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.
#cómputo
La geometría hiperbólica de poblaciones neuronales mejora el cómputo
La geometría hiperbólica en neuronas del hipocampo mejora memoria y decodificación. Descubre su impacto en redes Hopfield.
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.
Escalado prescriptivo revela evolución de capacidades de modelos de lenguaje
Aprende cómo el escalado prescriptivo predice la evolución de capacidades de modelos de lenguaje usando el presupuesto de cómputo. Basado en 7k evaluaciones.
HASA: Asignación de subredes para aprendizaje federado heterogéneo
Descubre cómo HASA mejora la precisión media y de peores clientes en aprendizaje federado heterogéneo con restricciones de cómputo.
El nuevo cuello de botella en IA no es el modelo, es la infraestructura
La carrera de IA depende del acceso a infraestructura. Conoce cómo FPX AI democratiza el cómputo y reduce la brecha entre ideas y ejecución.
Front-to-Attractors: Nueva Heurística en Búsqueda Bidireccional
Descubre cómo la nueva heurística Front-to-Attractors reduce hasta 11 veces las evaluaciones por pares y acelera la búsqueda bidireccional.
Es posible la verificación zero-knowledge para entrenamiento de IA de frontera
Un nuevo protocolo permite verificar el entrenamiento de modelos de IA de frontera con pruebas de conocimiento cero, con overhead del 2-5% y en 36 meses. Descubre cómo.
Más allá de la similitud vectorial: análisis estructural de recuperación aumentada con grafos
Ocho arquitecturas de recuperación en grafos: el razonamiento estructural requiere operadores específicos, más allá de la similitud vectorial.
Alpha Compute: $79.2M en activos, $23M de ingresos y adquisición GAMEE
Alpha Compute anuncia $79.2M en activos, $23M de ingresos anuales proyectados, cierra adquisición de GAMEE y lanza campaña 'Own Your Data' en CNBC.
Aprendizaje de compromiso de estado: entrenar modelos para distinguir cómputo de memoria
Descubre cómo el nuevo método CERL entrena modelos de lenguaje para distinguir cómputo de memoria, eliminando dependencias ocultas y mejorando el razonamiento sin perder precisión.
RL mejorado con Transformers: fundamentos y aplicaciones en redes
Descubre cómo los Transformers mejoran el RL en redes: fundamentos, recursos, enrutamiento y seguridad. ¡Optimiza tu red con IA!
CUCo: Marco agéntico para el codiseño de cómputo y comunicación
Acelera LLMs distribuidos hasta 1.57x con CUCo, marco agéntico que codiseña kernels CUDA automáticamente, con costos inferiores a $10.
Agentic Monte Carlo: Aprendizaje por Refuerzo en Agentes Caja Negra
Optimiza agentes LLM de caja negra sin entrenarlos. Agentic Monte Carlo supera a GRPO. Aprende inferencia bayesiana.
No todos los errores son iguales: asignación de cómputo según consecuencias
Asigna cómputo según el costo real de errores, no solo dificultad. Reduce pérdidas hasta 33% con método consciente de consecuencias.
Escalado de cómputo en tiempo de prueba para ASR con Transformers en bucle
Optimiza el reconocimiento de voz con LARM: un Transformer en bucle que escala el cómputo en tiempo de prueba, mejorando la tasa de error de palabras.
Mecánica del Autograd Textual: Grafos de Cómputo en Optimización de Lenguaje
Descubre cómo TEXTGRAD aplica la retropropagación de texto para optimizar prompts, código y soluciones en sistemas de IA. Un enfoque innovador basado en gradientes textuales y grafos de cómputo.
Segmentación eficiente del plexo coroideo en EM con transformers
Descubre cómo un nuevo método basado en SwinUNETR segmenta el plexo coroideo en esclerosis múltiple con alta precisión y reduce el coste computacional un 99%.
FutureWeaver: Optimización de Cómputo en Tiempo de Prueba Multi-Agente
Descubre FutureWeaver: optimiza cómputo en tiempo de prueba para sistemas multi-agente con planificación dual y colaboración modular. Con presupuesto limitado.
dLLM-Cache: Caché Adaptativa para Modelos de Lenguaje con Difusión
dLLM-Cache acelera hasta 9x modelos de difusión con caché adaptativa, sin entrenamiento y con latencia cercana a modelos autoregresivos.