Apple ML Research
Fonte de notícias de IA. Os artigos são selecionados e adaptados pela redação do Hamidun News.
Últimas publicações
Apple ML Research apresentou um método para gerar vídeo com som a partir de texto usando Text-to-Sounding-Video
Apple ML Research demonstrou a direção Text-to-Sounding-Video — geração de vídeo com som a partir de texto — e identificou dois problemas-chave não resolvidos.
Apple ML Research propôs modelos compactos para corrigir erros de reconhecimento de fala
Pesquisadores da Apple ML Research propuseram modelos seq2seq compactos em vez de LLMs para corrigir erros de ASR, treinando-os em erros reais e sintéticos.
Apple ML Research Apresentou TopoPrimer—Contexto Topológico para Modelos de Previsão
Apple ML Research mostrou o framework TopoPrimer, que adiciona estrutura topológica global dos dados aos modelos de previsão de séries temporais.
Apple identificou quando a on-policy distillation ajuda no treinamento de modelos
Pesquisadores da Apple ML identificaram em quais condições a on-policy distillation é eficaz para treinar modelos de reasoning, e em quais pode ser ineficaz ou até contraproducente.
Self-Reflective Program Search: Apple melhorou o desempenho de LLMs com contextos longos
A Apple ML Research publicou um estudo sobre o método Self-Reflective Program Search, que melhora a forma como modelos de linguagem processam contextos longos por meio de decomposição recursiva em subconsultas.
Apple desenvolveu o TGPO para treinar modelos de vídeo a entender o tempo
A Apple ML Research apresentou o TGPO, um método que ensina modelos de vídeo a compreender a ordem e a evolução dos eventos em vídeo egocêntrico por meio do reforço do raciocínio temporal.
Apple ML Research: Um neurônio contorna o alinhamento de segurança em LLMs de 1,7 a 70 bilhões de parâmetros
Pesquisadores da Apple demonstraram que a proteção de segurança em LLMs pode ser completamente contornada atacando um único neurônio—sem ajuste fino ou modificação de prompts—em sete modelos de duas famílias de modelos.
Apple apresenta FlowEval: avaliação de interfaces de IA através de cenários reais de navegação
Apple ML Research desenvolveu FlowEval — um framework para avaliação automática de interfaces geradas por IA baseado na comparação de trajetórias de navegação com sites reais.
Apple ML Research Apresenta Weblica — Um Ambiente Escalável para Treinar Agentes Web Visuais
Apple lançou o framework Weblica, que reproduz estados interativos de páginas web e gera ambientes de treinamento via LLM — para treinar de forma confiável agentes de IA que funcionam em navegadores.
Apple desenvolveu MT-EditFlow para edição de imagens com IA em múltiplas etapas
Pesquisadores do Apple ML Research apresentaram MT-EditFlow — um sistema baseado em aprendizado por reforço que resolve o problema de acúmulo de erros na edição iterativa de imagens.
Apple Research: LensVLM Ensina Modelos VLM a Ler Texto em Imagens Altamente Comprimidas
Apple ML Research propôs LensVLM — um framework que permite aos modelos visão-linguagem ler texto pequeno em imagens comprimidas sem perda de precisão.
Apple ML Research desenvolve DynaMiCS para ajuste fino de LLMs sem perda de conhecimento base
DynaMiCS da Apple formula a seleção de dados durante o ajuste fino como um problema de otimização com restrições — para preservar instruções, conhecimento e segurança do modelo ao adaptar para novos domínios.
Apple ML Research Revela Ineficiência no Roteamento Mixture-of-Experts
Pesquisadores da Apple descobriram que tokens em arquiteturas MoE utilizam uma fração negligenciável das rotas teoricamente possíveis, e propuseram uma arquitetura para corrigir isso.
Apple confirma: modelos de difusão para fala escalam como os autorregressivos
Apple ML Research descobriu que modelos de fala baseados em difusão contínua escalam tão previsívelmente quanto modelos autorregressivos, e introduziu a métrica pJSD.
Apple ML Research resolve problema de degradação de modelos ASR em gravações longas
Apple ML Research publicou o método Segmental Attention Decoding — quatro mudanças arquitetônicas que resolvem o principal problema que redes neurais enfrentam ao processar gravações de áudio longas.
Apple publicou Fortress — um framework para estabilizar sistemas de recomendação através de poda de features
Apple ML Research descreveu Fortress — um sistema que elimina instabilidade temporal em modelos de recomendação identificando e removendo features que criam predições inconsistentes.
Apple ML Research investiga as causas das discrepâncias entre rotuladores de dados de segurança de IA
A Apple ML Research desenvolveu um método para analisar as discrepâncias entre os rotuladores de dados de segurança — pessoas que treinam os modelos de IA para distinguir conteúdo aceitável de conteúdo perigoso.
Apple ML Research propôs um método de generalização de modelos de ML para novos domínios sem rotulagem
Pesquisadores da Apple ML Research desenvolveram uma abordagem de domain generalization que se apoia em dados não rotulados de um novo domínio em vez de uma rotulagem cara.
Apple Apresentou Conformal Thinking — Gestão de Riscos para Modelos de Raciocínio Sem Tokens Extras
Apple ML Research apresentou o framework Conformal Thinking: um método que gerencia automaticamente orçamentos de tokens para modelos de raciocínio, garantindo taxas de erro especificadas com computação mínima.
Apple ML Research: como modelos de difusão aprendem a selecionar tokens sem heurísticas manuais
A Apple ML Research propõe substituir heurísticas manuais de seleção de tokens em modelos de linguagem por difusão por políticas aprendidas, para eliminar a instabilidade e a necessidade de ajuste manual de parâmetros.
Apple ML Research propôs o MemoryLLM — uma “memória” interpretável para transformadores
Pesquisadores da Apple descreveram os blocos feed-forward em LLMs como uma memória neural de recuperação e propuseram um método para analisá-los de forma isolada — sem considerar o mecanismo de self-attention.
Apple ML Research: equipes multiagente de LLM limitam agentes especialistas
Apple ML Research demonstrou: equipes auto-organizadas de modelos de linguagem não geram sinergia — elas limitam agentes especialistas, em vez de fortalecê-los.