Pérdidas LK: optimización directa de aceptación para decodificación especulativa
Optimiza la tasa de aceptación con pérdidas LK en decodificación especulativa, logrando hasta un 10% más de longitud.
#decodificación
DAPD: Decodificación Paralela con Atención y Dependencias para LLMs de Difusión
Descubre cómo DAPD mejora la precisión y velocidad en LLMs de difusión mediante decodificación paralela consciente de dependencias sin reentrenamiento.
SemKey: escapando la trampa BLEU en decodificación EEG a texto
Descubre cómo SemKey supera la trampa BLEU y las alucinaciones en la decodificación de texto desde EEG, usando señales cerebrales y objetivos semánticos.
DyLLM: Inferencia Eficiente de LLMs de Difusión mediante Token Saliente
Descubre DyLLM, un marco de inferencia sin entrenamiento que acelera hasta 9.6x los LLMs de difusión seleccionando solo tokens relevantes. Ideal para razonamiento y código.
CalM: Modelo base auto-supervisado para dinámicas poblacionales en calcio
Conoce CalM, modelo auto-supervisado para dinámicas de población en datos de calcio. Mejora pronóstico y decodificación neuronal.
Decodificación Fundamentada: Fusión de Probabilidades para RAG Fiel
Descubre Grounded Decoding, un método sin entrenamiento que fusiona probabilidades para mejorar la precisión factual en sistemas RAG. Resultados superiores en ALCE, NQ y FActScore.
DREAM-S: Decodificación especulativa para generación multimodal
Acelera la generación multimodal con DREAM-S, un novedoso método de decodificación especulativa que alcanza 3.85x de velocidad en VLMs.
SimSD: Decodificación especulativa simple en modelos de lenguaje de difusión
Descubre SimSD: un método de decodificación especulativa para modelos de difusión que acelera la inferencia hasta 7.46x sin sacrificar calidad.
TAPS: Selección de Prefijos Consciente del Objetivo para Decodificación Especulativa
Descubre TAPS, que acelera la decodificación especulativa hasta 7.9x con selección inteligente de árboles de prefijos. Mejora el rendimiento sin pérdidas.
MindDiffuser: guía semántica y estructural para reconstruir imágenes cerebrales
MindDiffuser reconstruye imágenes desde actividad cerebral con guía semántica y estructural. Mejora precisión en interfaces cerebro-computadora.
Valencia compartida en LLMs y EEG humano: regularidad de saturación
LLMs y EEG comparten un eje de valencia. La saturación limita la supervisión. Descubre cómo un ensamble mejoró un 10.5% la precisión en FACED.
BudgetDraft: Entrenamiento Multi-Vista para Decodificación Especulativa Dispersa
Descubre BudgetDraft: entrenamiento multi-vista acelera decodificación especulativa con KV disperso hasta 6.55x en contextos de 4K a 16K, optimizando memoria.
Decodificación Híbrida Verificada: Aprendiendo a Asignar Verificación
Acelera tus LLMs con Decodificación Híbrida Verificada. Predice aceptación de caché, elige verificación óptima. Hasta 2.73x más rápido en flujos agentivos.
FLARE: Difusión para Modelos de Lenguaje Híbrido
FLARE transforma modelos de lenguaje híbridos en modelos de difusión, unificando inferencia paralela y autoregresiva en un solo checkpoint. Mejora el rendimiento y reduce la latencia.
Transformador Morlet para decodificar emociones EEG entre sujetos
El Morlet Spectral Transformer (MST) decodifica emociones EEG sin preentrenamiento, superando modelos masivos en precisión e interpretabilidad.
AgentPLM: Modelos de lenguaje proteico con razonamiento aumentado
Descubre AgentPLM: integra razonamiento aumentado y herramientas biofísicas para diseñar proteínas. Logra mejoras del 10% en anticuerpos.
SENSE: Decodificación Especulativa con Incrustaciones Semánticas
Descubre SENSE: acelera inferencia de LLMs hasta 3.26x usando embeddings semánticos, sin perder calidad. Ideal para desarrolladores.
De pesos a código: extrayendo algoritmos interpretables del Transformer Discreto
Extrae algoritmos interpretables de un Transformer Discreto. Descubre cómo convertir pesos neuronales en código legible para una IA más explicable.
COFT: Razonamiento Justo con Cadena de Pensamiento en LLMs
COFT reduce sesgos en LLMs hasta un 55% sin reentrenar, preservando calidad y razonamiento justo. Método auditado.
¿Qué se descubre primero? Análisis de difusión para texto desde gráficos
Estudio revela que MDLMs descifran entidades primero en generación texto-gráfico. SFT puede fallar, pero decodificación lambda recupera +9.4 BLEU.