Artigos de pesquisa em IA selecionados diariamente com traduções
Apresentamos o Vidu S1, um modelo de geração de vídeo interativo em tempo real que suporta controle por voz de personagens digitais. Os usuários podem controlar o conteúdo de geração de vídeo a qualquer momento por meio de instruções de voz. O Vidu S1 suporta geração de vídeo em tempo real de duração infinita, sem desfoque, desvio ou distorção visual. Construído com TurboDiffusion e TurboServe, o Vidu S1 produz vídeos em tempo real a 540p a até 42 FPS em GPUs comuns para consumidores. Os usuários podem fazer upload de imagens personalizadas de pessoas reais, animes e animais de estimação, e escolher diferentes tons de voz para experiências personalizadas. Experimentos mostram que o Vidu S1 atinge o melhor desempenho em todas as métricas de teste, enquanto atende plenamente aos requisitos de inferência em tempo real. Uma demonstração online interativa está disponível em https://vidu.com/vidu-stream.
A complexidade inerente à compreensão de vídeo dificulta determinar se o desempenho em benchmarks de Video-LLM decorre da percepção visual, do raciocínio linguístico ou de conhecimentos prévios. Embora muitos benchmarks tenham surgido para avaliar raciocínio de alto nível, critérios compartilhados para avaliar a compreensão de vídeo permanecem amplamente negligenciados. Em vez de introduzir mais um benchmark, damos um passo atrás para reexaminar os critérios de avaliação da compreensão de vídeo. Neste trabalho, apresentamos o Video-Oasis, um conjunto de ferramentas de diagnóstico sustentável para auditar sistematicamente benchmarks existentes de compreensão de vídeo. Esta auditoria revela que 55% das amostras de benchmarks existentes são solucionáveis sem entrada visual ou contexto temporal. Após filtrar esses atalhos, os desafios restantes nativos de vídeo expõem uma lacuna substancial de capacidade: modelos de última geração têm desempenho apenas marginalmente acima de palpites aleatórios. Com base nesses achados, usamos os desafios destilados como um ambiente de teste para investigar quais escolhas de design algorítmico contribuem para uma compreensão robusta de vídeo. Esperamos que nosso trabalho forneça uma base prática para a construção de benchmarks rigorosos de vídeo e para a avaliação de futuros Video-LLMs. O código está disponível em https://github.com/sejong-rcv/Video-Oasis.
O Reconhecimento de Ação Composicional Zero-Shot (ZS-CAR) exige o reconhecimento de novas combinações verbo-objeto compostas por primitivas previamente observadas. Neste trabalho, abordamos um modo crítico de falha: modelos predizem verbos por meio de atalhos orientados por objeto (ou seja, baseados na classe rotulada do objeto) em vez de evidências temporais. Argumentamos que a supervisão composicional esparsa e a assimetria de aprendizado verbo-objeto podem promover o aprendizado de atalhos orientados por objeto. Nossa análise, utilizando métricas de diagnóstico propostas, mostra que métodos existentes superajustam padrões de coocorrência de treinamento e subutilizam pistas verbais temporais, resultando em fraca generalização para composições não vistas. Para lidar com atalhos orientados por objeto, propomos as Representações Composicionais Robustas (RCORE) com dois componentes. A Regularização de Prior de Coocorrência (CPR) adiciona supervisão explícita para composições não vistas e regulariza o modelo contra priors frequentes de coocorrência, tratando-os como negativos difíceis. A Regularização de Ordem Temporal para Composição (TORC) impõe sensibilidade à ordem temporal para aprender representações verbais fundamentadas temporalmente. Em Sth-com e EK100-com, RCORE reduz os diagnósticos de atalhos e, consequentemente, melhora a generalização composicional.
O rápido desenvolvimento de modelos de linguagem de grande porte e modelos de linguagem multimodais de grande porte acelerou o surgimento de agentes proativos capazes de operar ferramentas cotidianas e auxiliar usuários em ambientes do mundo real. No entanto, os benchmarks existentes têm dificuldade em avaliar tais agentes de forma eficaz, pois frequentemente dependem de ambientes isolados e paradigmas de avaliação de turno único. Além disso, suas taxonomias de tarefas baseadas em cenários misturam múltiplas capacidades dos modelos dentro da mesma categoria de tarefa, dificultando a identificação das causas raiz das falhas dos agentes. Para superar essas limitações, apresentamos o UniClawBench, o primeiro benchmark orientado por capacidades projetado para avaliar agentes proativos em ambientes dinâmicos e reais. O UniClawBench é construído em torno de cinco capacidades fundamentais dos modelos: Uso de Habilidades, Exploração, Raciocínio de Contexto Longo, Compreensão Multimodal e Coordenação entre Plataformas. Com base nessas capacidades, projetamos 400 tarefas bilíngues do mundo real. Diferentemente de benchmarks anteriores que dependem de respostas estáticas e pré-gravadas, nosso benchmark avalia agentes em contêineres Docker ativos, utilizando pontos de verificação de conclusão detalhados e passo a passo. Além disso, projetamos uma estratégia de avaliação em malha fechada composta por um agente executor, um agente supervisor oculto e um agente usuário, para simular feedback humano realista de múltiplos turnos sem vazar critérios de avaliação. Para desvincular as capacidades do modelo base das escolhas de design ao nível da estrutura, avaliamos modelos de última geração sob múltiplas estruturas de agentes. Por meio de comparações abrangentes entre modelos e estruturas, mostramos como as capacidades do modelo base e os designs das estruturas de agentes moldam conjuntamente o desempenho em ambientes reais. Para facilitar pesquisas futuras, disponibilizamos publicamente nosso benchmark e código em https://github.com/HKU-MMLab/UniClawBench.
Ideias científicas raramente partem de uma página em branco. Elas herdam mecanismos, reparam limitações conhecidas e recombinam fragmentos de trabalhos anteriores, de forma semelhante aos genomas biológicos. Os benchmarks atuais ainda pouco dizem sobre se sistemas de IA conseguem seguir essa estrutura de herança. Apresentamos o IdeaGene-Bench (IG-Bench), um benchmark para raciocínio de linhagem científica e geração de ideias fundamentada em linhagens. O IG-Bench é organizado em torno da estrutura IdeaGene: cada artigo ou proposta é representado como um conjunto de objetos mínimos, tipados e baseados em evidências chamados Genoma de Ideia, e um GenomeDiff alinha esses objetos para registrar herança, mutação, perda, importação externa e inserção novel sob seis dinâmicas evolutivas operacionais. O benchmark contém 1.961 rastros dourados de linhagem, 1.085 objetos de Genoma de Ideia curados e 920 registros de GenomeDiff pareados em 10 domínios científicos. Ele oferece suporte a duas avaliações. O IG-Exam (42 tipos de tarefa, 1.029 instâncias) testa o raciocínio de linhagem em forma fechada, abrangendo abstração do Genoma de Ideia, rastreamento de herança, raciocínio evolutivo e verificação de linhagem. O IG-Arena avalia a geração com um Escore de Evolução Populacional (PES) condicionado à linhagem, perguntando se uma proposta pode ser inserida como descendente coerente de uma determinada população de linhagem: ela deve herdar os objetos corretos do Genoma de Ideia, variar significativamente em relação a trabalhos próximos e oferecer valor seletivo para pesquisas futuras. Experimentos com 14 cientistas baseados em LLM revelam um gargalo composicional. O sistema mais forte atinge apenas 27,3% de precisão exata no raciocínio de linhagem, e o contexto estruturado de linhagem reorganiza as classificações dos sistemas, em vez de ajudar todos os participantes de forma uniforme.
Recuperar vídeos de alta qualidade a partir de fluxos de eventos esparsos é uma tarefa desafiadora. Métodos de regressão frequentemente borram texturas, enquanto modelos generativos existentes enfrentam dificuldades com estabilidade de longo prazo. Propomos LongE2V, uma abordagem inovadora que utiliza priores de difusão de vídeo pré-treinados para lidar conjuntamente com reconstrução, predição e interpolação de quadros baseadas em eventos. Ao ajustar finamente um modelo fundamental de vídeo, nossa abordagem alcança alta eficiência de dados e qualidade perceptual superior. Introduzimos Desenrolamento Autorregressivo e Comutação Adaptativa de Contexto para mitigar a deriva temporal em sequências extremamente longas. Propomos também Alinhamento com Re-codificação via Correção Residual Cruzada para garantir consistência bidirecional precisa durante a interpolação de quadros. Além disso, o Aumento de Densidade de Voxels de Eventos assegura robustez em diferentes resoluções de sensores. Experimentos extensivos em benchmarks do mundo real demonstram que LongE2V supera métodos estado-da-arte em todas as três tarefas, exibindo coerência temporal excepcional e generalização zero-shot. Página do projeto: https://cdfan0627.github.io/LongE2V-page/
Neste trabalho, apresentamos o Canvas360, uma estrutura em dois estágios para geração panorâmica in-context que combina pré-treinamento ciente da geometria com ajuste fino específico para tarefas posteriores. Para lidar com a falta de dados de treinamento em larga escala e alta qualidade adaptados a tarefas panorâmicas in-context, propomos o Canvas360Dataset, uma coleção de 1 milhão de amostras panorâmicas pareadas de alta qualidade para transferência de estilo, inpainting, outpainting e edição, possibilitando supervisão eficaz em diversos cenários de geração in-context. No lado da modelagem, o Canvas360 aprimora a geração texto-para-panorama por meio de geração de profundidade paralela, preenchimento circular de velocidade e regularização de perda de similaridade, permitindo que o modelo aprenda representações conscientes da geometria, capture detalhes de distorção de objetos e melhore a consistência geométrica e a coerência global. Além disso, capacitado por fortes priors panorâmicos, o Canvas360 possibilita uma estrutura unificada de geração panorâmica in-context que suporta diversas tarefas posteriores por meio de concatenação no nível de token, superando métodos anteriores tanto em cobertura de tarefas quanto em flexibilidade de modelagem. Experimentos extensos mostram que o Canvas360 melhora a fidelidade da imagem panorâmica, alcançando desempenho particularmente forte na métrica FAED específica para panoramas e resultados competitivos ou líderes nas avaliações quantitativas reportadas. Mais informações podem ser encontradas em nossa página do projeto: https://zry000.github.io/Canvas360/
As abordagens computacionais atuais para o design de fármacos geralmente focam na geração de moléculas condicionadas a alvos específicos ou propriedades moleculares gerais, negligenciando frequentemente a influência do contexto da doença no comportamento do alvo e nos resultados terapêuticos. Para preencher essa lacuna, apresentamos o DrugGen-2, um novo modelo generativo que projeta pequenas moléculas condicionadas tanto à ontologia de doenças quanto às sequências de proteínas alvo. O DrugGen-2 foi desenvolvido por meio do ajuste fino de um modelo GPT-2 pré-treinado em um conjunto curado de dados de fármacos aprovados, vinculados às suas doenças e alvos, utilizando uma estratégia de duas etapas: ajuste fino supervisionado seguido de aprendizado por reforço via otimização de política relativa em grupo (GRPO). Esse processo foi guiado por funções de recompensa que otimizam validade química, novidade, diversidade e alta afinidade de ligação prevista. Quando avaliado em cinco proteínas alvo relevantes para nefropatia diabética, o DrugGen-2 superou significativamente os modelos de base (DrugGPT e DrugGen). Ele demonstrou capacidade superior de gerar moléculas únicas, apresentou maior similaridade estrutural com fármacos aprovados e alcançou afinidades de ligação previstas melhores em todos os alvos. Análises de docking molecular corroboraram esses achados, identificando ligantes candidatos com forte potencial de ligação, incluindo compostos com afinidades previstas (-9,917, -9,485 e -9,367) superiores às de fármacos de referência, como o enalapril para a enzima conversora de angiotensina (-8,283). Ao integrar o contexto específico da doença na geração molecular, o DrugGen-2 avança na descoberta de fármacos assistida por inteligência artificial, oferecendo uma ferramenta poderosa para design de novo e reposicionamento de fármacos que leva em conta a complexa interação entre doenças e alvos moleculares.
A crescente demanda pela criação de imagem para vídeo em dispositivos móveis tem se concentrado cada vez mais em efeitos cinematográficos como bullet time, dolly zoom, câmera lenta, entre outros. Embora os Transformers de Difusão (DiTs) apresentem desempenho robusto na geração de vídeos, seus grandes tamanhos de parâmetros e processos iterativos de remoção de ruído em múltiplas etapas geram uma sobrecarga computacional significativa, tornando a geração eficiente em dispositivos móveis um desafio. Propomos o CineMobile para preencher essa lacuna. Especificamente, o CineMobile adota uma estratégia de otimização tripla: (1) aproveitamento de uma abordagem de poda guiada por destilação para obter um modelo compacto, porém eficiente, que retenha as capacidades essenciais de geração de vídeo necessárias para efeitos cinematográficos; (2) otimização do modelo comprimido em um gerador de 4 etapas por meio de uma combinação de destilação por difusão e aprendizado por reforço; (3) emprego de uma estratégia híbrida de quantização pós-treinamento para comprimir o tamanho do modelo para menos de 1 GB. Resultados experimentais mostram que, em comparação com o modelo professor baseado na arquitetura Wan 2.1, o CineMobile alcança uma aceleração de 40x na geração, mantendo qualidade visual comparável. Especificamente, o CineMobile gera vídeos de 49 quadros em resolução 480p com uma latência de remoção de ruído por etapa de 0,6s em uma GPU NVIDIA H200 e 20s na plataforma MediaTek Dimensity 8400 Ultimate 5G, com um pico de uso de memória de 1,8 GB, demonstrando sua aplicabilidade prática para a criação de imagem para vídeo em dispositivos móveis.
Modelos de linguagem grandes (LLMs) modernos são cada vez mais implantados em aplicações de contexto longo, como geração aumentada por recuperação, codificação em nível de repositório e fluxos de trabalho agentivos, cujos traços acumulados de raciocínio e ferramentas rotineiramente empurram a entrada para uma ordem de grandeza além da janela de pré-treinamento, tornando a extensão de contexto zero-shot a via de implantação dominante para checkpoints de pesos abertos. A maioria dos métodos zero-shot existentes fixa um único fator de reescalonamento de antemão, de modo que um fator agressivo sacrifica a fidelidade de contexto curto, enquanto um conservador falha em contextos longos. Propomos Jet-Long, um método zero-shot sem ajuste fino que emparelha uma janela local fiel à RoPE com uma janela de longo alcance cujo fator de reescalonamento se adapta dinamicamente ao comprimento atual da sequência, recuperando o modelo base exatamente em entradas curtas e extrapolando de forma limpa em entradas longas. Uma fusão de atenção por inclusão-exclusão e uma rotação de correção de RoPE em tempo real tornam a construção bifocal essencialmente gratuita na inferência; fundida em um único kernel CuTe, a pré-carga de contexto longo atinge até 1,39 vezes o throughput FA2 em H100 (aproximando-se do FA4 apenas para Hopper), e a geração de lote único incorre em ≤ 4% de sobrecarga em todos os comprimentos. No Qwen3-1.7B/4B/8B com até 128K de contexto, Jet-Long lidera o RULER em +4,79/+2,18/+2,03 pp sobre a linha de base mais forte em 1.7B/4B/8B, alcança a melhor precisão geral no HELMET-RAG (um benchmark identificado pelo HELMET como o preditor mais eficiente de desempenho downstream em contexto longo) e obtém a menor perplexidade no PG-19. Jet-Long também se generaliza para arquiteturas de atenção híbridas, como Jet-Nemotron, para melhoria adicional de contexto longo sem re-treinamento, e permanece resiliente a hiperparâmetros para facilidade de implantação.
A autoatenção permite que cada token recupere informações de todo o contexto, mas seu custo quadrático em relação ao comprimento da sequência limita o treinamento e a inferência com contextos longos. Este artigo apresenta um estudo comparativo entre a atenção softmax e quatro arquiteturas recentes de atenção linear recorrente: DeltaNet, Gated DeltaNet, Kimi Delta Attention e Gated DeltaNet-2. Expressamos esses mecanismos em uma notação comum de memória recorrente, explicitando como eles diferem em expressividade, decaimento de memória, controle de apagamento e escrita, taxa de transferência de treinamento e complexidade de implementação. Nossos experimentos focam em modelos de 350 milhões de parâmetros treinados com 15 bilhões de tokens, e incluem comparações de otimizadores e taxas de aprendizado, comparações de pilhas híbridas versus puras, medições de tempo de execução para diferentes comprimentos de sequência, execuções maiores de DeltaNet com 1,3B e 3B de parâmetros, e um pequeno conjunto de avaliações downstream. Os resultados de velocidade reportados medem a taxa de transferência de treinamento e o tempo por iteração; não fornecemos um benchmark empírico de velocidade de inferência. Dentre as condições reportadas (350M de parâmetros, 15B de tokens), a Kimi Delta Attention com Muon atinge a menor perda de validação final, uma pilha pura de Gated DeltaNet treinada com AdamW apresenta a maior taxa de transferência de treinamento normalizada, pilhas híbridas geralmente melhoram a perda a um custo de taxa de transferência, e o Muon consistentemente reduz a perda de validação final em relação ao AdamW nas configurações de arquitetura pareadas que avaliamos. Introduzimos e avaliamos mecanismos leves de roteamento entre camadas para memórias do estilo DeltaNet. A formulação mais natural inspirada no DeltaNet, que encaminha o erro de escrita da regra delta de uma camada inferior para o alvo de valor da camada seguinte, não melhora em relação às linhas de base pareadas. Roteamento para o fluxo oculto alinhado e encaminhamento do valor de escrita, por outro lado, produz uma melhoria modesta nas execuções pareadas que reportamos: o Roteamento de Valor entre Camadas (CLVR) reduz a perda de validação final tanto para DeltaNet quanto para Gated DeltaNet.
A aprendizagem por reforço (RL) tornou-se o paradigma padrão para aprimorar as capacidades de raciocínio complexo de grandes modelos de linguagem (LLMs). Para alcançar eficiência amostral, estruturas modernas de RL dependem da amostragem por importância (IS). No entanto, esses algoritmos sofrem de um dilema entre exploração e estabilidade. A IS pura frequentemente leva a uma instabilidade catastrófica no treinamento, enquanto mecanismos de clipping padrão usados para mitigar essa instabilidade restringem estritamente o orçamento de atualização da política. Ao formalizar o conceito de Capacidade de Probabilidade (Cap), revelamos que o clipping conservador sufoca estruturalmente a exploração ao truncar prematuramente o orçamento de atualização para caminhos de raciocínio corretos, mas de baixa confiança. Para romper essas restrições, propomos a Otimização Assimétrica Positiva Ilimitada (UP), um objetivo universal e plug-and-play. A UP reestrutura teoricamente o processo de otimização ao ancorar a política em seu estado atual por meio do operador stop-gradient. Esse design assimétrico libera gradientes estáveis e sem clipping para vantagens positivas, maximizando a exploração, enquanto mantém salvaguardas de clipping padrão para vantagens negativas, prevenindo instabilidade no treinamento. Além disso, nossa formulação se estende prontamente a diferentes granularidades de otimização, incluindo estruturas em nível de token (GRPO, DAPO) e em nível de sequência (GSPO). Experimentos extensos demonstram que a UP aumenta a capacidade de exploração e alcança precisão de raciocínio superior em diversos algoritmos de RL (DAPO, GSPO e GRPO), arquiteturas de modelo (Densa, MoE e visão-linguagem) e modalidades de treinamento (linguagem e multimodal), validando a UP como um aprimoramento verdadeiramente universal plug-and-play para treinamento baseado em RL.
Em tarefas de longo horizonte, o estado relevante para a decisão frequentemente está disperso ao longo de uma trajetória em expansão, enquanto o agente de ação precisa trazê-lo à tona e agir. À medida que as trajetórias crescem, requisitos da tarefa, fatos do ambiente, tentativas anteriores, diagnósticos e subobjetivos em aberto podem ficar soterrados na janela de contexto ou empurrados para além dela, deixando de influenciar as decisões quando necessário. Chamamos esse modo de falha de "decaimento do estado comportamental". Estudamos a memória como um mecanismo de intervenção ativa, em vez de recuperação passiva. Um agente de memória separado opera em paralelo com um agente de ação inalterado, atualizando um banco de memória estruturado a partir da trajetória recente e decidindo se deve injetar um lembrete fundamentado na memória ou permanecer em silêncio. O módulo é plug-and-play com agentes de ação de fronteira e arneses de agentes existentes. No Terminal-Bench 2.0 e no τ^2-Bench, ele melhora o pass@1 tanto para agentes de ação mais fracos quanto para os mais fortes, com ganhos de +8,3 p.p. no Terminal-Bench e +6,8 p.p. no τ^2-Bench. Ablações mostram que a intervenção seletiva supera a exposição passiva ao banco, a injeção sempre ativa, a orientação apenas de consultor e a recuperação geral. Como um passo inicial em direção a políticas de memória de pesos abertos, treinamos o Qwen3.5-27B no SETA usando SFT e GRPO, melhorando a recompensa de validação e alcançando transferência parcial para o Terminal-Bench.
Ressonância magnética (RM) de super-resolução é essencial para melhorar a acessibilidade diagnóstica, mas a maioria dos métodos a trata como um mapeamento determinístico de uma entrada de baixa resolução fixa para um alvo de alta resolução. Isso ignora uma propriedade fundamental da física de aquisição de RM: a resolução espacial e a relação sinal-ruído (SNR) são inerentemente acopladas, fazendo com que qualquer aquisição de baixa resolução seja apenas uma entre muitas realizações possíveis sob diferentes compromissos de aquisição. Repensamos a super-resolução de RM como um problema de reconstrução ciente da física, no qual o objetivo é identificar a configuração ótima de resolução-SNR e então super-resolvê-la para obter resultados de RM de alta qualidade. Uma implicação central dessa formulação é que a resolução da RM se torna dinâmica, em vez de fixa. Para lidar com essas entradas de resolução heterogênea, adaptamos o Gaussian Splatting 2D (2D GS) para RM, formulando a reconstrução como um problema de renderização baseada em coordenadas e agnóstica à resolução. Para aprimorar ainda mais a fidelidade, introduzimos três inovações: (1) uma representação gaussiana ciente de priori que combina uma Priori de Estrutura Anatômica para inicialização de kernel específica do tecido com uma Priori de Sistema de Imagem que captura características do hardware por meio de um dicionário de covariância; (2) um esquema de modelagem de sinais restrito pela física que prevê parâmetros intrínsecos do tecido (densidade protônica ρ e taxa de relaxação efetiva R₂) e sintetiza intensidades por meio de equações físicas governantes, garantindo contraste biofisicamente plausível; e (3) uma estrutura de meta-aprendizagem que alivia a escassez de dados pareados ao pré-treinar em dados simulados e se adaptar a condições reais. Experimentos extensivos em conjuntos de dados de resolução dinâmica e benchmarks padrão demonstram que nosso método alcança desempenho de estado da arte, destacando seu forte potencial para implantação clínica.
O escalonamento em tempo de inferência para geração de texto para imagem evoluiu da simples amostragem Melhor-de-N (BoN) para métodos de busca guiada que verificam e direcionam trajetórias candidatas em etapas intermediárias de remoção de ruído. Essas abordagens focam em quando e com que frequência verificar durante a remoção de ruído, mas tratam em grande parte o custo da própria geração como fixo. Além disso, a prática padrão de comparar métodos pelo número de avaliações de função (NFEs) conta apenas as passagens diretas de remoção de ruído e ignora a sobrecarga do verificador, o que pode distorcer as classificações de eficiência. Mostramos que, sob avaliação em tempo real, o BoN simples já iguala ou supera diversas técnicas de busca guiada, sugerindo que o poder computacional é melhor empregado em exploração mais ampla do que em verificação intermediária repetida. Isso motiva o Flash-BoN, que gera um grande conjunto de candidatos de rascunho de baixo custo combinando três alavancas de aceleração complementares—truncamento de passos temporais, pulo de camadas e proxies de ativação—em uma única configuração otimizada uma vez por modelo. Um procedimento eficiente de verificação em múltiplos estágios identifica então o rascunho mais promissor, que é refinado em qualidade total. Em três benchmarks e três escalas de modelo, o Flash-BoN supera consistentemente todas as linhas de base sob orçamentos fixos de tempo real, com ganhos que aumentam em escalas de modelo maiores (+8% AUC). Mostramos ainda que nossa estratégia se combina bem e melhora técnicas ortogonais existentes, como otimização de prompts baseada em reflexão (+16% AUC). Os ganhos correlacionam-se com o aumento da diversidade de candidatos, o que também permite a seleção guiada por rascunho para acelerar a convergência do pós-treinamento por aprendizado por reforço.
Aplicações de áudio semântico exigem cada vez mais geração controlável em hardware commodity e embarcado, em vez de pilhas de datacenter com grande dependência de frameworks. Apresentamos o aria, um runtime nativo livre de dependências que executa o pipeline completo de texto para música do Stable Audio~3 (SA3) em GPUs comuns, máquinas apenas com CPU e um Raspberry~Pi~5, sem Python ou framework de aprendizado profundo subjacente. Nossa principal contribuição é um estudo de quantização: executar o modelo em precisão numérica reduzida para se adequar a orçamentos de memória restritos, economizando memória no lugar em vez de adicioná-la. Como o runtime possui cada tensor interno, ele também expõe a ativação por direcionamento (activation steering), uma maneira de baixo custo para direcionar o que o modelo gera. Avaliamos o custo de qualidade com três medidas independentes da saída (aderência à instrução, qualidade geral do áudio, preservação do gosto), cada uma comparada com a variação comum entre sementes aleatórias. A precisão de oito bits não mostra perda mensurável de qualidade em nenhuma medida, enquanto reduz drasticamente a memória, e é o modo mais rápido na GPU; quatro bits adiciona um custo pequeno e limitado, mas reduz o tamanho o suficiente para executar o modelo de 1,2 bilhão de parâmetros em um Pi de 8\,GB. Comparado com a implementação oficial, o aria iguala ou supera a velocidade de geração e inicia cerca de sete vezes mais rápido. Um estudo de caso da interface de direcionamento gera música que carrega associações de gosto (condimento sônico - sonic seasoning), com controle genuíno, porém limitado, para um subconjunto de atributos. Esses resultados tornam um runtime compacto e quantizado com controle embutido uma base prática para áudio semântico em dispositivos em ambientes de Internet dos Sons. O runtime aria está disponível em https://github.com/matteospanio/aria.
Modelos de linguagem de grande porte (LLMs) atuam cada vez mais como agentes integrados de ciência de dados, combinando raciocínio abstrato com uso avançado de ferramentas. No entanto, o panorama relevante de benchmarks divide-se amplamente entre benchmarks de raciocínio causal simbólico sem análise realista de dados, ou benchmarks de análise de dados sem uma estrutura causal geradora de dados fundamentada. Além disso, os conjuntos de dados de avaliação causal existentes são frequentemente restritos a exemplos selecionados de fontes existentes, com diversidade proveniente de variações limitadas baseadas em modelos, em vez de geração sistemática de novas estruturas causais sintéticas. Apresentamos o CausalDS, um benchmark para avaliar o raciocínio causal em fluxos de trabalho agentivos de ciência de dados. Cada instância do benchmark é uma cena composta por um modelo causal estrutural (SCM) amostrado com dados observacionais gerados e uma história sintética em linguagem natural acompanhante, fundamentada em um domínio realista. Opcionalmente, fundamentamos a composição dos componentes do benchmark em distribuições empíricas obtidas de conjuntos de dados do mundo real, retendo assim a estrutura empírica enquanto reduzimos o risco de "papagaio causal" por meio de geração completamente sintética. A partir de cada cena, derivamos tarefas que abrangem todos os três degraus de Pearl, com tarefas típicas de previsão em ciência de dados aparecendo como Degrau 1. A maioria das tarefas inclui um componente de codificação em ciência de dados, no qual o modelo tipicamente precisa usar várias ferramentas para chegar à resposta final devido à presença frequente de observações imperfeitas, que são geradas por um modelo de observação. Além disso, reconhecer quando uma pergunta não admite uma resposta justificada e abster-se é tratado como um resultado pontuado de primeira classe. O benchmark, portanto, avalia conjuntamente raciocínio causal simbólico, ciência de dados, quantificação de incerteza, abstenção e uso de ferramentas/codificação.
Em uma classe de circuitos quânticos conhecidos como circuitos com pico acentuado, o objetivo é prever a cadeia de bits mais provável na saída do circuito. Como esses circuitos são projetados para ter um pico acentuado em sua distribuição de saída, em princípio deve ser possível simulá-los utilizando um vetor de estado truncado com um número limitado de termos, ou uma fração da massa de probabilidade total. Essa simulação aproximada pode ser realizada em um computador clássico com uma representação esparsa que armazena apenas as amplitudes não nulas do vetor de estado, em contraste com as representações densas que são comuns na maioria dos simuladores quânticos. Para eficiência, todas as operações no vetor de estado devem ser vetorizadas ao máximo possível e, se disponível, a aceleração por hardware também pode ser utilizada. Este trabalho descreve como esses requisitos foram atendidos em uma implementação de código aberto, e discute seu desempenho e limitações.
A Segmentação Moderna de Objetos em Vídeo (VOS) envolve o rastreamento e a segmentação de alvos especificados pelo usuário. Embora abordagens recentes tenham alcançado desempenho notável em cenários de alvo único, sua extensão para configurações de múltiplos alvos geralmente requer a replicação do processamento de alvo único para cada objeto individual, resultando em taxas de quadros (FPS) reduzidas com latência ilimitada à medida que o número de alvos aumenta. Com base no Segment Anything 2 (SAM2), propomos o SAM-MT, que resolve esse problema transformando o modelo em uma estrutura interativa para segmentação de vídeo em tempo real com múltiplos alvos. O SAM-MT utiliza consultas explícitas para representar diferentes alvos individuais, em paralelo com uma representação compartilhada para contexto global. Ele emprega atenção mascarada desacoplada para manter identidades individuais distintas de interferências entre alvos, e memória esparsa para evolução temporal estável, juntamente com estratégias especializadas para tratamento de oclusão e prevenção de sobreposição. O SAM-MT consegue desacoplar a latência do número de alvos, atingindo velocidade em tempo real comparável às referências de alvo único (>36 FPS para 10 alvos), mantendo o desempenho robusto de segmentação de vídeo do SAM2.
Um desafio fundamental no PLN árabe é a escassez de dados dialetais em relação ao Árabe Padrão Moderno (APM), fazendo com que os LLMs superproduzam APM e tenham dificuldade com a geração dialetal precisa. Do ponto de vista da interpretabilidade, isso levanta uma questão fundamental: onde e como as características dialetais são codificadas no interior do modelo, e essas representações podem ser aproveitadas para melhorar a geração dialetal sem ajuste fino? Este estudo investiga duas abordagens complementares em tempo de inferência que servem simultaneamente como sondas de interpretabilidade e mecanismos de controle. Primeiro, realizamos uma análise em nível de neurônios, identificando populações esparsas de neurônios que codificam características dialetais específicas e mostrando que amplificar ou suprimir esses neurônios pode direcionar as saídas do modelo para dialetos alvo. Segundo, motivados pelo entrelaçamento das características dialetais no nível de neurônios individuais, aplicamos uma abordagem de direcionamento vetorial que extrai direções de ativação específicas do dialeto e as injeta durante a inferência. Juntos, esses métodos iluminam a geometria do conhecimento dialetal em LLMs árabes e oferecem um arcabouço fundamentado em princípios e baseado em interpretabilidade para controle de dialeto sem exigir ajuste fino específico do dialeto.
Apresentamos o PAST-TIDE, nosso sistema de detecção de posicionamento que aborda ambas as sub-tarefas da Tarefa Compartilhada StanceNakba no NakbaNLP@LREC-COLING 2026. A ideia principal é o ajuste por declarações (statement tuning). Redefinimos a detecção de posicionamento como modelagem de linguagem mascarada do tipo cloze (MLM), permitindo que um verbalizador mapeie palavras-alvo para categorias de posicionamento por meio da cabeça de MLM pré-treinada, em vez de anexar uma cabeça de classificação inicializada aleatoriamente. Complementamos isso com aprendizado contrastivo prototípico, que utiliza protótipos de classe aprendíveis para treinamento contrastivo independente do tamanho do lote, e normalização de camada condicionada ao tópico para detecção de posicionamento em árabe entre tópicos. O PAST-TIDE alcança pontuações macro-F1 de 0,75 para a Sub-tarefa A e 0,74 para a Sub-tarefa B no ranking oficial, indicando que adições arquitetônicas mínimas a um modelo pré-treinado podem permanecer competitivas em cenários de baixos recursos.