Olvidar no es borrar: Claves de transporte recuperan conocimiento
El olvido catastrófico no borra conocimiento, solo desalinea interfaces. Descubre cómo claves de transporte recuperan conocimiento latente en IA.
#delos
Epi-LLM: sondeando sesgos conductuales de LLM con modelos epidémicos
Descubre el marco Epi-LLM, que combina modelos de lenguaje y agentes sintéticos para simular comportamientos humanos durante epidemias, comparando con datos rea
Razonamiento Latente Adaptativo para Agentes
ALAR reduce hasta un 84.6% los tokens en agentes LLM, usando razonamiento latente en rutina y explícito solo cuando es necesario. Eficiencia y precisión mejoradas.
Guía por recompensa en modelos de flujo y difusión: ¿realmente inclinamos?
El reward hacking en difusión proviene de la estimación finita de la función h. Proponemos una corrección sin costo y aclaramos el best-of-n.
Cuantificación de incertidumbre escalable en pronóstico de clima extremo con NTK
Mejora la predicción de clima extremo con NTK-UQ: intervalos 31-37% más precisos, adaptativos y sin reentrenamiento.
Sondas Lineales Detectan el Formato de la Tarea, No el Razonamiento
¿Las sondas lineales detectan razonamiento o formato? Un estudio revela que la precisión en LLMs se explica por confusores de formato, no por modos de razonamie
Fast-dLLM++: Perfil Fréchet para Inferencia más Rápida de LLM Difusión
Fast-dLLM++ acelera inferencia de LLM difusivos sin modificar modelo, aprovechando confianza heterogénea para lograr 37% más rendimiento sin perder precisión.
Echelon: Agregados auditables para adaptación de modelos entre fronteras
Descubre cómo Echelon permite adaptar modelos de lenguaje entre organizaciones sin exponer datos, usando solo agregados auditables.
Preentrenamiento de modelos de lenguaje en textos históricos
Descubre TypewriterLM, un modelo de lenguaje de 7.24B parámetros entrenado con textos anteriores a 1913. Supera desafíos de calidad y fuga temporal.
Patcher: Reparación post-hoc de modelos de lenguaje con puertas traseras
Descubre cómo Patcher repara modelos de lenguaje con puertas traseras usando solo un fallo reportado. Defensa práctica contra ataques de entrenamiento.
Cuantización y características interpretables: análisis con autoencoders dispersos
La cuantización no destruye todas las características interpretables: un análisis revela que el 62% persiste en INT6, pero las métricas engañan.
MUSE: Un arnés agéntico unificado para MLLMs
Potencia MLLMs con MUSE, un arnés agéntico unificado que mejora tareas complejas sin reentrenar, usando verificación y reparación guiada.
Alucinaciones como ruido ortogonal: alineación de manifold en LLMs
Descubre cómo el nuevo método DCO alinea el manifold semántico en LLMs para reducir alucinaciones, mejorando la fidelidad contextual sin sacrificar conocimiento.
Inferencia INT8 consciente de picos para modelos de lenguaje spike en CPU
La inferencia INT8 consciente de picos acelera modelos spike en CPU, superando a TinyLlama con 22.63 tokens/s y reduciendo memoria.
Replanteando representaciones textuales moleculares para LLMs: Estudio empírico
Estudio empírico revela que ninguna representación molecular es universalmente mejor para LLMs. Descubre cuál usar según la tarea química.
ASymPO: Optimización Asimétrica para Post-Entrenamiento Asíncrono de LLMs
Descubre cómo ASymPO optimiza el post-entrenamiento asíncrono de LLMs sin probabilidades de comportamiento, mejorando estabilidad y rendimiento.
Optimización eficiente de hiperparámetros para RL en LLMs
Descubre cómo JF-HPO optimiza hiperparámetros en RL para LLMs, logrando hasta 14.9x más eficiencia y mejoras de rendimiento del 5.8% al 111.6%.
Destilación Constitucional Segura en Política
Descubre cómo COPSD logra un mejor equilibrio entre seguridad y utilidad en modelos de IA, reduciendo el costo de la seguridad en razonamiento general.
GuidedBridge: Mejora de modelos puente sin entrenamiento con guía previa
Prior Guidance (PG) y FMPG: mejora modelos puente de traducción de imágenes sin entrenamiento, usando guía previa y modulación de frecuencias. Ideal para inpainting.
Auditoría de Contratos Inteligentes con LLM Ligero vía Destilación y Agregación
Descubre un marco ligero de LLM con destilación y agregación logra un 98.25% de precisión en auditoría de contratos inteligentes, superando modelos grandes.