75 materiais
Com base nos conjuntos de dados IEMOCAP e MELD, comparam-se a geração de rótulos emocionais e um classificador linear aplicado às representações ocultas de uma SpeechLLM compacta. O ganho de desempenho do classificador não é universal: depende do corpus e de serem usadas transcrições de referência ou resultados de ASR.
O artigo compara a seleção global exata de um conjunto compatível de medicamentos, implementada através de programação linear inteira mista, com vários esquemas locais de resolução de conflitos de DDI, usando pontuações FLAME fixas no MIMIC-III. Na amostra de teste, a abordagem global apresenta uma vantagem pequena, mas consistente, em termos de Jaccard, que aumenta quando as restrições são mais rigorosas e atinge +0.0064 em relação ao método de base local mais forte.
O trabalho propõe um protocolo que fixa a pergunta e a resposta de referência em oito formas de apresentação da estrutura e assinala separadamente as relações no GraphSpace. As experiências com afinação com pares, mascaramento de campos-alvo e adição de evidências mostram que o modelo é capaz de aprender tanto a aplicação da relação como o seguimento de referências, mas a remoção da referência reduz a precisão para níveis inferiores aos dos percursos heurísticos.
Segundo estimativas da Apptopia, nos primeiros 12 dias no iOS nos EUA e no Canadá, Muse teve 1,8 milhões de downloads, contra 1,3 milhões do ChatGPT; nos EUA, também teve mais utilizadores diários. A comparação baseia-se em estimativas externas e abrange condições de lançamento diferentes: o ChatGPT foi lançado imediatamente no mercado internacional, enquanto Muse foi lançado apenas nos EUA e no Canadá.
O artigo analisa a arquitetura SPARSEUP e os seus resultados: 56,4 nDCG@10 no BEIR-13, bem como mais de 97% de recall em conjunto com o índice Seismic, em cerca de 380 microssegundos por consulta. A análise aborda técnicas que preservam a esparsidade dos vetores, a comparação com outros modelos e as condições de distribuição ao abrigo da licença Apache 2.0.
O novo modelo reconhece a fala em modos em lote e em streaming; a SpaceXAI informa que, no teste de frases curtas em 19 idiomas, a taxa de erro caiu de 20,6% para 6,8%. O resumo apresenta os preços da API e os resultados de testes comparativos, que ainda não foram verificados de forma independente.
Os autores propõem uma camada de memória partilhada e sistemática: os agentes guardam informações estruturadas, enquanto o sistema controla a sua seleção, proteção de dados e transmissão aos modelos. Nos testes com o AIOS, esta abordagem melhorou a personalização em relação ao armazenamento externo e ao RAG e, em comparação com a transmissão do contexto completo, reduziu a latência em 15–61%, com resultados comparáveis em dois dos três modelos.
O estudo compara duas formas de aplicar pacotes de conhecimento prontos: incluir as respetivas instruções no contexto de trabalho do agente ou delegar subtarefas a agentes separados. A delegação é mais eficaz quando as entradas, os resultados e os procedimentos estão bem definidos, mas exige custos adicionais de coordenação.
O artigo apresenta o XAI-Arena — um sistema que compara explicações de IA segundo vários critérios, tendo em conta diferentes modelos e interesses dos utilizadores. As avaliações feitas por LLMs apresentam uma concordância considerável com os julgamentos humanos (ρ de Spearman = 0,693), indicando a possibilidade de escalar a análise comparativa de explicações.
