El rol de la alineación de la retroalimentación en la autodestilación
Descubre cómo la retroalimentación alineada por pasos mejora la autodestilación, superando a GRPO en 16 puntos y a la solución de referencia en 5.
#contex
El lenguaje de las series temporales: UniTok, tokenizador universal
UniTok convierte series temporales en tokens para modelos fundacionales. Permite pronóstico zero-shot, generación y clasificación sin entrenamiento.
Menos contexto, más precisión: motor bi-temporal para agentes LLM
Descubre Engram, el motor de memoria bi-temporal open-source que supera al historial completo: 83.6% de precisión con solo 9.6k tokens. Ideal para agentes LLM.
GitLab Orbit: contexto completo de código y ciclo de vida
GitLab Orbit: grafo en vivo de código y ciclo de vida. Agentes de IA reducen errores y ahorran tokens. Prueba la beta pública.
Atención Lineal Dinámica: Optimizando LLMs para Contextos Largos
DLA optimiza la atención en LLMs fusionando estados dinámicamente, reduciendo errores y manteniendo rendimiento en contextos largos.
Sistemas Multi-Agente Descentralizados con Contexto Compartido
Descubre cómo DeLM escala el razonamiento de LLMs con agentes descentralizados y contexto compartido, mejorando rendimiento en SWE-bench y LongBench y reduciendo costos un 50%.
Expansión de atención: mejora la extracción de frases clave en documentos largos
Mejora la extracción de frases clave en documentos largos con expansión de atención. Resultados F1 superiores sin LLMs costosos.
Pose-ICL: Personalización de sujetos con control 3D de pose
Descubre Pose-ICL, un nuevo método de IA que permite controlar la pose de objetos personalizados en generación de imágenes con alta precisión y consistencia.
Campos Asociativos Causales Paralelos: Memoria Dispersa para Contexto Largo
Descubre cómo PCAF revoluciona el modelado de lenguaje con memoria dispersa paralela, logrando mayor velocidad y eficiencia que transformers tradicionales. ¡Lee más!
Campos Asociativos Causales Paralelos: Memoria Dispersa para Contexto Largo
Descubre PCAF, un novedoso modelo de memoria dispersa que acelera el procesamiento de lenguaje con contexto largo, superando a Transformers en velocidad y perplejidad.
Express: Modelado de Lenguaje con Atención Causal Optimizada
Descubre cómo Express convierte aproximaciones de atención no causal en causales, reduciendo memoria y mejorando velocidad en modelos de lenguaje.
Modelado de Lenguaje Express: Optimización de Atención Causal
Express optimiza atención causal, supera a FlashAttention 2. Reduce cuellos de botella de memoria, cómputo y compresión KV en modelado de lenguaje.
Priores estructurales no paramétricos para predicción de teoremas geométricos
Descubre cómo los priores estructurales no paramétricos y los grafos de precedencia permiten a los LLMs predecir teoremas geométricos con un 89.29% de precisión, superando modelos supervisados.
Planificación anticipada aumentada con hechos para agentes LLM
LWM-Planner: planificación anticipada con hechos para agentes LLM. Extrae hechos de experiencias, simula el mundo y mejora decisiones sin ajustes de parámetros.
Evaluación de personalidad en interacciones laborales diádicas
La personalidad percibida varía según el contexto laboral. El estrés afecta al neuroticismo; la acústica predice rasgos en roles diádicos.
IDP-Bench: Evaluando la privacidad interdependiente en modelos de lenguaje
¿Pueden los LLMs proteger tu privacidad cuando otros comparten tus datos? IDP-Bench lo mide.
Contexto sobre cómputo: humano en el bucle supera a la IA iterativa
El humano en el bucle mejora respuestas de entrevista: más confianza y autenticidad con menos iteraciones que la IA iterativa.
Certificados finitos para determinación en contexto y teoría de umbral en modelos de lenguaje
Los certificados finitos verifican la determinación contextual en LLMs y separan emergencia real de artefactos métricos. Nuevo marco teórico.
Still: Compactación del Caché KV en una Sola Pasada Directa
Still comprime el caché KV en una sola pasada, reduciendo memoria en modelos de lenguaje sin perder calidad. Ideal para contextos largos.
CAAL: Bandidos contextuales para selección de estrategias activas artesanales
CAAL usa bandidos contextuales para seleccionar dinámicamente estrategias de aprendizaje activo basadas en contexto externo.