O Zero-shot World Model (ZWM) melhora significativamente a eficiência de dados da IA, permitindo competência visual com muito menos dados do que os modelos atuais. Treinado na experiência visual de uma única criança, o BabyZWM iguala os modelos de ponta em diversas tarefas visuo-cognitivas sem treinamento específico, abrindo caminho para sistemas de IA mais eficientes.
![Zero-shot World Models Are Developmentally Efficient Learners [R]](/cdn-cgi/image/width=3840,quality=75,format=webp/https://preview.redd.it/px240r8jkuvg1.png?width=640&crop=smart&auto=webp&s=170ec87b0674ce319a19041e12e9b8cd8ff31953)
O artigo propõe a anotação legal multi-rótulo como uma tarefa de recuperação, utilizando modelos congelados e k-vizinhos mais próximos para atribuir rótulos. Este método alcança precisão competitiva e alta eficiência de dados em conjuntos de dados jurídicos, reduzindo significativamente os custos computacionais em comparação com o ajuste fino de grandes modelos de linguagem.
Esta pesquisa apresenta o EasyRL, uma nova abordagem de aprendizado por reforço eficiente em dados para LLMs auto-evolutivos, visando superar altos custos de anotação e problemas de desempenho em métodos existentes. Inspirado na teoria da aprendizagem cognitiva, o EasyRL integra transferência de conhecimento de dados rotulados fáceis com uma estratégia progressiva de dividir e conquistar para dados não rotulados difíceis.
Este trabalho apresenta uma função de perda com reponderação de tokens para aumentar a eficiência de dados no treinamento de modelos de visão-linguagem para geração de relatórios médicos. Ao priorizar tokens semanticamente salientes, o método alcança qualidade de relatório comparável usando até dez vezes menos dados de treinamento.