Ricerca
I lavori sono ordinati per domanda di ricerca. Ogni voce indica il metodo e il risultato misurato, con i link ai modelli, ai dati, al codice o all’articolo corrispondenti.
Modelli decisionali
Piccoli modelli che leggono la descrizione di una situazione, scelgono una delle risposte proposte e assegnano una probabilità a ciascuna risposta. Deem-4B lavora in inglese, Karar-4B in turco e Wähler-4B in tedesco.
Pubblicazioni
-
Il rapporto spiega come sono stati addestrati i modelli decisionali in inglese, turco e tedesco, come sono stati messi alla prova su domande escluse dall’addestramento e quanto le probabilità dichiarate corrispondono ai risultati. Sulle domande di test in turco, Karar-4B raggiunge il 96,8% di accuratezza contro l’87,1% di Kev-4B. Il rapporto documenta anche limiti e file pubblicati.
Rapporto tecnico (senza revisione paritaria)
Progetti
-
JevAlt mette a disposizione modelli che scelgono tra risposte predefinite e assegnano una probabilità a ciascuna. Sulle domande del progetto escluse dall’addestramento, in inglese Deem-4B raggiunge il 94,7% di accuratezza, rispetto all’84,7% di Kev-4B; in turco Karar-4B raggiunge il 96,8%, rispetto all’87,1% di Kev-4B; in tedesco Wähler-4B raggiunge il 92,0%, rispetto all’81,1% di Kev-4B. I file per eseguire i modelli sul proprio computer (GGUF) richiedono circa 3 GB di memoria.
-
Emberwick è la simulazione di un villaggio medievale giocabile nel browser. Deem-4B, Karar-4B e Wähler-4B decidono come reagiscono gli abitanti a tempeste, incendi, giorni di mercato e lupi al tramonto.
Modelli (3)
-
Deem-4B sceglie tra risposte predefinite in inglese e stima la probabilità di ciascuna. Sulle domande del progetto escluse dall’addestramento, Deem-4B raggiunge il 94,7% di accuratezza, rispetto all’84,7% di Kev-4B. Sono disponibili i file per eseguirlo sul proprio computer (GGUF).
-
Karar-4B sceglie tra risposte predefinite in turco e stima la probabilità di ciascuna. Sulle domande del progetto escluse dall’addestramento, Karar-4B raggiunge il 96,8% di accuratezza, rispetto all’87,1% di Kev-4B. Sono disponibili i file per eseguirlo sul proprio computer (GGUF).
-
Wähler-4B sceglie tra risposte predefinite in tedesco e stima la probabilità di ciascuna. Sulle domande del progetto escluse dall’addestramento, Wähler-4B raggiunge il 92,0% di accuratezza, rispetto all’81,1% di Kev-4B. Sono disponibili i file per eseguirlo sul proprio computer (GGUF).
Dataset (2)
-
Domande e risposte usate per addestrare i modelli decisionali di JevAlt in inglese, turco e tedesco.
-
Scene e filmati registrati in Emberwick, la simulazione di un villaggio medievale nel browser.
Benchmark aperti
Un benchmark è un insieme fisso di test con una regola di valutazione definita. Ogni suite pubblica risponde a una domanda di valutazione e pubblica dati o codice, risultati e limiti.
-
3.116 descrizioni di situazioni in inglese, turco e tedesco per valutare modelli che scelgono tra risposte predefinite e assegnano una probabilità a ciascuna.
-
Una suite di test aperta che verifica come le modifiche a una domanda influiscono su un modello che sceglie tra risposte predefinite.
-
160 attività in uno spazio di lavoro per valutare piccoli assistenti di intelligenza artificiale in base alla corrispondenza tra il lavoro svolto e la richiesta.
Rilevamento spiegabile dei deepfake
I deepfake sono video in cui l’intelligenza artificiale ha alterato o sostituito un volto. Studiamo diversi modi per addestrare i rilevatori e usiamo mappe di calore Grad-CAM per mostrare quali parti del volto hanno determinato ogni decisione. Il punteggio AUC va da 0,5, il livello del puro caso, a 1, la separazione perfetta.
Pubblicazioni
-
Lo studio confronta nove modi di addestrare EfficientNet-B4, un modello di riconoscimento delle immagini, per rilevare volti alterati dall’intelligenza artificiale in FaceForensics++, una raccolta pubblica di video con volti reali e manipolati. Valuta ogni configurazione con AUC, F1, punteggio Brier e perdita logaritmica; le quattro misure privilegiano configurazioni diverse. L’AUC misura quanto bene il modello distingue i casi: va da 0,5, il livello del puro caso, a 1, la separazione perfetta. Il punteggio Brier misura l’errore delle probabilità. Le mappe di calore Grad-CAM mostrano quali zone del volto hanno influito su ogni previsione. Su FaceForensics++, una raccolta pubblica di video con volti reali e alterati, il modello per immagini EfficientNet-B4 raggiunge un AUC di 0,897 quando viene addestrato con immagini variate e in parte oscurate, contro 0,868 senza queste immagini.
Accettato a UBMK 2026. La versione finale sarà pubblicata su IEEE Xplore; il DOI non è ancora disponibile.
-
La tesi studia come rilevare volti alterati dall’intelligenza artificiale nei video. Confronta l’addestramento di EfficientNet-B4 con immagini variate e zone del volto mascherate, poi usa mappe di calore Grad-CAM per mostrare quali parti del volto hanno influito su ogni previsione.
Tesi di laurea magistrale, TED University, 2025. Relatrice: Venera Adanova.
Progetti
-
xdfdet rileva volti alterati dall’intelligenza artificiale nei video e mostra quali zone del volto hanno influito su ogni previsione. Include codice, otto modelli EfficientNet-B4 addestrati, mappe di calore Grad-CAM e due giochi per il browser.
Codice: MIT. File dei modelli addestrati: CC BY-NC 4.0 secondo le condizioni di FaceForensics++.
Assistenti locali per attività
Tholos permette agli assistenti di intelligenza artificiale di svolgere compiti sul proprio computer, in uno spazio di lavoro condiviso con tabelle, note e una bacheca delle attività. Per ogni azione, le regole stabiliscono se eseguirla, attendere l’approvazione o bloccarla.
Pubblicazioni
-
Il rapporto descrive Tholos-2B, derivato da MiniCPM5-2B e addestrato su esecuzioni registrate di attività completate nello spazio di lavoro. Sulla stessa scheda grafica, una Kaggle T4, Tholos-2B supera 137 dei 160 compiti di Tholos-Bench, contro 112 per MiniCPM5-2B. Sullo stesso normale processore (CPU), Tholos-2B ne supera 134, contro 117 per MiniCPM5-2B.
Rapporto tecnico (senza revisione paritaria)
Progetti
-
Tholos coordina assistenti di intelligenza artificiale che eseguono attività sul proprio computer. Gli assistenti condividono tabelle, note e una bacheca delle attività. Per ogni azione, le regole stabiliscono se viene eseguita, resta in attesa di approvazione o viene bloccata.
-
reevesagents esegue più assistenti di programmazione basati sull’intelligenza artificiale in un unico spazio di lavoro nel terminale locale e permette a un assistente di coordinare il gruppo. Comprende interfacce a riga di comando, terminale e web, oltre a un server MCP per la comunicazione tra strumenti di intelligenza artificiale.
Un solo pacchetto npm, licenza Apache-2.0, interfaccia in 10 lingue.
Modelli (1)
-
Tholos-2B è un piccolo modello per assistenti di intelligenza artificiale che eseguono attività in uno spazio di lavoro condiviso. È stato addestrato a partire da MiniCPM5-2B su esecuzioni registrate. Con la stessa configurazione Kaggle T4, Tholos-2B supera 137 test Tholos-Bench su 160, rispetto ai 112 di MiniCPM5-2B. Con la stessa configurazione CPU ne supera 134, rispetto ai 117 di MiniCPM5-2B.
Licenza Apache-2.0.
Dataset (1)
-
Esecuzioni registrate di attività usate per addestrare Tholos-2B, il modello degli assistenti di intelligenza artificiale di Tholos.
Conservazione linguistica
Eldalambë aiuta a leggere e scrivere le lingue elfiche inventate da Tolkien, Quenya e Sindarin, e la loro scrittura, Tengwar. Un piccolo modello linguistico controlla le proprie risposte con un dizionario e regole grammaticali. L’articolo è pubblico; codice, dati, file dei modelli e domande di test sono privati.
Pubblicazioni
-
L’articolo studia Eldalambë, un assistente per le lingue elfiche inventate da Tolkien, Quenya e Sindarin. La versione adottata, Pro-Preserve, scrive la frase attesa in 40 richieste di test su 100, rispetto alle 21 della versione precedente, Pro2508, e riconosce le parole di Tolkien in 277 casi su 300, rispetto ai 259 di Pro2508.
Preprint pubblico senza revisione paritaria. Il codice, i dati, i modelli e il benchmark di Eldalambë sono privati.
Progetti
-
Eldalambë legge e scrive le lingue elfiche inventate da Tolkien, Quenya e Sindarin, e ne riproduce la scrittura Tengwar. Controlla le parole su testi verificati grammaticalmente e offre strumenti per traduzione, consultazione e forme delle parole.
Demo su invito. Codice, dati, file dei modelli addestrati e benchmark sono privati; solo l’articolo è pubblico.