Actúa como un investigador real: benchmarks para LLMs y agentes
Descubre AARRI-Bench, el benchmark que mide si los agentes de IA pueden pensar como investigadores humanos. El mejor modelo solo alcanza un 68.3% de éxito.
#científico
Cómo la arquitectura define la transferencia en redes implícitas
Descubre cómo la arquitectura afecta la transferencia en redes implícitas. Estudio comparativo de SIREN, ReLU y Fourier para modelos científicos.
Teoría Bootstrap de la Emergencia Representacional
Descubre cómo la insuficiencia explicativa impulsa la creación de nuevas representaciones en IA, desde modelos del mundo hasta gemelos digitales. Una teoría que transforma el aprendizaje.
Descubriendo fórmulas multiescala con cálculo lambda neuronal
Descubre cómo Deflex, basado en cálculo lambda neuronal, extrae automáticamente fórmulas multiescala en sistemas complejos, superando a métodos tradicionales.
Fórmulas multiescala en sistemas complejos con cálculo lambda guiado por IA
Deflex extrae automáticamente fórmulas multiescala en sistemas complejos con IA y cálculo lambda. Hasta 7 veces más eficiente.
PaperFlow: Perfilado, Recomendación y Adaptación en Flujos Diarios de Artículos
Descubre cómo PaperFlow recomienda artículos científicos adaptándose a tus intereses cambiantes y flujo diario. Benchmark con 24 usuarios simulados y evaluación humana.
Explorando Flow-Lenia con un científico de IA curioso: dinámicas de ecosistemas
Descubre cómo un científico de IA curioso explora universos Flow-Lenia revelando dinámicas de ecosistemas autoorganizados. Un nuevo enfoque para sistemas complejos.
Modelado Residual para Compresión de Alta Fidelidad de Datos Científicos
Nuevo enfoque de compresión aprendida con corrección residual reduce la tasa hasta un 60% y supera a SZ en alta fidelidad. ¡Descúbrelo!
Compresión aprendida de alta fidelidad: modelado de residuos
Descubre cómo el modelado de residuos mejora la compresión de datos científicos un 30-60%. LBRC y NGLR para alta fidelidad.
Razonamiento Científico con LLMs para Decisiones basadas en Simulación
Aprende cómo MechSim permite a los LLMs razonar sobre simuladores, logrando explicaciones transparentes y decisiones más fiables en entornos críticos.
SCI-PRM: Un modelo de recompensa de proceso para verificación científica
Descubre cómo Sci-PRM, un modelo de recompensa consciente de herramientas, mejora la verificación científica en biología, química y física.
Aprendizaje por Refuerzo desde Retroalimentación Rica con DAgger Distribucional
Descubre DistIL: aprendizaje por refuerzo con retroalimentación rica para razonamiento, código y matemáticas. ¡Lee más!
Aprendizaje por Refuerzo con Retroalimentación Enriquecida usando DAgger Distribucional
Descubre cómo DistIL optimiza el aprendizaje por refuerzo usando retroalimentación rica (trazas, correcciones, autoevaluación) para mejorar en razonamiento, código y matemáticas.
Evolución Deliberada: Regresión Simbólica Eficiente con LLMs
Descubre cómo Deliberate Evolution usa razonamiento agentico y memoria reflexiva para regresión simbólica eficiente con solo 40% de muestras. ¡Más con menos!
Regresión simbólica en expresiones compartidas: intercambio parcial parámetros
Descubre cómo el intercambio parcial de parámetros en regresión simbólica optimiza expresiones y reduce la necesidad de datos.
TadA-Bench: un millón de variantes para ingeniería de proteínas con agentes
TadA-Bench ofrece un millón de variantes de proteínas para que la IA descubra rondas futuras en evolución dirigida. Acelera la ingeniería de proteínas con agentes.
En ciencia, prioriza identificar estructuras, no modelos complejos
¿Modelos complejos o estructuras? En IA, prioriza la identificación de estructuras para descubrimiento científico. Entiende la subdeterminación.
Evaluación del razonamiento relacional en LLMs con REL
Descubre cómo el benchmark REL evalúa el razonamiento relacional en LLMs, revelando sus limitaciones en tareas de alta aridad en ciencias.
Democratizar el análisis predictivo y apoyar a científicos de datos ciudadanos
Descubre cómo democratizar el análisis predictivo y apoyar a los científicos de datos ciudadanos para tomar decisiones basadas en datos.
Predicción explicable de avances científicos con redes de conceptos
Un modelo explicable predice avances científicos analizando redes de conceptos con precisión superior. Clave para estrategias de I+D basadas en datos abiertos.