OpenClaw-Skill: Búsqueda Colectiva en Árbol de Habilidades para LLMs
Descubre cómo OpenClaw-Skill construye un árbol de habilidades colectivas para mejorar la planificación y el uso de herramientas en LLMs agentivos. ¡Aprende
#cla
Razonamiento de LLM con pocas etiquetas: marco semisupervisado con verificador ligero
Descubre cómo un marco semisupervisado con verificador ligero permite que los LLM aprendan a razonar con solo unas pocas etiquetas, logrando precisión
Framework de LLM agéntico basado en consenso para clasificación HTS
Framework de LLM agéntico con consenso multiagente para clasificación precisa de códigos HTS, integrando IA, evidencia y supervisión humana.
Análisis escalable de comentarios con clasificación multi-etiqueta e IA generativa
Combina clasificación multi-etiqueta e IA generativa para analizar comentarios de usuarios y obtener insights accionables para mejorar tu producto
¿Tienen emociones los grandes modelos de lenguaje?
¿Los grandes modelos de lenguaje pueden tener emociones? Un estudio de Anthropic sobre Claude sugiere emociones funcionales. Analizamos la evidencia y el
Modelo generativo con expertos de dominio para series temporales escasas
TimeMoDE combina diffusion transformers y expertos de dominio para generar series temporales realistas con pocos datos. Supera la escasez de datos.
Re-alimentación vs reproducción: ruido en crédito contrafactual de tokens
Re-alimentar el prompt introduce ruido en crédito contrafactual, afectando selección de tokens. Estudio vLLM revela diferencias hasta 28pp.
Ajuste fino federado consciente de conflictos en LLMs con MoE
Aprende cómo el marco FC-MoE resuelve conflictos en el ajuste fino federado de modelos de lenguaje grandes con mezcla de expertos, mejorando convergencia y
Ajuste fino federado consciente de conflictos para LLMs con MoE
Descubre cómo FC-MoE optimiza el ajuste fino federado de LLMs con mezcla de expertos, resolviendo conflictos entre clientes para acelerar la convergencia y
Vulnerabilidad en Rockwell Automation RSLinx Classic
Vulnerabilidad CVE-2020-13573 en Rockwell RSLinx Classic: desbordamiento de búfer causa denegación de servicio. Actualiza a v4.60.00 o parche BF31213.
Aceleración de OCSVM mediante ensemble de SVMs de un dato
Descubre cómo acelerar el entrenamiento de OCSVM en grandes conjuntos de datos usando un ensemble de SVMs de un dato. Resultados rápidos y precisos. Código
Calibración de decisiones en tiempo de inferencia para clasificación temporal
Descubre cómo mejorar la clasificación temporal con evidencia residual y calibración post-hoc. Resultados en FI-2010, PTB-XL y más.
Parada Adaptativa en Muestreo con Clasificadores
Descubre cómo detener el muestreador de forma inteligente usando clasificadores neuronales para acelerar MCMC sin perder precisión. ¡Entra!
QK-Normed MLA: normalización sin almacenar claves completas
Descubre cómo la normalización QK en MLA mejora estabilidad y eficiencia: menor pérdida, mayor precisión y menos de 2% de latencia extra en decodificación.
Entrenamiento Paralelo Eficiente en Ancho de Banda con Mezclas de Subespacios
Descubre cómo mezclas de subespacios comprimen la comunicación un 95% para entrenar modelos de lenguaje con contextos de 100K tokens, incluso en redes lentas.
No todos los estimadores de divergencia de Jensen-Shannon son iguales
¿Sabías que los estimadores de divergencia Jensen-Shannon no son iguales? Aprende cómo el protocolo afecta la fidelidad de datos sintéticos.
Mitigación Bayesiana de Anomalías: Pérdida Robusta y Clasificador No Supervisado
NBAM reemplaza la pérdida estándar en aprendizaje supervisado y además detecta automáticamente muestras contaminadas sin etiquetas. Ideal para datos ruidosos.
Redes de Grafos Multimodal y Mezcla de Expertos para Carbono Orgánico
SpTGNN predice carbono orgánico del suelo con precisión récord (R²=0.86) y cuantifica la incertidumbre. Ideal para agricultura sostenible.
Más allá del reporte: Machine Learning para control activo de lavado en seguros
Descubre cómo el machine learning previene el lavado de dinero en seguros. Modelos detectan casi 2/3 de casos en el 2-6% de reclamaciones.
MyPCBench: un benchmark para agentes inteligentes de uso personal de PC
MyPCBench evalúa agentes de IA como asistentes personales en escritorio Linux con 184 tareas reales. El mejor modelo (Claude Opus) solo resuelve 55.4%.