LoRA-Muon: descenso espectral en el manifold de bajo rango
Descubre LoRA-Muon: optimiza fine-tuning con bajo rango, transfiere tasas de aprendizaje, supera líneas base densas. Eficiente en memoria.
#ajuste fino
Razonar por Analogía con Ajuste Fino por Refuerzo y Recuperación
Descubre cómo RA-RFT combina recuperación inteligente y refuerzo para que los modelos de IA aprendan a razonar por analogía, mejorando resultados en matemáticas.
Superando inercia de estado con dirección de activación en voz full-duplex
Descubre cómo la dirección de activación mejora la comprensión de interrupciones en modelos de voz full-duplex, elevando la precisión del 28% al 45% sin necesidad de entrenamiento.
Superando la inercia de estado en SLMs full-duplex con activación dirigida
Activación dirigida mejora comprensión de interrupciones en SLMs full-duplex. Corrección sube 28% a 45% y tasa palabra inicial 40% a 72%.
ISE: Receta basada en ejecución para trayectorias multi-turn de agentes OS
Aprende cómo ISE sintetiza trayectorias multi-turno y mejora agentes OS alcanzando un 37.7% en ClawEval, superando a GPT-4o.
Trap²: Protección contra fusiones ilegítimas de modelos
Aprende cómo Trap² protege tus modelos de IA contra fusiones no autorizadas, degradando el rendimiento bajo reescalado sin afectar su uso legítimo.
MobileFineTuner: marco nativo para ajuste fino de LLM en móviles
Descubre MobileFineTuner, un framework en C++ que permite el ajuste fino de LLM directamente en smartphones. Reduce memoria y energía, ideal para IA embebida. ¡Lee más!
Domando el ruido: ajuste fino eficiente en memoria para LLMs
Convierte el ruido en descenso: nuevo marco de optimización de orden cero para ajustar LLMs con ahorro de memoria y mayor velocidad de convergencia.
Ajuste Fino Dinámico con Compatibilidad para LLMs
Descubre cómo CADFT mejora el ajuste fino de modelos de lenguaje, reduciendo inestabilidad y mejorando la generalización sin necesidad de modelos de recompensa.
Ajuste eficiente de adaptadores para aprendizaje multimodal tabular-imagen
Descubre TI-Adapter: ajuste eficiente para aprendizaje multimodal tabular-imagen con rendimiento competitivo y menos parámetros entrenables.
ART: Nuevo método de ajuste fino para LLMs multimodales
Descubre ART, un innovador método de fine-tuning para LLMs multimodales que optimiza la entrada visual sin modificar pesos. Competitivo con LoRA en benchmarks.
AsFT: Anclando la seguridad en el ajuste fino de LLMs
Descubre cómo AsFT ancla la seguridad en el fine-tuning de LLMs, reduciendo conductas dañinas y mejorando el rendimiento del modelo.
Superando la brecha morfológica: modelos VLA para manos diestras
InDex adapta modelos VLA a manos diestras sin perder generalización. Logra manipulación diestra con pocos datos usando fine-tuning condicionado por intención.
DiffusionGemma: Guía del Desarrollador
Descubre DiffusionGemma, el modelo de texto por difusión que genera bloques de 256 tokens en paralelo. Más rápido, bidireccional y ajustable en GPUs de consumo. Ideal para desarrolladores.
Ajuste fino supervisado con datos sintéticos perjudica predicción de Alzheimer
Un estudio revela que el ajuste fino con razonamiento sintético empeora la predicción de Alzheimer, a pesar de razonamientos precisos. Descubre por qué.
Fine-tuning del modelo DeepSeek-R1-8B con LoRA y NEFTune
Descubre cómo el ajuste fino con LoRA y NEFTune potencia el rendimiento de DeepSeek-R1-8B en reconocimiento de entidades financieras, alcanzando un F1 de 0.912.
Usando programas probabilísticos para entrenar razonamiento inductivo en LLMs
Aprende cómo un nuevo método de entrenamiento con programas probabilísticos mejora el razonamiento inductivo en LLMs, alineándolos con juicios humanos.
MODIP: Optimización eficiente basada en modelos para políticas de difusión
Aprende cómo MODIP optimiza políticas de difusión con modelos predictivos y control de trayectorias. Resultados superiores en D4RL y RoboMimic.
El orden importa: Ajuste fino secuencial de LLaMA para evaluación de ensayos
El entrenamiento secuencial de LLaMA supera a modelos 70B en calificación de ensayos: 87% F1 en conclusión y 65% en evidencia. Descubre cómo.
Ajuste fino supervisado: diseño de distribución objetivo
Descubre cómo el diseño de distribución objetivo revoluciona el ajuste fino supervisado de modelos de IA. Target-SFT optimiza la distribución y supera métodos tradicionales.