리서치·학습 스킬

Busca web e pesquisa usando Perplexity AI. Use quando o usuário disser "pesquisar", "encontrar", "procurar", "perguntar", "pesquisar" ou "qual é o mais recente" para consultas genéricas. NÃO para docs de biblioteca/framework (use Context7) ou perguntas do workspace.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Construa agentes de IA prontos para produção com PydanticAI — type-safe tool use, structured outputs, dependency injection, e suporte multi-modelo.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Framework RLHF de alta performance com aceleração Ray+vLLM. Use para treinamento PPO, GRPO, RLOO, DPO de modelos grandes (7B-70B+). Construído em Ray, vLLM, ZeRO-3. 2× mais rápido que DeepSpeedChat com arquitetura distribuída e compartilhamento de recursos GPU.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Fornece orientação para treinamento RL agentico nativo do PyTorch usando torchforge, biblioteca da Meta que separa infraestrutura de algoritmos. Use quando você quer abstrações limpas de RL, fácil experimentação de algoritmos, ou treinamento escalável com Monarch e TorchTitan.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Ajuste fino de LLMs usando reinforcement learning com TRL - SFT para ajuste de instruções, DPO para alinhamento de preferências, PPO/GRPO para otimização de recompensas e treinamento de modelo de recompensas. Use quando precisar de RLHF, alinhar modelo com preferências ou treinar a partir de feedback humano. Funciona com HuggingFace Transformers.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Método da Anthropic para treinar IA inofensiva através de auto-aprimoramento. Abordagem em duas fases - aprendizado supervisionado com auto-crítica/revisão, depois RLAIF (RL from AI Feedback). Use para alinhamento de segurança, redução de outputs prejudiciais sem rótulos humanos. Alimenta o sistema de segurança do Claude.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Modelo de moderação especializado 7-8B do Meta para filtragem de entrada/saída de LLM. 6 categorias de segurança - violência/ódio, conteúdo sexual, armas, substâncias, automutilação, planejamento criminal. Precisão de 94-95%. Deploy com vLLM, HuggingFace, Sagemaker. Integra com NeMo Guardrails.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Framework de segurança em runtime da NVIDIA para aplicações LLM. Com detecção de jailbreak, validação de entrada/saída, verificação de fatos, detecção de alucinações, filtragem de PII, detecção de toxicidade. Usa DSL Colang 2.0 para rails programáveis. Pronto para produção, executa em GPU T4.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Tokenizadores rápidos otimizados para pesquisa e produção. Implementação em Rust que tokeniza 1GB em menos de 20 segundos. Suporta algoritmos BPE, WordPiece e Unigram. Treine vocabulários customizados, rastreie alinhamentos, gerencie padding/truncagem. Integração perfeita com transformers. Use quando precisar de tokenização de alto desempenho ou treinamento de tokenizadores customizados.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Tokenizador agnóstico de linguagem que trata texto como Unicode bruto. Suporta algoritmos BPE e Unigram. Rápido (50k sentenças/seg), leve (6MB de memória), vocabulário determinístico. Usado por T5, ALBERT, XLNet, mBART. Treina em texto bruto sem pré-tokenização. Use quando você precisar de suporte multilíngue, linguagens CJK ou tokenização reproduzível.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Agentes de voz representam a fronteira da interação com IA - humanos falando naturalmente com sistemas de IA. O desafio não é apenas reconhecimento e síntese de fala, mas alcançar fluxo de conversa natural com latência inferior a 800ms enquanto se lidam com interrupções, ruído de fundo e nuances emocionais. Esta habilidade cobre duas arquiteturas: fala-para-fala (OpenAI Realtime API, menor latência, mais natural) e pipeline (STT→LLM→TTS, mais controle, mais fácil de depurar). Insight-chave: latência é a restrição. Hu

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Especialista em construir aplicações de voz em tempo real - de agentes de voz em tempo real a apps habilitados para voz. Abrange OpenAI Realtime API, Vapi para agentes de voz, Deepgram para transcrição, ElevenLabs para síntese, LiveKit para infraestrutura em tempo real e fundamentos de WebRTC. Sabe como construir experiências de voz com baixa latência e prontas para produção. Use quando: voice ai, voice agent, speech to text, text to speech, realtime voice.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Simple Preference Optimization para alinhamento de LLMs. Alternativa sem modelo de referência ao DPO com melhor desempenho (+6.4 pontos no AlpacaEval 2.0). Sem modelo de referência necessário, mais eficiente que DPO. Use para alinhamento de preferências quando quer treinamento mais simples e rápido que DPO/PPO.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Fornece orientação para realizar intervenções causais em modelos PyTorch usando o framework de intervenção declarativa do pyvene. Use ao conduzir rastreamento causal, activation patching, treinamento de intervenção de intercâmbio ou testar hipóteses causais sobre o comportamento do modelo.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Fornece orientação para treinar e analisar Autoencodificadores Esparsos (SAEs) usando SAELens para decompor ativações de redes neurais em features interpretáveis. Use ao descobrir features interpretáveis, analisar superposição ou estudar representações monossemânticas em modelos de linguagem.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Fornece orientação para pesquisa de interpretabilidade mecanística usando TransformerLens para inspecionar e manipular internals de transformers via HookPoints e caching de ativações. Use ao fazer engenharia reversa de algoritmos de modelos, estudar padrões de atenção ou realizar experimentos de activation patching.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Rastreie experimentos de ML, gerencie registro de modelos com versionamento, implante modelos em produção e reproduza experimentos com MLflow - plataforma agnóstica a frameworks para ciclo de vida de ML

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Implementa e treina LLMs usando LitGPT da Lightning AI com 20+ arquiteturas pré-treinadas (Llama, Gemma, Phi, Qwen, Mistral). Use quando precisar de implementações limpas de modelos, entendimento educacional de arquiteturas ou fine-tuning de produção com LoRA/QLoRA. Implementações em arquivo único, sem camadas de abstração.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Modelo de espaço de estados com complexidade O(n) versus O(n²) dos Transformers. Inferência 5× mais rápida, sequências de milhão de tokens, sem cache KV. SSM seletivo com design aware de hardware. Mamba-1 (d_state=16) e Mamba-2 (d_state=128, multi-head). Modelos 130M-2.8B no HuggingFace.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Híbrido RNN+Transformer com inferência O(n). Tempo linear, contexto infinito, sem cache KV. Treina como GPT (paralelo), infere como RNN (sequencial). Projeto Linux Foundation AI. Produção em Windows, Office, NeMo. RWKV-7 (março de 2025). Modelos até 14B parâmetros.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Modelo da OpenAI que conecta visão e linguagem. Permite classificação de imagens com zero-shot, correspondência imagem-texto e recuperação cross-modal. Treinado em 400M pares imagem-texto. Use para busca de imagens, moderação de conteúdo ou tarefas visão-linguagem sem fine-tuning. Melhor para compreensão geral de imagens.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Assistente de Linguagem Grande e Visão. Habilita ajuste de instrução visual e conversas baseadas em imagem. Combina encoder de visão CLIP com modelos de linguagem Vicuna/LLaMA. Suporta chat multi-turno com imagem, resposta a perguntas visuais e seguimento de instruções. Use para chatbots visão-linguagem ou tarefas de compreensão de imagem. Melhor para análise conversacional de imagem.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Modelo de fundação para segmentação de imagens com transferência zero-shot. Use quando precisar segmentar qualquer objeto em imagens usando pontos, caixas ou máscaras como prompts, ou gerar automaticamente todas as máscaras de objetos em uma imagem.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Modelo de reconhecimento de fala de propósito geral da OpenAI. Suporta 99 idiomas, transcrição, tradução para inglês e identificação de idioma. Seis tamanhos de modelo, de tiny (39M parâmetros) a large (1550M parâmetros). Use para speech-to-text, transcrição de podcasts ou processamento de áudio multilíngue. Melhor para ASR robusto e multilíngue.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.