media Hugging Face Forums · há 1 h · open_models

SEMA explora arquitetura de IA não transformadora usando Arquitetura de Símbolos Vetoriais

Traduzido do English → Português (BR)

SEMA é uma arquitetura experimental de IA que investiga se a compreensão e o raciocínio linguístico podem emergir de uma estrutura semântica explícita em vez da previsão do próximo token. Ela serve como um sistema de raciocínio baseado em instâncias não paramétrico, utilizando Arquitetura de Símbolos Vetoriais (VSA/HDC) sobre memória endereçável por conteúdo.

Design focado em CPU com suporte multilíngue por construção.
Usa representações internas transparentes em vez de embeddings opacos.
Implementa memória relacional explícita em vez de armazenar conhecimento apenas em pesos neurais.
Emprega representações semânticas composáveis via VSA/HDC.
Utiliza raciocínio baseado em grafos em vez de geração autoregressiva.

O projeto tem o código-fonte disponível para permitir que pesquisadores estudem, reproduzam e desafiem a arquitetura, protegendo ao mesmo tempo a continuidade da pesquisa independente.

Importância 1/3 Confiança 1/3 Hugging Face Forums AI agents Research paper

Ler original

HealthClaw: agente de código aberto com memória autoevolutiva para gestão longitudinal da saúde pessoal

Pesquisadores desenvolveram o HealthClaw, uma arquitetura de agente de código aberto projetada para atualizar o suporte à medida que as rotinas, preferências, medições e riscos de uma pessoa mudam ao longo do tempo. Ele separa regras de segurança compartilhadas e conhecimento médico da memória longitudinal privada contendo fatos do perfil, procedimentos reutilizáveis e rastros episódicos.

arxiv arXiv cs.LG · há 5 d

TRACE melhora o uso de ferramentas por agentes de longo prazo via estimativa de crédito por turno

Os autores propõem o TRACE (Turn-level Reward Assignment via Credit Estimation), um método de atribuição de crédito denso para aprendizado por reforço agêntico que aborda a esparsidade e a alta variância das recompensas de resultado em tarefas de longo prazo. Ao representar os rollouts como transições de estado nas fronteiras de chamadas de ferramentas e derivar recompensas por ação a partir de valores de estado com log-ratio, o TRACE permite treinamento eficaz sem críticos adicionais ou estágios de ajuste fino supervisionado.

arxiv arXiv cs.AI · há 5 d

Modelo DVM-HALL e métrica NHAS abordam a lealdade no comércio autônomo

O artigo apresenta o modelo Dynamic Verifiable Multi-Agent Human Agentic Loyalty Loop (DVM-HALL) para abordar como os paradigmas tradicionais de lealdade do cliente falham quando agentes de IA executam decisões de compra de forma autônoma. Ele propõe um framework onde a escolha da marca é determinada pela equidade emocional humana, utilidade agêntica, confiança calibrada e riscos de execução verificável em ambientes de finanças descentralizadas.

media Latent Space · há 6 d

A Lila Sciences visa à superinteligência científica por meio de laboratórios úmidos guiados por IA

A Lila Sciences está construindo uma infraestrutura de laboratório automatizado projetada para funcionar como um data center, com o objetivo de alcançar a superinteligência científica gerando vastas quantidades de dados validados experimentalmente. A empresa trata o laboratório como um gerador infinito de tokens, utilizando robótica guiada por IA e modelos de linguagem-visão para executar experimentos 24/7 em biologia, química, descoberta de medicamentos e ciência dos materiais.

arxiv arXiv cs.CL · há 6 d · 1 visualização

MemCon aprende gerenciamento adaptativo de memória para agentes LLM

Pesquisadores apresentam o MemCon, um framework que modela operações de memória como um Processo de Decisão de Markov para aprender uma política online para recuperação e consolidação adaptativas em agentes LLM. Diferente de heurísticas estáticas, esta abordagem decide dinamicamente quando e quanto recuperar com base no contexto.