experimentais demonstram que o método proposto alcança desempenho de estado da arte na detecção de limites silábicos e no agrupamento de segmentos silábicos. Além disso, um modelo de linguagem de fala treinado em nossos tokens silábicos atinge uma melhoria relativa de 7% na compreensão sintática e semântica em comparação ao SpiRit-LM em nível de fone.
A segmentação semântica semissupervisionada (SSSS) há muito se concentra em uma questão: em quais pseudo-rótulos confiar, e a respondeu com uma filtragem de confiança cada vez mais criteriosa. As arquiteturas de base fundamentais mudam o regime: com um professor DINOv2, um limiar estrito já retém um conjunto medido de pseudo-rótulos com 98% de pureza, de modo que a precisão restante não reside no filtro, mas na forma como o espaço de embeddings é estruturado por classe. Propomos o PixCon, uma estrutura de contraste positivo entre pixels limpos. O PixCon mantém um banco de memória por classe que admite apenas pixels rotulados que o estudante já classifica corretamente, garantindo um conjunto positivo livre de contaminação (ρ_F=0) por construção, diferentemente dos bancos de contraste SSSS anteriores (ReCo, U²PL) construídos a partir de pseudo-rótulos filtrados por confiança. Trata-se de um único ramo sobre uma arquitetura de consistência, não adiciona parâmetros em tempo de inferência e não requer um limiar específico para o banco. Uma análise de primeira ordem do gradiente da InfoNCE supervisionada explica por que a contaminação é prejudicial: seu termo falso positivo escala como ρ_F/(1-ρ_F), que medimos (0,018 no Pascal, 0,106 no ADE20K) em vez de assumir. Em Pascal VOC, Cityscapes e ADE20K, o PixCon iguala ou melhora uma forte linha de base UniMatch V2 baseada em DINOv2 em um protocolo de uma troca com correspondência computacional: melhora todas as sementes do Pascal-1/8 (um ganho por semente de cerca de +0,2 mIoU) e sua média de três sementes atinge 87,90, o valor publicado do UniMatch V2-B. Como a contaminação já é rara sob professores de modelos fundamentais, nossa análise indica que a garantia ρ_F=0 atua principalmente como robustez à medida que os professores enfraquecem, enquanto o ganho de precisão vem de uma supervisão positiva mais limpa, tornando o contraste positivo limpo uma opção robusta e de baixo custo para SSSS com modelos fundamentais.
Instalações científicas de alto rendimento, como o Grande Colisor de Hádrons (LHC), dependem de filtragem de eventos em tempo real (trigger) sob restrições rigorosas de largura de banda, latência e armazenamento. Na prática, os menus de trigger são em grande parte estáticos e ajustados manualmente, podendo tornar-se subótimos à medida que as condições do detector, o empilhamento (pileup) e a composição do fundo mudam ao longo do tempo. Propomos o ajuste online de limiares como um problema de tomada de decisão sequencial: um agente de aprendizado por reforço processa sumários em fluxo contínuo de taxas recentes e características sensíveis ao sinal, atualizando os limiares do trigger para maximizar a eficiência do sinal enquanto segue uma taxa de fundo alvo dentro de uma banda de tolerância. Adaptamos a Otimização de Política Filtrada por Grupo (Group-Filtered Policy Optimization, GFPO) para controle em fluxo contínuo e introduzimos duas variantes (GFPO-F e GFPO-FR) que impõem a viabilidade da taxa de fundo durante o treinamento. Em um benchmark que emula a operação realista do colisor, estudamos dois triggers representativos: um trigger de energia transversal total (H_T), sensível a variações no empilhamento, e um trigger de detecção de anomalias (AD), baseado em perda de reconstrução para assinaturas raras ou não padronizadas. Em fluxos de Monte Carlo, nosso agente aumenta a fração de intervalos de tempo dentro da tolerância em 48% (H_T) e 28% (AD), com um ganho cumulativo de até 2% na eficiência do sinal nesses intervalos dentro da tolerância. Ao transferir da simulação para dados reais de colisão (CMS Run 283408), o mesmo agente, sem ajuste fino, alcança uma melhoria de 56% (H_T) e 28% (AD) na tolerância em relação às referências, com ganho adicional de eficiência de sinal em ambos os triggers. Até onde sabemos, esta é a primeira demonstração de controle de trigger baseado em aprendizado por reforço em dados reais de colisão do Grande Colisor de Hádrons. O código está disponível em https://github.com/Zixind/GFPO_LHC (consulte o repositório para mais detalhes).