Modelos desenvolvem “intuição” ao internalizar processo de raciocínio

AUTOAPERFEIÇOAMENTO

Modelos desenvolvem “intuição” ao internalizar processo de raciocínio

Deep Cogito, startup da área de pesquisa em IA, apresentou a família Cogito v2 de quatro modelos de raciocínio híbrido (70B, 109B MoE, 405B e 671B MoE - sendo o último um dos modelos abertos mais poderosos disponíveis atualmente) que promete ultrapassar os limites do que é possível com Inteligência Artificial de código aberto.

O que torna esses modelos tão especiais? Um novo paradigma que dá a eles mais "intuição" para resolução de problemas. Em vez de confiar em pesquisas mais longas e mais intensivas em uso de recursos durante a inferência, os integrantes da família Cogito V2 internalizam e melhoraram as capacidades de raciocínio ao longo do tempo.

Essa abordagem de “intuição” é uma prova de conceito de autoaperfeiçoamento - os modelos são treinados para internalizar o próprio processo de raciocínio, transferindo novas descobertas para seus próprios parâmetros. A consequência? A próxima vez que os modelos enfrentarem um problema semelhante, a pesquisa começará mais perto do objetivo, levando a uma solução mais eficiente e eficaz.

Os resultados? Os modelos Cogito V2 têm cadeias de raciocínio que são 60% mais curtas do que as de alguns de seus concorrentes.

O caso do maior modelo da família, o 671B MoE, é particularmente impressionante. Foi especificamente treinado para melhorar a intuição nos modos de raciocínio e de não raciocínio. Com isso, seu desempenho rivaliza e, em alguns casos, supera o de outros modelos abertos de primeira linha e até se aproxima do desempenho de alguns modelos de fronteira de código fechado.

A DeepCogito liberou os quatro modelos sob uma licença aberta, tornando-os acessíveis a uma comunidade mais ampla de pesquisadores e desenvolvedores. Estão disponíveis para download no Huggingface e podem ser usados através de APIs.

• Qwen-Image é um novo modelo para geração de imagens que trabalha com tipografia e layouts complexos, ideal para cartazes e slides. É comparável a modelos proprietários e é o melhor de código aberto no benchmarking AI Arena.

• Google introduziu o modelo Veo 3 Fast e novos recursos para transformar imagem em vídeo, ambos disponíveis por meio da API Gemini.

• xAI lançou oficialmente Grok Imagine, gerador de imagens e vídeos usando IA, para assinantes do SuperGrok e Premium+ X no aplicativo para iOS.

• Step3, da StepFun, é um modelo de raciocínio multimodal que equilibra desempenho com eficiência de custo em tarefas de linguagem visual.

• Uma falha de segurança crítica no editor Cursor AI, já corrigida, permitia executar código remoto via injeção de prompt.

• Big Sleep, sistema de descoberta de vulnerabilidades do Google alimentado por IA, relatou suas primeiras 20 vulnerabilidades de segurança.

• LLMs conseguem resolver sudoku muitas vezes, mas se atrapalham para explicar o raciocínio, até dando justificativas incorretas ou fabricadas.

• Modelos de IA utilizam biomarcadores de voz para detectar comprometimento cognitivo por meio de conversas não estruturadas. 🧠💡🤔

BENCHMARKING

Jogos: a nova maneira de medir a inteligência dos modelos de IA

A Kaggle, em colaboração com o Google DeepMind, desenvolveu uma plataforma de código aberto para colocar modelos de IA frente a frente em jogos estratégicos e avaliar sua verdadeira inteligência. É a Game Arena!

Por que esse novo benchmarking? Os atuais modelos de IA podem "memorizar" as respostas em vez de realmente raciocinar e, com isso, atingir pontuações quase perfeitas nas atuais ferramentas de bechmarking vistas como estáticas.

A Game Arena oferece uma solução dinâmica ao ter modelos de IA competindo em jogos de inteligência como o xadrez. Aí a resposta é clara e inequívoca: ganhar, perder ou empatar. O ambiente força o modelo de IA a demonstrar uma ampla gama de habilidades, entre elas raciocínio estratégico, planejamento de longo prazo e adaptação dinâmica.

É uma prova robusta de inteligência geral de resolução de problemas e, ao contrário das competições de julgamento humano, os resultados são verificáveis e objetivos.

Ao usar jogos como ferramenta de benchmarking, Kaggle e a Google DeepMind estão criando uma maneira mais desafiadora e dinâmica de medir o desempenho dos modelos de IA. De quebra, estão nos dando uma forma mais empolgante de assistir ao desenrolar da Inteligência Artificial. 🎉🙌🏆

Em tempos em que a IA se tornou uma poderosa ferramenta para produção de cenas hiper-realistas, uma nova técnica de autenticação pode ajudar a combater a desinformação em vídeos. Como? Incorporando códigos temporários e únicos em fontes de luz durante a gravação dos vídeos. Esses códigos, imperceptíveis ao olho humano, mas detectáveis pelas câmeras, atuam como uma marca d'água para verificar a autenticidade do vídeo, com carimbo de data e hora. A técnica explora padrões cintilantes de alta frequência em luzes, que podem ser analisados para detectar adulteração ou confirmar o contexto original dos vídeos. Experimentos demonstraram a eficácia do método em várias condições de iluminação e tipos de câmeras, oferecendo uma ferramenta robusta para garantir a integridade dos vídeo contra deepfakes e manipulação feitas por IA.

A Anthropic apresentou um método para monitorar e controlar traços de personalidade em grandes modelos de linguagem (LLMs), que identifica padrões específicos de atividade em redes neurais. Tais "vetores de persona", que correspondem a características como bajulação ou alucinação, podem ajudar os pesquisadores a ajustar o comportamento dos modelos sem depender de treinamento, apenas aprimorando ou suprimindo trações para se alinharem aos resultados desejados. A abordagem envolve a comparação de padrões de ativação entre comportamentos opostos para extrair os vetores. Em testes com os modelos Qwen 2.5-7B-Instruct e Llama-3.1-8B-Instruct, a técnica demonstrou potencial para fins de personalização e segurança, embora desafios como a introdução de possíveis vieses ainda permaneçam.