O método propõe duas fases, a primeira para análise de imagens rotuladas, e a segunda para avaliação de imagens não rotuladas, que recebem rótulos após processamento dos resultados com clusterização.
O trabalho, que mostra uma nova característica impressionante dos LLMs, demonstra que mesmo sem treinamento adicional eles já podem se comportar como máquinas de Turing universais se tiverem acesso a um mecanismo de memória externa.
O método utiliza compressores de arquivos, como o gzip, para representar os textos em um espaço latente, e um algoritmo clássico de clusterização, como o kNN, para agrupá-los em categorias similares.
Um modelo foi desenvolvido para prever com que eficiência um sistema de edição genética do tipo CRISPR iria se ligar com moléculas de RNA, tornando possível prever sua eficiência antes que ele seja produzido.
O sistema busca contextos de referência para um conceito na literatura científica, e emprega LLMs para sintetizar definições múltiplas para um público variado.
A ferramenta vai primeiro produzir uma transcrição do áudio, que depois será utilizada para tradução e geração da faixa de áudio desejada.
O modelo foi treinado com dados de interação genética de milhões de células humanas, tornando-se capaz de aprender como os genes se relacionam e como a interrupção nessas redes pode causar doenças.
A empresa desenvolveu uma solução para que o jogador possa conversar de forma natural com os personagens do jogo usando a própria voz, aumentando a imersão e entregando uma experiência única para cada usuário.
O sistema foi capaz de traduzir as intenções de um usuário, captadas por eletrocorticografia, em comandos motores para os neurônios da coluna lombar, que ativaram a movimentação das pernas.
O modelo foi utilizado para explicar o padrão de ativação dos neurônios de sua versão mais antiga, o que ajuda a explicar o funcionamento de modelos de linguagem.
