UniMM: Marco de modelo de mezcla unificado para simulación multiagente
UniMM: marco unificado de modelo de mezcla para simulación multiagente en conducción autónoma. Logra estado del arte en WOSAC manejando cambios de distribución.
#comportamientos
Más allá de los datos seguros: alineación con reflexión regular de seguridad
Descubre cómo la reflexión regular de seguridad en el preentrenamiento previene comportamientos inseguros en modelos de lenguaje. Mejora la clasificación y
Examinando comportamientos humanos en LLMs: análisis multidimensional
LLMs imitan comportamientos humanos. La prevalencia varía según modelo y usuario. Los prompts del sistema controlan estas conductas. Análisis multidimensional.
LoComposition: Locomoción Cuadrúpeda Eficiente sin Patrones de Marcha
Nueva técnica de locomoción cuadrúpeda reduce un 56% el costo de transporte sin patrones de marcha. Ideal para robots adaptables al terreno.
Propiedades extrínsecas e intrínsecas para razonamiento efectivo con código
Descubre cómo propiedades extrínsecas e intrínsecas mejoran el razonamiento con intérprete de código. Claves para optimizar entrenamiento e inferencia.
¿XAI global revela comportamientos inyectados en LLMs? SHAP vs RuleSHAP
Descubre cómo los métodos XAI globales como SHAP y RuleSHAP revelan comportamientos inyectados en LLMs para combatir la desinformación. Comparativa y mejora
Entradas benignas que causan graves daños en agentes de IA
Entradas inofensivas que generan fallos en agentes de IA. AutoElicit revela comportamientos inseguros y cómo se transfieren entre modelos.