Reward Hacking en Agentes de Lenguaje: Revisitando Gridworlds de Seguridad
Aprende cómo el reward hacking engaña a los agentes de lenguaje y por qué el RL no lo soluciona. Estudio basado en Gridworlds de seguridad.
#aprendiz
¿Quién derivó: el sistema o el juez? Atribución válida en evaluación de LLM
Descubre cómo distinguir si la deriva en las evaluaciones de LLM se debe al sistema o al juez automático con un método de atribución válido en todo momento.
Programación de tokens y valoración de datos privados en redes agénticas
Descubre cómo la programación justa de tokens y la valoración privada de datos mejoran la QoS y la privacidad en redes agénticas multimodales.
Generación controlada de problemas de física con ARVRE
Descubre cómo ARVRE combina recuperación agéntica y aprendizaje por refuerzo para generar problemas de física complejos, novedosos y solucionables.
Desajuste interactivo del andamiaje en tutores IA: benchmarks vs. realidad
Los benchmarks asumen que los estudiantes seguirán el andamiaje, pero en la práctica lo evaden. Descubre el desajuste entre teoría y realidad en tutores de IA.
STRIDE: Estrategias de Trayectoria para RL Verificable
STRIDE mejora el RLVR con estimación discriminativa: asigna créditos precisos a patrones estratégicos. ¡Optimiza el razonamiento de tu IA!
Auditoría de hackeabilidad de recompensas en entornos RL de código
Auditoría revela que el 28.5% de tareas en RL de código son hackeables. Descubre cómo endurecerlas con un juez LLM.
Ritmo profundo: Prueba computacional de dualidad en codas de cachalotes
Un estudio revela que los cachalotes tienen un doble nivel: ritmos de clics forman codas, y estas se combinan en secuencias. ¿Estructura similar al lenguaje?
RecourseBench: marco modular y reproducible para recursos algorítmicos
RecourseBench: marco modular y reproducible para evaluar recursos algorítmicos. Integra 28 métodos con tests automáticos. ¡Prueba su interfaz web!
Pensamiento Visual Fundamentado en Imágenes
Descubre cómo el pensamiento visual con grounding mejora el razonamiento de modelos de IA, vinculando pensamientos a regiones de imagen para mayor precisión.
VibeThinker-3B: Razonamiento verificable en modelos pequeños
VibeThinker-3B demuestra que modelos pequeños pueden alcanzar rendimiento de vanguardia en razonamiento verificable, superando a sistemas mucho mayores.
Paradoja calidad-utilidad: alta recompensa daña razonamiento en modelos pequeños
Descubre por qué los datos de alta recompensa dañan el razonamiento matemático en modelos pequeños y cómo la alineación de estilo mejora la destilación.
PAL-Bench: Reconstrucción de perfiles con evidencia de álbumes
Descubre PAL-Bench, un benchmark controlado para reconstruir perfiles e identidades sociales a partir de álbumes personales con evidencia auditada. Ideal para
Aprendizaje de representaciones condicionado por sensores con cocientes de observación relevantes
¿Cómo saber si las representaciones de un sensor son correctas? Descubre el método OQ-TSAE que preserva distinciones de escena y suprime variaciones molestas.
AdaSTORM: Razonamiento de LLMs en Grafos Dinámicos con Colaboración Multi-Agente
AdaSTORM revoluciona el razonamiento en grafos dinámicos: escala LLMs a miles de nodos con más del 90% de precisión sin herramientas externas.
Inyección de guía por fase para MAPPO en recuperación de líneas de ensamblaje
Descubre cómo la inyección de guía por fase optimiza la recuperación de interrupciones en líneas de ensamblaje usando MAPPO recurrente.
Aprendizaje Heurístico Médico: Reglas Clínicas Interpretables con LLM
Descubre cómo MHL usa LLMs para crear reglas clínicas transparentes y auditables, superando el desbalance y la evolución de datos en salud.
Guía por fases para MAPPO recurrente en recuperación de líneas de montaje
Descubre cómo la inyección de guía por fases mejora la recuperación de interrupciones en líneas de montaje usando MAPPO recurrente. Reduce tiempos anormales y
Aprendizaje Heurístico Médico: Marco LLM para Reglas Clínicas Interpretables
Descubre MHL, un marco basado en LLM que genera reglas de decisión clínicas interpretables y auditables, con rendimiento comparable a métodos estado del arte
Aprendizaje Inductivo de Grafos de Modelo para Completar Grafos de Conocimiento
MGIL aplica aprendizaje inductivo en grafos de modelo para mejorar la predicción de enlaces, logrando representaciones globales precisas.