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)
Este artigo introduz o framework zero-shot Query Retrieve Conclude para interpretar memes multimodais dinâmicos, que frequentemente exigem conhecimento de fundo atualizado. Ele identifica conhecimento ausente, recupera evidências da web e sintetiza informações para compreensão e detecção de memes, mostrando melhorias em benchmarks de 2024 a 2026.
Este guia aborda o retreinamento repetitivo de modelos de detecção de objetos como YOLO em ambientes industriais, propondo Modelos de Visão-Linguagem Generativos (VLMs) para detecção zero-shot. Ele destaca como os VLMs transformam a detecção em prompts semânticos, eliminando a coleta contínua de dados e o retreinamento, mas aponta novos desafios arquitetônicos para equipes de engenharia industrial.
BoostTaxo apresenta um novo framework de LLM em estilo boosting para indução de taxonomia zero-shot, visando superar as limitações de generalização e eficiência dos métodos existentes. Ele aprimora a construção de taxonomias através de um processo de identificação de pais de grosso a fino, utilizando refinamento de definição e seleção híbrida de candidatos.
O artigo propõe o ZeroFolio, uma abordagem de seleção de algoritmos sem features que utiliza embeddings de texto pré-treinados de arquivos de instâncias brutos. Este método, que não requer conhecimento de domínio, supera abordagens tradicionais com features manuais na maioria dos cenários avaliados em diversos domínios de problemas.
Este projeto aborda a limitação de modelos de IA tradicionais com dados não vistos, propondo uma solução para sistemas ERP universitários. Utiliza Zero-Shot Learning para classificar texto dinâmico e imprevisível, incorporando também a memória de interações passadas para melhorar o desempenho.