TLM Playground vs GET3D | Nvidia

TLM Playground é o centro de documentação da Cleanlab para o Trustworthy Language Model (TLM), uma API de geração de modelos que avalia em tempo real a confiabilidade de qualquer resposta de LLM. Cada resposta recebe uma pontuação de confiabilidade entre 0 e 1, sinalizando alucinações e erros de raciocínio antes que cheguem aos usuários. Instale o cliente Python com pip install cleanlab-tlm, defina uma CLEANLAB_TLM_API_KEY e chame TLM.prompt() para gerar respostas pontuadas ou get_trustworthiness_score() para auditar saídas da sua pilha existente.

A maioria dos detectores de alucinação foca na fidelidade ao contexto recuperado. Métricas como RAGAS verificam se uma resposta corresponde aos documentos fonte, mas não detectam erros factuais quando o contexto é escasso ou confuso. O TLM usa estimativa de incerteza do modelo em vez de prompting LLM-como-juiz, e a Cleanlab publica benchmarks mostrando precisão 3x maior que RAGAS em fluxos de trabalho RAG. Não requer dados rotulados no seu domínio, o que evita o problema de deriva que compromete avaliadores personalizados.

Engenheiros de ML e IA que constroem pipelines RAG, chatbots e sistemas agentes usam o TLM para bloquear saídas de baixa confiança, encaminhá-las para humanos ou substituir por respostas alternativas. A API cobre saídas estruturadas, chamadas de ferramentas, rótulos de classificação e conversas de múltiplas rodadas, não apenas completions de texto simples.

GET3D gera ativos de malha 3D texturizados que você pode importar diretamente em um motor de renderização, treinado apenas a partir de coleções de imagens 2D. Pesquisadores da NVIDIA o desenvolveram para produzir malhas explícitas com geometria e textura, não campos neurais de radiância que precisam de renderizadores personalizados para uso.

A maioria dos modelos generativos 3D na época ou ignorava texturas, restringia você a uma topologia fixa, ou exigia pipelines de renderização neural para visualizar os resultados. GET3D usa tetraedros diferenciáveis em marcha (DMTet) mais perdas adversariais em imagens RGB rasterizadas e silhuetas, então a saída é uma malha texturizada padrão. A compensação é o acesso em nível de pesquisa: este é um projeto do NVIDIA Toronto AI Lab apresentado no NeurIPS 2022, não um SaaS hospedado com botão de upload.

O modelo lida com carros, cadeiras, animais, motocicletas, personagens humanos e edifícios. Também suporta geração de formas guiadas por texto via ajuste fino baseado em CLIP, semelhante ao StyleGAN-NADA, e pode separar geometria de textura por meio de códigos latentes separados.