Apple ML Research
Fonte de notícias de IA. Os artigos são selecionados e adaptados pela redação do Hamidun News.
Últimas publicações

Apple propõe o SelfCompact: o agente decide sozinho quando compactar o contexto
Pesquisadores da Apple tiraram o limite fixo de tokens da compactação de contexto: no SelfCompact, o modelo escolhe quando e como compactar, por meio de uma ferramenta própria.

Apple Research apresenta o Minions: uma nuvem de GPUs virtual feita com Macs ociosos
Pesquisadores da Apple descrevem o Minions, uma nuvem distribuída que reúne GPUs Apple Silicon ociosas em dispositivos macOS para rodar inferência de ML em grande escala.

Apple testou LLMs como juízes de tradução: com MQM e ESA, a tarefa é difícil para humanos e modelos
A Apple ML Research comparou a avaliação da qualidade de tradução automática feita por LLMs e por humanos nos esquemas MQM e ESA. A conclusão está no título: ambos têm dificuldades.

Apple ML Research estuda alignment em LLMs multimodais e a tendência dessas IAs a alucinar
Pesquisadores da Apple ML Research publicaram um estudo abrangente sobre o papel do preference alignment em modelos de linguagem multimodais e explicam por que as alucinações ali são mais complexas do que em LLMs comuns.

Apple ML Research propõe modelos compactos para corrigir erros de reconhecimento de fala
A Apple ML Research propõe modelos seq2seq compactos no lugar de LLMs para corrigir erros de ASR, treinados com erros reais e sintéticos.

Apple ML Research apresenta método de geração de vídeo com áudio a partir de texto, o Text-to-Sounding-Video
A Apple ML Research apresentou a linha de pesquisa Text-to-Sounding-Video, que gera vídeo com áudio a partir de texto, e apontou dois problemas centrais ainda sem solução.

Apple ML Research apresenta o TopoPrimer, contexto topológico para modelos de previsão
A Apple ML Research apresentou o TopoPrimer, framework que adiciona a estrutura topológica global dos dados a modelos de previsão de séries temporais.

Apple esclarece quando a on-policy distillation realmente ajuda no treinamento de modelos
Pesquisadores da Apple ML identificam em que condições a on-policy distillation funciona no treinamento de modelos de raciocínio e quando pode ser ineficaz ou até contraproducente.

Self-Reflective Program Search: Apple melhora o trabalho de LLMs com contextos longos
A Apple ML Research publicou um estudo sobre o Self-Reflective Program Search, método que melhora o trabalho dos modelos de linguagem com contextos longos ao decompô-los recursivamente em subconsultas.

Apple desenvolve TGPO para ensinar modelos de vídeo a entender o tempo
A Apple ML Research apresenta o TGPO, método que ensina modelos de vídeo a entender a ordem e a evolução dos eventos em vídeo egocêntrico por meio de reforço do raciocínio temporal.

Vulnerabilidade em IA: um único neurônio contorna a proteção de grandes modelos, diz Apple
Pesquisadores da Apple mostram que a proteção de LLMs pode ser totalmente contornada ao atuar sobre um único neurônio, sem novo treinamento nem alteração de prompts, em sete modelos de duas famílias.

FlowEval, da Apple, usa IA para avaliar interfaces geradas por IA
A Apple ML Research criou o FlowEval, um framework que avalia automaticamente interfaces geradas por IA comparando suas trajetórias de navegação com as de sites reais.

Apple ML Research apresenta o Weblica, ambiente escalável para treinar agentes web visuais
A Apple lançou o Weblica, framework que reproduz estados interativos de páginas web e gera ambientes de treinamento com LLMs para treinar com confiabilidade agentes de IA que atuam no navegador.

Apple desenvolve o MT-EditFlow para edição de imagens com IA em várias etapas
Pesquisadores da Apple ML Research apresentam o MT-EditFlow, sistema baseado em aprendizado por reforço que ataca o acúmulo de erros na edição iterativa de imagens.

LensVLM: uma rede neural para ler texto em imagens comprimidas
A Apple ML Research propôs o LensVLM, um framework que permite a modelos de visão e linguagem ler texto pequeno em imagens comprimidas sem perder precisão.

Como ajustar uma IA para novas tarefas sem perder suas capacidades
O DynaMiCS, da Apple, trata a seleção de dados no ajuste fino como um problema com restrições, preservando instruções, conhecimento e segurança do modelo ao adaptá-lo a novos domínios.

Como funciona o Mixture-of-Experts: a arquitetura das redes neurais modernas
Pesquisadores da Apple descobriram que os tokens em arquiteturas MoE usam uma fração mínima das rotas teoricamente possíveis, e propõem uma arquitetura para corrigir isso.

Redes neurais de fala escalam como as de texto, mostra estudo da Apple
A Apple ML Research descobriu que modelos de fala baseados em difusão contínua escalam de forma tão previsível quanto os autorregressivos e apresentou a métrica pJSD.

Apple ML Research ataca a queda de desempenho de modelos ASR em gravações longas
A Apple ML Research publicou o Segmental Attention Decoding, quatro mudanças de arquitetura para o principal problema das redes neurais com áudios longos.

Apple publica o Fortress, framework que estabiliza sistemas de recomendação com poda de atributos
A Apple ML Research descreve o Fortress, sistema que elimina a instabilidade temporal de modelos de recomendação ao identificar e remover atributos que geram previsões inconsistentes.

Apple ML Research investiga por que anotadores de dados de segurança de IA divergem
A Apple ML Research desenvolveu um método para analisar divergências entre anotadores de dados de segurança, as pessoas que ensinam modelos de IA a distinguir conteúdo aceitável de conteúdo perigoso.

Apple ML Research propõe método para generalizar modelos de ML a novos domínios sem rotulagem
Pesquisadores da Apple ML Research desenvolveram uma abordagem de generalização de domínio que usa dados não rotulados do novo domínio em vez de uma rotulagem cara.

Rede neural mais eficiente: como a Apple otimizou a inferência
A Apple ML Research apresentou o Conformal Thinking, framework que gerencia automaticamente o orçamento de tokens de modelos de raciocínio e garante uma taxa de erro definida com computação mínima.

Apple ML Research: como modelos de difusão aprendem a escolher tokens sem heurísticas manuais
A Apple ML Research propõe trocar as heurísticas manuais de seleção de tokens em modelos de linguagem de difusão por políticas treináveis, para eliminar a instabilidade e o ajuste manual de parâmetros.

Apple ML Research propõe MemoryLLM, uma "memória" interpretável para transformers
Pesquisadores da Apple descrevem os blocos feed-forward dos LLMs como uma memória neural de consulta e propõem analisá-los isoladamente, sem o mecanismo de autoatenção.

Apple ML Research: equipes multiagente de LLMs seguram agentes especialistas
A Apple ML Research conclui que equipes autoorganizadas de modelos de linguagem não geram sinergia: elas seguram os agentes especialistas em vez de potencializá-los.